1

CONTROL PREDICTIVO NO LINEAL APLICADO A COLUMNAS

DE DESTILACIN DE ETANOL


Cristea, Smaranda
*
, Rueda Ferreiro, Almudena
**
, de Prada, Csar
*
(*)Departamento de Ingeniera de Sistemas y Automtica. Universidad de Valladolid.
C/ Real de Burgos s/n. 47011. Valladolid. Espaa.
Telfono: +34 983 423164. FAX: +34 983423161 smaranda@autom.uva.es
Telfono: +34 983 423164. FAX: +34 983423161 prada@autom.uva.es

(**)Centro de Tecnologa Azucarera. Universidad de Valladolid.
C/ Real de Burgos. Edificio Alfonso VIII. Planta baja s/n. 47011. Valladolid. Espaa.
Telfono: +34 983 423563. FAX: +34 983423616. almudena@cta.uva.es


Resumen

En este artculo se presenta una alternativa
aproximada al control predictivo no lineal. Esta
alternativa est basada en una linearizacin iterativa
de la respuesta del modelo, de manera que las
respuestas en lazo cerrado sean las mismas que las
obtenidas en con el mtodo no lineal pero con un
tiempo de clculo mucho menor y unas herramientas
de optimizacin mejores.
Para aplicar este mtodo se ha tomado como proceso
base una columna de destilacin de etanol.
El modelo de dicho proceso se ha realizado en el
lenguaje de modelado EcosimPro, mientras que el
controlador predictivo no lineal est desarrollado en
C++ y es invocado desde EcosimPro.

Palabras clave: simulacin, control predictivo no-
lineal, columnas de destilacin, EcosimPro


1. INTRODUCCIN

En los ltimos aos el control predictivo no lineal
basado en modelos (NMPC) ha sido objeto de
estudio, tanto desde el punto de vista de sus
propiedades (Chen et al. 1998) como de su
implementacin.

Si se compara el MPC (control predictivo basado en
modelos) con el NMPC se observa que mientras el
MPC con restricciones puede resolver un problema
asociado de optimizacin cada periodo de muestreo
utilizando algoritmos QP o LP, el NMPC cuenta con
mtodos de programacin no lineal (NPL) como el
SQP que requieren ms CPU.
Se han desarrollado numerosos esquemas para
solucionar este problema, entre ellos las conocidas
aproximaciones simultneas y secuenciales.

En el caso de la solucin secuencial, se resuelve el
modelo integrndolo en cada iteracin de la rutina de
optimizacin. El nico grado de libertad que tiene el
NLP son los parmetros de control. Los clculos de
simulacin y optimizacin se realizan de manera
secuencial, uno despus del otro.

Por el contrario, la resolucin simultnea del modelo
y la optimizacin, considera el modelo de estados y la
optimizacin como variables de decisin, y las
ecuaciones del modelo se aaden al problema de
optimizacin como restricciones de igualdad. Esto
aumenta el tamao del problema de optimizacin de
manera que se llega a un equilibrio entre las dos
aproximaciones.
En ambos casos, la dificultad a la hora de
implementar NMPC en un proceso real radica en el
alto tiempo de clculo.

En este artculo se ha desarrollado una aproximacin
(De Keyser, 1998) que emplea una linearizacin
lineal del proceso en cada periodo de muestreo para
calcular una respuesta optimizada, que sera similar
a la respuesta forzada de los mtodos del MPC
linear. Este procedimiento se aplica iterativamente
hasta que se alcanza la misma solucin no lineal.

Se va a describir la tcnica de linearizacin iterativa y
se comparar un algoritmo del NMPC que emplea
una aproximacin secuencial, con una versin de la
linearizacin iterativa.


Para realizar todo ello se ha tomado como base los
objetivos de control de una columna de destilacin de
etanol de la que se har una descripcin del modelo
desarrollado.










2
2. DESCRIPCIN DEL PROCESO

2.1 Columnas de destilacin.

La destilacin es probablemente una de las
operaciones ms ampliamente empleada en la
industria qumica, bien para separar distintos
componentes de una corriente, o en la purificacin de
productos intermedios o finales. Su aplicacin va
desde la destilacin de alcohol hasta el
fraccionamiento del petrleo.

