Zumoffenygaretto 2002

Universidad Nacional de Rosario
Facultad de Ciencias Exactas Ingeniera y Agrimensura

Escuela de Ingeniera Electrnica
Proyecto de Ingeniera
Desarrollo de un soft-sensor para estimar la

evolucin temporal de composiciones de sistemas
discontinuos y su implementacin en lazos de
control ptimo.
Autores:
GARETTO, FERNANDO DARO G-2529/1
ZUMOFFEN, DAVID ALEJANDRO Z-0402/2
Director:
Dra. MARTA BASUALDO
Diciembre de 2002
Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

sistemas discontinuos y su implementacin en lazos de control ptimo.
RESUMEN
Este proyecto describe el desarrollo de un soft-sensor para estimar composiciones
instantneas de la corriente de salida de una columna de destilacin batch (discontinua).
El objetivo de este inferenciador es su empleo en tcnicas de control convencional para
el seguimiento de una trayectoria ptima obtenida previamente. El desarrollo del softsensor est basado en una tcnica de identificacin de sistemas no lineales que conduce
a un modelo denominado Hammerstein .
La columna de destilacin batch ternaria ha sido modelada en forma rigurosa mediante
el software Hysys Plant de Hyprotech-Aspen y su verificacin se realiza mediante los
datos reales de laboratorio extrados de la literatura especializada. Esto d como
resultado un modelo riguroso confiable.
Las plantas de destilacin tipo batch presentan un real desafo para implementar
estrategias de control ya que las variables a controlar trabajan en estado transiente
permanentemente.
El lazo de control que se aplica utiliza un PID diseado para seguir un setpoint variable
propuesto sobre la base de optimizar alguna de las condiciones de produccin del
sistema. El modelo del soft-sensor es diseado bajo el entorno de trabajo de Matlab
realizndose la comunicacin con la planta que est en el entorno de trabajo de Hysys
mediante una interfaz de comunicacin de ste que permite utilizar a Matlab como un
controlador ActiveX-Com para Hysys.
En el marco de la automatizacin global de planta el soft-sensor contribuye a estimar las
composiciones acumuladas en los tanques de forma de producir el cierre y apertura de
las vlvulas de los tanques que almacenan los productos y cortes intermedios de acuerdo
a las especificaciones del mercado.

AGRADECIMIENTOS
Nuestro agradecimiento va destinado a todas aquellas personas que posibilitaron este
trabajo, ya sea compaeros, profesores, familiares, amigos; ya que nos ofrecieron un
apoyo incondicional.
Queremos hacer una mencin especial a la Dra. Marta Basualdo por su gran dedicacin
y esfuerzo durante todo el desarrollo del proyecto, proporcionndonos material de
estudio e investigacin.
Tambin queremos agradecer a Juan Pablo Ruz, quien nos facilit la tarea de trabajar
con un software (HYSYS) completamente desconocido por nosotros.
Rosario, Diciembre de 2002

GARETTO, FERNANDO.
ZUMOFFEN, DAVID.

NDICE
CAPTULO 1.- INTRODUCCIN9
CAPTULO 2.- CONCEPTOS BSICOS DE LA DESTILACIN BATCH.11
2.1.- Generalidades.12
2.1.1.- Destilacin simple12
2.1.2.- El por qu de la destilacin batch.14
2.2.- Modos de operacin15
2.2.1.- Anlisis terico.15
2.2.2.- Reflujo constante..18
2.2.3.- Reflujo variable....19
2.2.4.- Reflujo ptimo..20
2.3.- Optimizacin...21
2.3.1.- Funciones objetivo...21
2.3.2.- Anlisis de los grados de libertad22
2.3.2.1.- Modo de reflujo constante.22
2.3.2.2.- Modo de reflujo variable...23
2.3.2.3.- Modo de reflujo ptimo.24
2.3.3.- Consideraciones de factibilidad25
2.3.4.- Solucin del problema..25
2.4.- Control ptimo26
2.4.1.- Control ptimo en la destilacin batch27
2.4.1.1.- Problema de mximo destilado.28
2.4.1.2.- Problema de mnimo tiempo de destilado.28
2.4.1.3.- Problema de mximo aprovechamiento28
2.4.2.- Tcnicas de solucin29
CAPTULO 3.- MODELADO RIGUROSO DE LA PLANTA EN ESTUDIO...30
3.1.- Caractersticas y esquema de la planta en el entorno de Hysys.31
3.2.- Obtencin de datos..32
3.2.1.- Simulacin de la planta con relacin de reflujo constante..32
3.2.2- Simulacin de la planta con relacin de reflujo variable.35
CAPTULO 4.- IDENTIFICACIN DE SISTEMAS37
4.1- Introduccin.38
4.2.- Definicin y aspectos de la identificacin..38
4.3.- Fases del proceso de identificacin....38
4.3.1.- Planificacin de experimentos y obtencin de datos...38
4.3.2.- Seleccin de la estructura de modelo...38
4.3.3.- Estimacin de parmetros39
4.3.4.-Validacin del modelo...39
4.4.- Identificacin de sistemas no lineales.39
4.4.1.- Introduccin.39
4.4.2.- Identificacin de modelos Hammerstein..40