El proceso en el que vamos a centrar nuestro estudio
es una columna de destilacin de etanol de gran
pureza que forma parte de la seccin de destilacin de
la industria azucarera.
En este caso, se realiza la fermentacin de las
melazas, subproducto de la industria azucarera, donde
tiene lugar produccin de alcohol. Posteriormente,
este alcohol se separa del resto de los componentes
mediante una serie de destilaciones.

En la figura 1 se muestra un esquema de la columna
rectificadora que ha servido de base al estudio. La
alimentacin es una mezcla de tres componentes:
agua, etanol y propanol. El alcohol se obtiene
principalmente a partir de una extraccin lateral en la
parte superior de la columna.
Tambin hay otras extracciones laterales secundarias
situadas unos platos por encima de la alimentacin
cuya finalidad es evitar que compuestos isoamlicos
lleguen a la cabeza de la columna.

La columna tiene un total de 82 platos, y los
compuestos qumicos que separa forman azetropos
entre s, lo cual hace la operacin ms compleja.
El objetivo del control es mantener la fraccin molar
de etanol en el fondo de la columna, y de agua en la
cabeza de la misma, es decir, la concentracin de
impurezas, ms cercanas posibles a sus respectivos
puntos de consigna.
Para conseguir esto se han escogido como variables
manipuladas el caudal de la extraccin lateral de
alcohol neutro y el caudal de vapor de agua que se
introduce en el ebullidor.
Tambin estn controlados los niveles en el fondo de
la columna y en el acumulador, manipulando la
corriente de fondo de la columna y la corriente de
reflujo en cada caso.

2.2 Modelo del proceso.

El modelo matemtico desarrollado debe representar
el comportamiento dinmico del proceso real. Debe
llegarse a un compromiso entre la exactitud en el
planteamiento del modelo y la similitud entre la
respuesta del mismo y del proceso, en funcin de los
medios disponibles para la resolucin del modelo.



Fig. 1: Esquema simplificado de una columna de
destilacin de alcohol neutro.

Las suposiciones realizadas son las siguientes:

1. Alimentacin en un nico plato.
2. La alimentacin entra como lquido saturado,
aunque se contempla la posibilidad de una
vaporizacin parcial o total de sta.
3. Se realiza una extraccin lateral de alcohol
neutro en el penltimo plato.
4. No hay prdidas de calor, la columna es
adiabtica.
5. El condensador es total, por lo que la
composicin del vapor que abandona la columna
por cabeza ser la misma que la de la corriente de
reflujo y destilado.
6. No hay ebullidor sino inyeccin directa de vapor
de agua.
7. Se considera flujo de vapor no constante, y se
calcula a partir del balance de energa planteado
en cada uno de los platos.
8. La prdida de carga total de la columna se
distribuye de forma lineal entre todos los platos.
9. El flujo de lquido se calcula a partir de la
frmula de Francis para vertederos.
10. El lquido acumulado en cada plato es
incompresible y se encuentra como una mezcla
perfecta; la composicin ser la misma en todos
los puntos.
11. La fase lquida y vapor que abandonan el plato se
encuentran en equilibrio trmico, a la misma
temperatura. Tambin estn a la misma presin.
12. La fase lquido y vapor que abandonan el plato
no estn en equilibrio de fases debido a que se
define una eficacia de Murphree.
13. El equilibrio lquido vapor se representa
considerando:
- Fase vapor como ideal.
- Fase lquida no ideal: se emplea el
modelo de Wilson para el clculo del
coeficiente de actividad.
3
14. Se desprecia el tiempo muerto en la corriente de
vapor que va desde el ltimo plato de la columna
hasta el condensador, y tambin en la corriente
de retorno del reflujo a la cabeza de la torre.
15. Se considera la dinmica del condensador en el
desarrollo del modelo de la columna de
destilacin.
16. No se considera acumulacin de vapor a lo largo
del sistema.

Las ecuaciones que representan el comportamiento de
un plato genrico son las mismas para toda la
columna.