4.4.3.- Resultados de la identificacin no lineal (soft-sensor)43

4.5.- Identificacin de sistemas lineales..46
4.5.1.- Mtodos de subespacio para identificacin de sistemas
dinmicos (4SID).46
4.5.1.1.- Introduccin...46
4.5.1.2.- Modelo en espacio de estados...46
4.5.1.3.- Conceptos y definiciones...46
4.5.1.4.- Mtodos 4SID basados en teora de realizaciones...48
4.5.2.- Resultados de la identificacin lineal (modelo RR-temperatura)49
CAPTULO 5.- IMPLEMENTACIN DEL MODELO
HAMMERSTEIN (temperatura-composicin)..53
5.1.- Introduccin ...54
5.2.- Implementacin del soft-sensor en la planta en estudio.54
5.2.1.-Operacin con RR constante.55
5.2.2.-Operacin con RR variable...55
5.3.- Aplicacin concreta del soft-sensor para la apertura y cierre de vlvulas56
CAPTULO 6.- IMPLEMENTACIN DEL SOFT-SENSOR EN LAZOS
DE CONTROL..59
6.1.-Control PID..60
6.1.1.-Estructura de la seal de control..60
6.1.2.-Ajuste ptimo del PID...61
6.1.2.1.- Funciones de optimizacin62
6.2.- Implementacin del PID y conexin con Hysys..68
6.2.1.- Prueba del control con trayectorias de setpoint arbitrarias68
6.2.1.1- Caso en que el setpoint es solo el cyclohexano..68
6.2.1.2- Caso en que el setpoint del cyclohexano luego conmuta
al del n-heptano..69
CAPTULO 7.- OPTIMIZACIN DE LA TRAYECTORIA
DE DESTILADO71
7.1.- Introduccin72
7.2.- Obtencin de la trayectoria ptima para mximo destilado...73
7.3.- Prueba de la planta a lazo abierto
(para la optimizacin del cyclohexano)..75
7.4.- Prueba de la planta a lazo cerrado 77
7.4.1.- Set point solo en el cyclohexano (cyclohexano ptimo)...77
7.4.2.- Setpoint en el cyclohexano pero ahora tambin se optimiz
el n-heptano.81
CAPTULO 8.- CONCLUSIONES..87
APENDICE89

NDICE DE FIGURAS
CAPTULO 2.- CONCEPTOS BSICOS DE LA DESTILACIN BATCH
FIGURA 2.1.FIGURA 2.2.FIGURA 2.3.FIGURA 2.4.FIGURA 2.5.FIGURA 2.6.FIGURA 2.7.-
Esquema general de la destilacin batch..12

Procesos de escenario simple y procesos multi-escenarios..13
Secuencias de columnas continuas14
Columna de destilacin batch multifraccin.15
Columna de destilacin batch con N platos (N escenarios)..16
Curva de equilibrio y ecuacin 2.3...17
Mtodo de McCabe-Thiele para operacin con
reflujo constante18
FIGURA 2.8.- Mtodo de McCabe-Thiele para operacin con
reflujo variable..19
FIGURA 2.9- Mtodo de McCabe-Thiele para operacin con
reflujo ptimo20
FIGURA 2.10.- Esquema general de optimizacin26
CAPTULO 3.- MODELO RIGUROSO DE LA PLANTA EN ESTUDIO
FIGURA 3.1.- Esquema de la planta en hysys..31
FIGURA 3.2.- Composiciones reales de la planta de laboratorio
(lneas en color) y composiciones simuladas con
el modelo riguroso de Hysys..32
FIGURA 3.3.- Temperatura de los platos para RR=1.5...33
FIGURA 3.4.- Temperatura de los platos para RR=4.5...33
FIGURA 3.5.- Composiciones de destilado para RR=1.534
FIGURA 3.6.- Composiciones de destilado para RR=4.534
FIGURA 3.7.- Temperatura de los platos para RR variable35
FIGURA 3.8.- Composiciones de destilado para RR variable.35
FIGURA 3.9.- Relacin de reflujo aleatoria.36
CAPTULO 4.- IDENTIFICACIN DE SISTEMAS.
FIGURA 4.1.FIGURA 4.2.FIGURA 4.3.FIGURA 4.4.FIGURA 4.5.FIGURA 4.6.FIGURA 4.7.FIGURA 4.8.-
Esquema del modelo Hammerstein...40

Estimacin del cyclohexano..43
Estimacin del n_heptano.44
Estimacin del tolueno..44
Validacin de las composiciones...45
Datos experimentales entrada salida50
Estimacin de la temperatura del plato 1.51
Validacin de la temperatura del plato 1..52
CAPTULO 5.- IMPLEMENTACIN DEL MODELO

HAMMERSTEIN (temperatura-composicin)
FIGURA 5.1.- Prueba del inferenciador con relacin de reflujo
constante RR=1..55
FIGURA 5.2.- Prueba del inferenciador con relacin de reflujo
variable RR=RR3..56

FIGURA 5.3.- Prueba del inferenciador en el control de vlvulas de

los tanques para X1prom=0.9 y X2=0.35 y RR=2.5.57
FIGURA 5.4.- Nivel de lquido en los tanques de almacenamiento.58
FIGURA 5.5.- Composiciones acumuladas promedio medidas por Hysys ...58
.
.
CAPTULO 6.- IMPLEMENTACIN DEL SOFT-SENSOR EN
LAZOS DE CONTROL.
FIGURA 6.1.- Esquema general de control...60
FIGURA 6.2.- Modelo sencillo de la planta...61
FIGURA 6.3.- Esquema utilizado para la optimizacin62
FIGURA 6.4.- Comparacin del control para diferentes parmetros
ptimos del PID..67
FIGURA 6.5.- Seal de control para diferentes parmetros ptimos del PID..67
FIGURA 6.6.- Destilados reales, inferidos y setpoint para el caso RR3
(el cyclohexano es el setpoint)68
FIGURA 6.7.- Variable manipulada para caso RR3
(el cyclohexano es el setpoint).69
FIGURA 6.8.- Destilados reales, inferidos y setpoint (caso en que
se cambia el setpoint)69
FIGURA 6.9.- Variable manipulada para el caso de conmutacin del setpoint...70
CAPTULO 7.- OPTIMIZACIN DE LA TRAYECTORIA DE DESTILADO
FIGURA 7.1.- Trayectorias para optimizacin del cyclohexano..75
FIGURA 7.2.- Variable manipulada optimizada para la trayectoria del
Cyclohexano...75
FIGURA 7.3.- Respuesta de la planta a lazo abierto a la relacin de
reflujo ptima76
FIGURA 7.4.- Composicin promedio final a lazo abierto en el
tanque del cyclohexano.76
FIGURA 7.5.- Respuesta de la planta a lazo cerrado con cyclohexano
optimizado como setpoint..78
FIGURA 7.6.- Variable manipulada real para el cyclohexano como setpoint.78
FIGURA 7.7.- Nivel de liquido en los tanques..79
FIGURA 7.8.- Composicin promedio acumulada en el tanque de tolueno.79
FIGURA 7.9.- Composicin promedio acumulada en el tanque de n-heptano80
FIGURA 7.10.- Composicin acumulada promedio en el tanque de cyclohexano80
FIGURA 7.11.- Nueva disposicin de la planta para acumular dos
cortes intermedios.81
FIGURA 7.12.- Trayectorias optimizadas del cyclohexano y del n-heptano.82
FIGURA 7.13.- Relacin de reflujo ptima tanto para el cyclohexano como
para el n-heptano..82
FIGURA 7.14.- Respuesta de la planta en lazo cerrado con el cyclohexano
como setpoint83
FIGURA 7.15.- Variable manipulada real para el caso de cyclohexano y
n-heptano ptimos83
FIGURA 7.16.- Composicin promedio en el tanque1(cyclohexano)...84
FIGURA 7.17.- Composicin promedio en el tanque3 (n-heptano)..84