Balance global de materia:
n n n n n n
n
S V L F V L
dt
dM
+ + =
+ 1 1
(1)
donde:
n
M = masa de lquido acumulada en plato n (kg).
1 + n
L = lquido que cae al plato n del plato n+1 (kg/h).
1 n
V = caudal vapor procedente del plato n-1 (kg/h).
n
L = lquido que abandona el plato n (kg/h).
n
V = caudal de vapor que abandona el plato n (kg/h).
F
n
= caudal de alimentacin del plato n (kg/h)
S
n
= extraccin lateral en el plato n (kg/h)

Balance global de materia a (j-1) componente:
j
n n
j
n n
j
n n n n
j
n n
j
n n
j
n n
x S y V x L z F
y V x L
dt
x M d

+ + =
+ + 1 1 1 1
) (
(2)

donde:
j
n
x = frac. molar del comp. j en el lquido del plato n.
j
n
x
1 +
= frac. molar del comp. j en la corriente lquida
del plato n+1.
j
n
y
1
= frac. molar del comp. j en la corriente vapor
del plato n-1.
y
n
y = frac. molar del comp. j en la corriente vapor del
plato n.
j
n
z = frac. molar del comp. j en la corriente de
alimentacin del plato n.

El balance anterior se plantea para todos los
componentes menos para uno que se calcula a partir
de:

=
=
=
1
1
1
n j
j
j
N
j
N
x x (3)

Balance de global de energa:

n n n n n n f n
n n n n
n n
h S H V h L h F
H V h L
dt
h M d

+ + =
+ + 1 1 1 1
) (
(4)
donde:
n
h = entalpa del lquido del plato n (kJ/kg).
1 + n
h = entalpa del lquido del plato n+1 (kJ/kg).
n
H = entalpa del vapor del plato n (kJ/kg).
1 n
H =entalpa del vapor del plato n-1 (kJ/kg).

Los cambios en la entalpa especfica de la fase
lquida son por lo general muy pequeos comparados
con la entalpa total del plato. Esto significa que,
normalmente, el balance de energa se puede reducir
a una ecuacin algebraica a partir de la cual se calcula
el flujo de vapor que abandona el plato. Por lo tanto,
finalmente el balance de energa es el siguiente:

0
, 1 1 1 1
=
+ +
+ +
n n n n n n
n f n n n n n
h S H V h L
h F H V h L
(5)

Clculo de la temperatura.

La temperatura en cada plato no se obtiene a partir
del balance de energa como ocurre en el fondo de la
columna, sino que se calcula la temperatura de
burbuja. La temperatura de burbuja es aquella
temperatura que est en equilibrio con una
composicin del lquido conocida a una determinada
presin tambin conocida.

Por lo tanto, en cada plato, el algoritmo de clculo
itera sobre la temperatura hasta que la suma de las
composiciones de la fase vapor del plato N sea igual a
la unidad.

0 1
1
=

=
n
j
N
j
y (6)

Relacin de equilibrio entre fases lquido
vapor:

j
n
n
sat
j n
j
n
j n
x
P
P
y
, *
,

= (7)
donde:
*
, j n
y = frac. molar del comp. j en el plato n en
equilibrio con
j
n
x .
j
n
= coef. de actividad del comp. j en el plato n.
sat
j n
P
,
= pres. de vapor del comp. j en el plato n (bar).
n
P = presin total en el plato n (bar).
j
n
x = frac. molar del comp. j en el lquido del plato n.

Presin total en el plato n:

P P P
n n
+ =
+1
(8)


4
donde:
n
P = presin total en el plato n (bar).
1 + n
P = presin total en el plato n+1 (bar).
n
P = prdida de carga entre el plato n y n+1 (bar).

Prdida de carga en el plato.

La distribucin de la prdida de carga se considera
lineal a lo largo de toda la columna y directamente
proporcional al caudal de vapor vivo.

2
0
|
.
|

\
|
=
K
V
P (9)

donde:
V
0
= caudal de vapor vivo (m
3
/h).
K = constante de proporcionalidad (m
3
/barh).

Caudal de lquido que abandona el plato n:

Se calcula a partir de la frmula de Francis para
vertederos segmentados:

3 / 2
664
|
|
.
|

\
|
=
w
ow
L
Q
h (10)

donde:
ow
h = alt. de lq. sobre la cresta del vertedero (mm).
Q = lquido que cae del vertedero (m
3
/h)
w
L = longitud del vertedero (m).

As, el flujo de lquido que cae de un plato al inferior
es:

5 . 1
,
) ( 8482 . 1
n ow w n
h L Q = (11)

donde:
n
Q = lquido que abandona el plato n (m
3
/h).
w
L = longitud del vertedero (m).
n ow
h
,
= alt. del lq. sobre la cresta del vertedero (m).
Se calcula a partir de la siguiente expresin:
plato
plato n
n ow
A
V Vol
h

=
,
(12)

donde:
n
Vol = volumen de lquido en el plato n (m
3
).
plato
V = volumen del plato (m
3
).
plato
A = rea activa del plato (m
2
).





Caudal de vapor que abandona el plato n:

Como ya se ha dicho anteriormente, el flujo de vapor
que va hacia el plato siguiente se calcula a partir del
balance de energa en estado estacionario:

n
n n n n n f n n n n n
n
H
h S h L h F H V h L
V
+ +
=
+ + , 1 1 1 1
(13)


Fig. 2: Esquema de una plato genrico.

Las caractersticas matemticas del modelo una vez
implementado en el lenguaje de modelado EcosimPro
son:

N de ecuaciones: 7217.
N subsistemas de ecuaciones acopladas: 85
- Lineales: 0
- No lineales: 85
N de variables explcitas: 6870
N de variables derivadas: 264
N de variables algebraicas: 83
N de variables de contorno: 11
N variables estado: 347
Tamao matriz del Jacobiano: 347347
F. dispersin matriz del Jacobiano: 62.2088%


3. CONTROL PREDICTIVO NO LINEAL

El control predictivo no lineal (NMPC) en una
extensin natural de la tcnica lineal del control
predictivo basado en modelos (MPC).
Como ya se ha dicho en la introduccin, se van a
comparar dos formulaciones distintas del NMPC, una
es el algoritmo de NMPC puro, y la otra es una
tcnica iterativa de linearizacin.

3.1 Controlador NMPC.

El objetivo del control predictivo no lineal basado en
modelos (NMPC) es encontrar la secuencia ptima de
los valores de las variables manipuladas de manera
que se minimice una funcin.
5
Dicha funcin est calculada sobre una trayectoria
deseada de las variables de salida a lo largo de un
horizonte de prediccin.

La funcin de coste es la integral sobre los cuadrados
de los residuos que resultan de la diferencia entre las
salidas predichas del modelo (y
pred
) y los valores de
referencia (r) a lo largo de un tiempo de prediccin
N
2
(donde N
2
es el horizonte de prediccin y es el
periodo de muestreo).
Una formulacin standard es

[ ]
[ ]

=
+
+
+
+ =
1
0
2
2
) / 1 ( ),..., / (
) (
)) ( ) ( ( min
2
u
k
k
u
N
j
N t
t
pred
k N k u k k u
t j k u
dt t r t y J

(14)

En esta funcin de minimizacin tambin aparecen
los cambios en las variables manipuladas, u.
Por lo general se suele emplear es la discretizacin de
la variables manipulada u a lo largo del horizonte de
control (N
u
) cuando las variables de entrada
permanecen constantes en un periodo de muestreo :
u(t)=u(k), k t<(k+1)
u(k) = u(N
u
-1) para todo k>N
u
-1.

La minimizacin de la ecuacin (14) est sujeta a las
ecuaciones del modelo continuo y a las restricciones
habituales que se aplican tanto a las variables
manipuladas como controladas:

max
) (
min
) (
min
max
) (
min
max
y k y y
u k u u
u k u u



(15)

De toda la secuencia de movimientos de control a lo
largo del horizonte de control, slo se implementa el
primero de ellos.

Dentro de todo este esquema, el modelo del proceso
se utiliza para calcular las predicciones de las
variables de salida (y
pred
(t)), que se necesitan para
minimizar la ecuacin 14 (Fig. 3).