FIGURA 7.18.- Composicin promedio en el reboiler (tolueno)..85

FIGURA 7.19.- Composicin promedio en el tanque 2
(primer corte intermedio).85
FIGURA 7.20.- Composicin promedio en el tanque 4
(segundo corte intermedio)...86
NDICE DE TABLAS
CAPTULO 2.- CONCEPTOS BSICOS DE LA DESTILACIN BATCH
TABLA 2.1.- Grados de libertad para reflujo constante...22
TABLA 2.2.- Grados de libertad para reflujo variable.23
TABLA 2.3.- Grados de libertad para reflujo ptimo...24
TABLA 2.4.- Lmites en los modos de operacin..25
CAPTULO 6.- IMPLEMENTACIN DEL SOFT-SENSOR EN
LAZOS DE CONTROL.
TABLA 6.1.- Parmetros optimizados del PID y errores de seguimiento66
CAPTULO 7.- OPTIMIZACIN DE LA TRAYECTORIA DE
DESTILADO.
TABLA 7.1.- Comparacin entre resultados tericos y reales..86

CAPTULO 1
INTRODUCCIN

10
En los aos recientes, el inters industrial en destilacin batch se ha incrementado

significativamente debido a la necesidad de obtener productos de alto valor agregado y
bajo volumen; tales como la industria farmacutica, cosmtica, alimenticia, en la
obtencin de aceites esenciales, etc.
Conseguir productos de alta calidad y mejorar la performance de operaciones batch
requiere el uso de modelos de proceso exactos que permitan la implementacin de
metodologas de control modernas.
La obtencin de modelos exactos de procesos batch es un problema muy dificultoso por
varias razones.
En primer lugar, la informacin de la calidad del producto y performance del proceso es
frecuentemente retardada hasta que se complete un batch.
En segundo lugar , las mediciones claves tales como las composiciones son
generalmente escasas y retardadas, haciendo dificultosa la obtencin de modelos
adecuados a partir de datos experimentales a travs de mtodos de identificacin
standard.
Por otra parte, los modelos de procesos obtenidos usando primeros principios son en
general muy complejos para la aplicacin de metodologas de diseo de control
avanzadas basadas en modelos.
A pesar de estas dificultades, la mayor parte de la literatura en control de procesos batch
se enfoc en el desarrollo de mtodos de diseo de control basados en modelos que
cuentan con la suposicin de que los modelos adecuados del sistema estn disponibles,
mientras significativamente menor atencin se ha puesto en el problema de cmo estos
modelos han sido obtenidos desde datos experimentales, esto es asunto de la
identificacin de procesos de destilacin batch.
Este trabajo est organizado de la siguiente manera; en el captulo 2 brindamos una
introduccin a la destilacin batch, en el captulo presentamos la planta en estudio, en el
captulo 4 revisamos los mtodos de identificacin y desarrollamos un modelo lineal, en
el captulo 5 presentamos el desarrollo del soft-sensor, en el captulo 6 realizamos el
ajuste del PID y en el captulo 7 optimizamos perfiles de destilado e implementamos el
control.

CAPTULO 2
CONCEPTOS BSICOS
DE LA DESTILACIN
BATCH
11

12
2.1.- INTRODUCCIN
La destilacin es el proceso ms antiguo y ms ampliamente usado de separacin en la
industria.
Esquemticamente y como diagrama inicial podemos plantear:
Figura 2-1: Esquema general de la destilacin

batch
Vemos que el fondo de la columna ha sido alimentado con una mixtura de componentes
que se irn evaporando, y recorrern la columna hacia el condensador.
El vapor en cada instante, ser rico en el componente ms voltil de la mixtura; as con
el paso del tiempo obtendremos la evaporacin de todos los componentes de la mixtura.
( Primero el ms voltil y por ltimo el menos voltil ).
Introduciendo luego el concepto de reflujo as como el uso de platos para incrementar la
transferencia de masa; convertimos este simple esquema en una columna de destilacin
batch.
La destilacin batch es usada generalmente en pequeas y medianas industrias; en
contraposicin con la destilacin continua, que es ampliamente utilizada en grandes
industrias donde se manejan grandes volmenes de produccin. El inters reciente en la
produccin de qumicos de bajo volumen y alto valor agregado han renovado el inters
de la destilacin batch.
La teora de la destilacin batch se sustenta, sobre los trabajos tericos sobre destilacin
simple efectuados por Lord Rayleigh alrededor de 1902.
2.1.1- Destilacin simple
La destilacin simple, tambin llamada destilacin diferencial es el ejemplo ms bsico
de la destilacin batch. En este proceso el vapor es removido desde el fondo en cada
intervalo de tiempo y es condensado en el condensador. El vapor es rico en el
componente ms voltil y el lquido queda en el fondo.
A medida que transcurre el tiempo, el lquido en el fondo se hace menos rico en la
composicin del elemento ms voltil y el destilado en el condensador progresivamente
se enriquecer en dicho componente.