Fig. 3: Implementacin del controlador no lineal.
En esta formulacin, las ecuaciones del modelos no
se consideran restricciones explcitas dentro del
problema de optimizacin, y las nicas variables de
decisin son las variables manipuladas.
La funcin de la simulacin del proceso es integrar
las ecuaciones del modelo a lo largo del horizonte de
prediccin tomando como condiciones iniciales el
estado actual del proceso y evaluar la funcin
objetivo formulada al final de cada integracin.

Todo lo anteriormente mencionado permite la
programacin de un problema no lineal formulado de
forma genrica como la minimizacin en tiempo real
de una funcin objetivo no lineal con restricciones.

3.2 Formulacin de un controlador predictivo no
lineal iterativo (EPSAC).

La principal idea de esta formulacin es aproximar
las predicciones no lineales mediante linealizaciones
iterativas alrededor de trayectorias futuras, de manera
que stas ltimas converjan a la misma solucin
ptima no lineal.
Para conseguir esto, la sucesin de los valores futuros
de las variables manipuladas se considera como la
suma de unas acciones de control futuras base,
0 ), / ( + k t k t u
base
, y unas acciones de control
futuras optimizadas, 1 0 ), / ( +
u
N k t k t u :

) / ( ) / ( ) / ( t k t u t k t u t k t u
base
+ + + = + (16)

Por lo tanto, las predicciones de las variables de
salida se pueden considerar como la suma de dos
efectos:
) / (
) / ( ) / (
t k t y
t k t y t k t y
optimize
base
+
+ + +
(17)

La primera componente, ) / ( t k t y
base
+ , se calcula
empleando el modelo no lineal, junto con las
secuencia conocida de la variable manipulada,
) / ( t k t u
base
+ , como entradas al modelo.

La segunda componente, ) / ( t k t y
optimize
+ , es el
resultado de una serie de entradas en impulse y en
escaln (De Keyser, 1998):

) / 1 ( ...
) / 1 ( ) / ( ) / (
1
1
t N t u g
t t u h t t u h t k t y
u N k
k k optimize
u
+ + +
+ + = +
+

(18)

donde los parmetros
2
,... ,.., ,
2 1 N k
h h h h
son los
coeficientes de las respuestas de impulse unidad del
sistema en las condiciones de operacin actuales.
Y los valores de g
k
son los coeficientes de la
respuesta a un escaln unidad.

6
Si se emplea una notacin matricial, la ecuacin 17
quedara como:

GU Y Y + = (19)
donde:

[ ]
[ ]
(
(
(
(

=
+ =
+ + =
+
+ +
+
1 2 1 2
2 1 1
1 2 1
2 1
2 2 2
1 1 1 1
1 1 1 1
...
... ... ... ... ...
...
...
) / 1 ( ... ) / (
) / ( ... ) / (
u
u
u
N N N N N
N N N N N
N N N N N
T
u
T
base base
g h h h
g h h h
g h h h
t N t u t t u
t N t y t N t y
G
U
Y

(20)

La relacin entre las acciones de control u y u es la
siguiente:

b A +
(
(
(
(

+
+
=
(
(
(
(

+
+

) / 1 (
...
) / 1 (
) / (
) / 1 (
...
) / 1 (
) / (
t N t u
t t u
t t u
t N t u
t t u
t t u
u u

(21)

donde la matriz A y el vector b vienen dados por:
(
(
(
(

+ +
+

=
(
(
(
(

=
) / 2 ( ) / 1 (
...
) / ( ) / 1 (
) 1 ( ) / (
,
1 1 ... 0 0
... ... ... ... ...
0 ... 0 1 1
0 ... 0 0 1
t N t u t N t u
t t u t t u
t u t t u
u base u base
base base
base
b
A
(22)

Los coeficientes de la matriz G se calculan utilizando
el modelo linealizado alrededor de estado actual en
cada periodo de muestreo.
Sin embargo, para un proceso dinmico complejo
resulta difcil obtener una linealizacin del modelo.
Por esta razn se ha desarrollado una posible
alternativa que es el empleo del modelo no lineal para
calcular los coeficientes h
k
y g
k
mediante una
simulacin del modelo.
Si se tiene en cuenta la ecuacin 21, y recordando que
1
=
k k k
g g h
, se puede rescribir la ecuacin 18 de
la siguiente forma:

[ ]
[ ]

+ + + + +
+ = +
1
1
) ( ) 1 ( ) (
) ( ) ( ) 1 ( ) / (
u
N
i
base base i k
base k optimize
i t u i t u i t u g
t u t u t u g t k t y

(23)

Los coeficientes de la respuesta en escaln se pueden
calcular periodo de muestreo simulando el modelo no
lineal del proceso con una secuencia concreta de
acciones de control, ) t / k t ( u
*
+ , tomando como
condicin inicial el estado actual del proceso y
evaluando tambin las predicciones, ) / (
*
t k t y + .

Una secuencia de acciones de control que se podra
escoger sera la siguiente: ) t ( u ) 1 t ( u
*
+ .
Con esta secuencia y teniendo en cuenta que:

) / ( ) / ( ) / (
* *
t k t y t k t y t k t y
optimize base
+ + + = +

(24)

los coeficientes g
k
verifican la siguiente expresin:

1 1 2 2 1 1
*
0
...
) / ( ) / (
+

+ + =
u u
N N k k k
base k
c g c g c g
t k t y t k t y g c
(25)

donde:
1 ), ( ) 1 (
) ( ) ( ) 1 (
0
*
0
0
+ + =
+ =
=
j j t u j t u c
t u t u t u c
g
base base j
base
(26)

Finalmente, la funcin coste a minimizar resulta ser
una funcin cuadrtica en U:

[ ] [ ]
( ) ( ) ( ) ( ) b AU b AU GU Y R GU Y R + + +
= + + + + =


= =
T T
N
k
N
N k
u
t k t u t k t r t k t y J


1
0
2 2
) / ( ) / ( ) / (
2
1
(27)

Y el problema de optimizacin, la minimizacin de J
sujeta a las restricciones (10), se resuelve con
tcnicas simples de programacin cuadrtica (QP).

Mientras 0 ) / ( + t k t u , los controles
) / ( ) / ( ) / ( t k t u t k t u t k t u
base
+ + + = + son
subptimos, porque la aproximacin est basada en el
principio de superposicin (12), sin embargo puede
converger en los controles ptimos redefiniendo
iterativamente ) / ( ) / ( t k t u t k t u
base
+ + y
volviendo a calcular ) / ( t k t u + y ) / ( t k t u + hasta
que 0 ) / ( + t k t u , de manera que el trmino
) / ( t k t y
optimize
+ es prcticamente cero.
Para reducir el nmero de iteraciones, el valor
inicial de ) / ( t k t u
base
+ es importante. Una
eleccin simple y efectiva (De Keyser, 1998) es
empezar con la poltica de control ptimo derivada
del salto previo ) 1 / ( ) / ( + + t k t u t k t u
base
. En
este artculo se ha utilizado esta estrategia.



7
4. RESULTADOS DE LA SIMULACIN.

Se han realizado un gran nmero de pruebas para
comparar el NMPC estndar con el EPSAC no lineal
tanto desde el punto de vista del tiempo de clculo
como de eficiencia.
El perodo de muestreo es de 5 min mientras el
resto de los parmetros son N
2
={15,15}, N
u
={1,1},
={5,1}, ={0,0}.
Las restricciones de las variables manipuladas se
fijaron a u
min
= {2000, 7000}, } 13000 , 5000 {
max
= u
y sus cambios fueron limitados a
} 1500 , 150 {
min
= u ; } 1500 , 150 {
max
= u .
Por otro lado, las restricciones para las variables
controladas son: y
min
= {0, 0] e y
max
= {0.05, 0.4}.

En estas simulaciones se asume que los estados
medibles del proceso estn disponible a t
k
, por
ejemplo, y la condicin inicial es conocida en cada
iteracin.


Cambios en la referencia de las variables
controladas

Se han simulado variaciones para ambas variables
controladas durante un periodo de simulacin de 4.5
horas. El comportamiento obtenido por los dos
controladores fue similar. La Fig. 4 muestra cmo el
controlador trata que la concentracin de etanol en el
fondo de la columna siga el cambio del setpoint de
0.0225 a 0.0246 a t=0.2 horas.
La respuesta de la segunda variable controlada,
concentracin de agua en la parte superior de la
columna, con respecto al cambio en la referencia de
0.1809 a 0.1654 a t=1.8 horas, es representado en la
Fig. 5.
Las dos variables manipuladas se representan en las
Figs. 6 y 7.