13
Siendo F (moles) la alimentacin binaria inicial que est en el fondo, XF (fraccin

de mol) la composicin del componente A en la alimentacin, B el nmero de
moles de material remanente en el fondo y XD la fraccin de mol del componente A
en el vapor dB producido en el intervalo infinitesimal dt; podemos escribir el
balance de materia diferencial, para el componente A:
X D .dB = d ( B. X B ) = B.dX B + X B .dB
( X D X B ).dB = B.dX B
B
dX B
dB
=
B (X D X B )
B
dX B
dB
=
F B X ( X D X B )
F
Entonces:
X
B
dX B
B
ln ( ) =
F XF (X D X B )
En el proceso de destilacin se asume que en un perodo corto de tiempo, el vapor

formado est en equilibrio termodinmico con el lquido. Entonces la composicin de
vapor XD est relacionada con la composicin de lquido XB por una relacin de
equilibrio, de la forma XD = f (XB).
La relacin exacta para una mixtura particular puede ser obtenida por un anlisis
termodinmico.
La destilacin simple, que histricamente representa el comienzo de los procesos de
destilacin, todava tiene aplicacin en laboratorios; cuando no son requeridas altas
purezas o cuando la mixtura es fcilmente separable.
Podemos ver a la destilacin simple como un estado de equilibrio donde el lquido y el
vapor estn en contacto mutuamente y la transferencia toma lugar entre las dos fases.
Figura 2-2: Procesos de escenario simple y procesos multi-escenarios

14
Donde:
Y = composicin de vapor
X = composicin de lquido
Si N de tales estados son apilados uno por encima de otro y se les permite que tengan
vaporizacin y condensacin sucesiva, esto da como resultado un enriquecimiento del
vapor y un empobrecimiento del lquido, en trminos del componente ms voltil, en el
condensador y en el reboiler respectivamente.
El vapor asciende hacia lo alto de la columna y el lquido desde el condensador es
reinyectado hacia abajo; el contacto entre las fases lquido y vapor es establecido a
travs de contactos llamados platos.
Entonces es fcil expresar la operacin de la columna en trminos de escenarios de
equilibrio termodinmico donde dichos escenarios representan el nmero terico de
platos de la columna. De todas formas el anlisis lleva consigo un nmero de
restricciones o condiciones que veremos oportunamente.
2.1.2.- El por qu de la destilacin batch
La destilacin batch es muy importante en escala de produccin pequea donde es
necesario separar pequeas cantidades de productos que poseen gran valor agregado.
La caracterstica ms destacada de la destilacin batch es la flexibilidad; permitiendo
manejar varias mixturas cambiando las condiciones de operacin de la columna.
La destilacin batch requiere la menor cantidad de capital para separar componentes
relativamente puros; la destilacin continua generalmente requiere una columna
separada para cada componente.
Por ejemplo podemos graficar los sistemas de separacin de benceno-tolueno-xyleno;
tanto para destilacin continua como para destilacin batch.
Figura 2-3: Secuencia de columnas continuas

15
Figura 2-4: Columna de destilacin batch

multifraccin
Es propuesto que para separar n componentes puros; podemos necesitar n-1
columnas de destilacin continuas ( Nishimura y Hiraizumi, 1971).
La viabilidad de una dada separacin, usando una columna continua puede ser evaluada
en trmino del mnimo nmero de platos Nmn y la mnima relacin de reflujo Rmn. El
mnimo nmero de platos es definido como el nmero de escenarios de equilibro
requerido para una separacin dada, bajo condicin de reflujo total (relacin de reflujo
infinito; donde la relacin de reflujo es definida como la relacin entre la tasa de reflujo
L
de lquido en lo alto y la tasa de producto en el condensador, R =
).
dD / dt
2.2- MODOS DE OPERACIN DE LA COLUMNA DE DESTILACIN BATCH
2.2.1- Anlisis terico
La columna consta de platos perforados que permite fluir el vapor hacia lo alto y el
lquido es reinyectado desde lo alto a travs de cada plato.
Aqu se ignora el holdup de vapor y lquido en cada plato y en el condensador. Bajo esta
simplificacin de despreciable holdup el balance sobre todo el material y el balance de
materia para el componente ms voltil a lo largo de toda la columna podemos
expresarlo como sigue:
x D .dB = d ( B.x B ) = B.dx B + x B .dB
B
dB B dx B
B
F B = x x D x B = ln F
F