Pero el anlisis de los esfuerzos de clculo indican
una clara ventaja del controlador EPSAC. El periodo
de clculo de todo el experimento simulado en dicho
caso fue casi de 12 horas.
Y en el caso de los modelos no lineales estndar es de
53 horas. La simulacin ha sido realizada mediante el
lenguaje EcosimPro en un PC PentiumIII, 800 MHz
con 512 Mbytes de RAM.

0.00
0.01
0.02
0.03
0.04
0.05
0 1 2 3 4 5
TIME
columna.fondo_out.x[EtOH]
Linf[1]
Lsup[1]
refy[1]
Fig. 4 Cambios de referencia de la primera variable
controlada (concentracin de etanol en el fondo de la
columna)

0.0
0.1
0.2
0.3
0.4
0 1 2 3 4 5
TIME
columna.imp_top.signal
Linf[2]
Lsup[2]
refy[2]
Fig. 5 Cambios de referencia en la 2 variable
controlada (concentracin molar de agua en la cabeza
de la columna).

2000
2500
3000
3500
4000
4500
5000
0 1 2 3 4 5
TIME
columna.neutro_out.W
Uinf[1]
Usup[1]

Fig. 6 La 1 variable manipulada (flujo de alcohol
neutro).


8
7000
8000
9000
10000
11000
12000
13000
0 1 2 3 4 5
TIME
eb.f_cal_in.W
Uinf[2]
Usup[2]

Fig. 7 La 2 variable manipulada (vapor introducido
en el evaporador)



5. CONCLUSIONES

Se han comparado dos modelos no lineales de control
predictivo tomando como base una columna de
destilacin modelada en el lenguaje EcosimPro.
Uno de ellos, el EPSAC no lineal, basado en una
aproximacin de linealizacin iterativa, ha
demostrado ser una prometedora tcnica para reducir
el tiempo de clculo, reducindolo la cuarta parte.
Sin embargo, en el proceso aqu considerado, el
tiempo requerido para la resolucin del problema de
control predictivo en cada perodo de muestreo es
todava demasiado elevado para implementar el
controlador en tiempo real.
El modelo propuesto no requiere la linealizacin del
modelo no lineal, pero slo para calcular su respuesta
impulso, la cual puede guardar una gran cantidad de
clculos en casos como el presentado aqu.
Otra ventaja del EPSAC no lineal es el uso de
cdigos ms eficaces como QP en vez de mtodos
SQP. Se requieren mayores esfuerzos para poner
NMPC en prctica cuando se basan en modelos
complejos como el presentado en este artculo.

Referencias

[1] A. ARCE A. BLANCO A. CORREA J.M
CORREA J. TOJO. Prediccin del equilibrio
lquido-vapor: sistemas alcohol-agua. Revista
Afinidad XLV, 413, Enero-Febrero, 1988.
[2] ACEDO SNCHEZ, JOS. Presin flotante en
columnas de destilacin. Revista Ingeniera
Qumica. Marzo 1989. Pgs.187-194.

[3] Bequette B.W. (1991) Nonlinear Control of
Chemical Processes: A Review. Ind. Eng. Chem.
Res., 30, 1391-1413.

[4] Chen H. , Allgower F. (1998) A quasi-infinite
horizon non-linear model predcitive control
scheme with guaranteed stability. Automatica
1998

[5] De Keyser, R.M.C. (1998) A gentle introduction
to model based predictive control. EC-PADI2
International Conference on Control
Engineering and Signal Processing. Lima, Per,
Plenary Paper.

[6] Henson M.A. (1998) Nonlinear model predictive
control: current status and future directions.
Computers and Chemical Engineering, 23, 187-
202.

[7] J. Gmehling - U. Onken. "Vapor-Liquid
Equilibrium Data Colletion". Ed. Dechema.
Chemistry Data Series

[8] Morari M. and J. H. Lee (1999). Model
predictive control: past, present and future.
Computers and Chemical Engineering, 23, 667-
682.