16
Figura 2-5: Columna de destilacin batch con

N platos(N escenarios)
En la ecuacin B es la cantidad remanente en el fondo, F es la alimentacin inicial, xD
es la composicin instantnea de destilado y xB es la composicin en el fondo del
componente ms voltil.
Relacin funcional entre xD y xB.
Para la columna considerada aqu (figura anterior) la relacin requiere el clculo de
balance del material y el balance de energa a travs de cada plato.
Los platos son numerados desde el condensador hacia el fondo de la columna.
En el plato j-simo tenemos cuatro flujos en juego, el flujo de lquido Lj-1 y el flujo de
vapor Vj+1 que son entrantes y por otro lado el flujo de lquido Lj y de vapor Vj que
salen del plato. Si denotamos con x e y a la composicin de lquido y vapor
respectivamente y con I y J llamamos a la entalpa de lquido y vapor respectivamente,
podemos expresar:
Balance de material:
L j 1 + V j +1 = L j + V j
L j 1 .x j 1 + V j +1 . y j +1 = L j .x j + V j . y j
Balance de energa:
L j 1 .I j 1 + V j +1 .J j +1 = L j .I j + V j .J j + prdidas + H mix

17
Donde Hmix = calor de la mezcla.

Si asumimos que el calor latente molar de vaporizacin es constante (Jj+1=Jj) y el
sistema se asume ideal (Hmix = 0, prdidas = 0) entonces el balance de energa se reduce
a:
L j 1 = L j = L
V j +1 = V j = V
Que es la suposicin de sobreflujo equimolar.

Esta suposicin permite extender el popular mtodo grfico de McCabe y Thiele para
destilacin continua a destilacin batch.
Entonces el balance de material desde el plato j-simo hasta el tope de la columna es:
V =L+
dD dD
=
.(R + 1)
dt
dt
(2.1)
Donde L es el lquido reinyectado desde le condensador, R representa la relacin de

reflujo y la dD/dt es la tasa de destilado.
El balance de material para el componente ms voltil considerado la misma seccin de
la columna es:
yj =
L
dD / dt
.x j 1 +
.x D
V
V
(2.2)
Sustituyendo (2.1) en (2.2) tenemos:

yj =
R
1
.x j 1 +
.x D
R +1
R +1
(2.3)
Representando la ecuacin anterior en el mismo grfico que la curva de equilibrio

tenemos:
Figura 2-6: Curva de equilibrio y

Ecuacin 2-3

18
Entonces se comienza trazando una horizontal desde A hasta cortar la curva de

operacin en el punto 1, luego se traza una vertical hasta cortar la lnea de operacin en
2, procediendo as podemos encontrar la composicin del fondo xB.
Este procedimiento relaciona la composicin de destilado con la composicin de fondo
a travs de un nmero de escenarios.
Se debe tener en cuenta que xB no se mantiene constante como ocurra en la destilacin
continua.
2.2.2.- Reflujo constante
Uno de los primeros anlisis de la operacin de la destilacin batch a reflujo constante
fue presentado por por Smoker y Rose (1940). Ellos usaron la ecuacin de Rayleigh en
conjuncin con el mtodo de McCabe-Thiele para capturar la dinmica de la columna
de destilacin batch.
Entonces varios valores de xD son seleccionados y son dibujadas las lneas de operacin
con igual pendiente R/(R+1) desde la interseccin con la diagonal.
Figura 2-7: Mtodo de McCabe-Thiele para

operacin con reflujo constante
El proceso es detenido cuando se cumple algn criterio tomado, como puede ser
composicin de destilado deseada promedio en el condensador o fin de la fraccin en la
composicin de fondo, etc. As como tambin podemos tomar como criterio de
deteccin el tiempo total de destilacin.
Smoker y Rose presentan el mtodo de clculo en forma independiente del tiempo. El
tiempo puede ser introducido a travs de la tasa de vapor V.
Del balance de material podemos ver que la tasa de decrecimiento de la cantidad del
fondo es igual a la tasa de destilado, entonces:

19
dB
dD
dB
V
=
=
dt
dt
dt
R +1
Integrando:
T
dt =
0
R +1
dB
V
T=
R +1
.D
V
2.2.3.- Reflujo variable

En la operacin con reflujo variable dicho reflujo se modifica de forma de mantener la
composicin del componente clave constante. En 1937 Bogart present un anlisis de
un sistema binario bajo condiciones de reflujo variable.
Los pasos que involucra el clculo son similares al caso anterior y la ecuacin de
Rayleigh para este caso toma a forma:
x
B
dx B
B
ln =
F xF x D x B
Entonces como la composicin de destilado se mantiene constante la integral toma la

forma:
B xD xF
=
F xD xB
El segundo paso es establecer la relacin entre R y xB. Varios valores de R son
seleccionados y las lneas de operacin son dibujadas desde el punto fijo (xD,xD) con
una pendiente igual a R/(R+1). Luego se trazan los pasos entre la lnea de operacin y la
curva de equilibrio.
Figura 2-8: Mtodo de McCabe-Thiele para operacin con reflujo variable

20
El criterio de detencin para esta caso puede ser, el fin de la composicin de fondo,
cantidad de producto recogido desde le condensador o el reboiler, o tiempo de
destilacin.
El tiempo de destilacin puede ser incluido siguiendo los mismos pasos del caso
anterior obteniendo ahora la siguiente expresin de T:
F
T =
B
R + 1 F (x D x F )
.
dB
V
( x D x B )2
2.2.4.- Reflujo ptimo

Aplicando cualquiera de los mtodo anteriores para idnticas condiciones iniciales y
requerimientos de pureza el tiempo de batch diferir segn el caso.
Ahora podemos considerar un tercer modo de operacin donde ni el reflujo ni la
composicin del producto se mantienen constantes.
Por ejemplo si partimos de que tenemos el siguiente perfil de composiciones:
xD = xD1 xD2 ..xDN
R= R1 R2 RN
Existe una correspondencia xD1-R1, xD2-R2 , entonces para cada par de valores se
dibujan las lneas de operacin con pendiente R/(R+1) y partiendo desde el punto
(xD,xD); usando entonces el mtodo grfico podemos calcular xB.
Figura 2-9: Mtodo de McCabe-Thiele para

operacin con reflujo ptimo
Entonces el lado derecho de la ecuacin de Rayleigh es obtenido como el rea bajo la
curva y se puede demostrar que es igual a ln (B/F), entonces la cantidad total de

21
destilado obtenido por este mtodo dado por F.(1-B/F) es igual al obtenido por los dos
mtodos anteriores.
Recurriendo al bsico balance de masas podemos obtener la composicin promedio de
destilado:
F .x F B.x B
D
0
Que puede demostrarse que es idntico al que se puede obtener para los dos casos
anteriores.
Ahora el tiempo requerido para esta operacin se deriva de las ecuaciones bsicas de
balance de material y de la ecuacin de Rayleigh quedando la expresin de T como:
D
x Dav . dD = F .x F B.x B
T=
xF
B.
xB
x Dav =
( R + 1)
1
.
dB
(x D x B )
V
Segn sea el perfil de reflujo puede que el tiempo requerido sea menor que para los dos
mtodos anteriores, obteniendo la misma cantidad de producto con igual pureza.
Este mtodo fue obtenido por Coward (1967) y se especifica con el nombre de poltica
ptima.
La poltica de reflujo ptimo es esencialmente un compromiso entre los dos modos
bsicos de operacin (reflujo constante y variable) y est basado en la habilidad para
obtener el mayor provecho de operacin.
El clculo de esta poltica es un problema dificultoso y se basa en la teora de control
ptimo. Existen varias polticas de reflujo ptimo que dependiendo de los ndices de
performance elegidos como objetivo se pueden clasificar en:
1) Mnimo tiempo de destilado.
2) Mxima cantidad de destilado.
3) Mximo aprovechamiento.
Ms adelante se estudiar el control ptimo en detalle.
2.3.- OPTIMIZACIN
Como la destilacin batch es una operacin muy flexible y posee muchas formas para
ser operada, es dificultoso el anlisis de todas las posibles combinaciones de uso.
Dependiendo entonces de los objetivos deseados podemos obtener como fin maximizar
destilado, minimizar el tiempo de destilacin maximizar el aprovechamiento teniendo
en cuenta los costos de operacin.
2.3.1.- Funciones objetivo
Beightler, Philips y Wilde(1967) describen la optimizacin como un proceso de tres
pasos, donde el primero es el conocimiento del sistema y modelar este proceso; el
segundo paso involucra buscar una medida de la efectividad del modelo y el tercero es
incluir la teora de optimizacin, la cual comienza con un anlisis de grados de libertad
y la aplicacin de un adecuado algoritmo de optimizacin para encontrar la solucin.
En trabajos realizados anteriormente sobre destilacin batch , las funciones objetivo
consideradas eran:

22
Maximizar los perfiles de separacin(Houtman-Husain-1956)

Maximizar el factor de capacidad para relacin de reflujo constante(Luyben1971)
Maximizar el aprovechamiento para relacin de reflujo variable(RobinsonGoldman-1969)
2.3.2.- Anlisis de los grados de libertad
El anlisis de los grados de libertad provee el numero de variables de decisin, que uno
puede modificar para obtener un diseo ptimo y esto es crucial en la optimizacin
numrica.
El anlisis se realizara usando las ecuaciones del mtodo de corte corto, el mismo
anlisis puede aplicarse al modelo riguroso.
2.3.2.1- Modo de reflujo constante
Se presenta aqu el anlisis de grados de libertad para el modo de operacin con reflujo
constante , basado en el mtodo de corte corto.
Tabla 2-1: Grados de libertad para reflujo constante

2.3.2.2- Modo de reflujo variable
Tabla 2-2: Grados de libertad para reflujo variable
23

24
2.3.2.3- Modo de reflujo ptimo

Este tipo de operacin ofrece mucho mas flexibilidad que los dos modos anteriores y
entonces los grados de libertad se incrementan. Esto puede ser visto ya que en cada paso
de integracin tenemos un grado de libertad adiciona, que puede ser atribuido al calculo
de la relacin de reflujo para cada paso.
Tabla 2-3: Grados de libertad para reflujo ptimo

25
2.3.3.- Consideraciones de factibilidad

Para mantener la factibilidad del diseo, deben imponerse lmites en las variables de
decisin, especialmente para las variables tales como, el numero de platos N y la
relacin de reflujo R.El mtodo de corte corto ayuda a identificar estos lmites en los
parmetros de diseo.
Los lmites en los parmetros dependen de los modos de operacin. Para la operacin de
la columna con reflujo constante, reflujo variable y reflujo ptimo; las regiones de
operacin han sido identificadas usando el mtodo de corte corto (Diwekar et al;1989;
Diwekar;1992).
Las siguientes consideraciones de factibilidad son aplicables a modelos con cero
holdup y pueden ser aplicadas con algunas modificaciones a modelos con efectos de
holdup.
Todos los lmites para los tres modos de operacin de la columna basados en el mtodo
de corte corto son representados en la siguiente tabla:
Tabla 2-4: Limites en los modos de operacin

2.3.4.- Solucin del problema
Los problemas de optimizacin en el diseo de destilacin batch, involucra, hacer
decisiones escalares sujetas a las ecuaciones del modelo y restringidas a las
especificaciones del producto. Como las ecuaciones son complicadas tendremos que
recurrir a tcnicas de integracin numrica que esencialmente involucren soluciones de
ecuaciones algebraicas no lineales en cada instante de muestreo.
La naturaleza no lineal de las funciones objetivo y las ecuaciones del modelo fuerzan a
llamar a estas tcnicas Tcnicas de optimizacin de programacin no lineal .
En general el problema de optimizacin no lineal (NLP) puede representarse como
sigue:
optimizar (Z = z ( x))
sujeto a : h( x) = 0, g ( x) 0
La finalidad del problema de optimizacin es encontrar las variables de decisin x

que optimizan algn aspecto del modelo, representado por la funcin objetivo Z,

26
mientras aseguramos que el modelo opera dentro de los lmites establecidos por h y
g.
Esquemticamente es:
Figura 2-10: Esquema general de optimizacin

El optimizador invoca a el modelo con el conjunto de variables de decisin, el modelo
simula el fenmeno, calcula la funcin objetivo y las restricciones; esta informacin es
usada por el optimizador para calcular un nuevo conjunto de variables de decisin. Esta
secuencia continua mientras el criterio de optimizacin no sea satisfecho.
Recientes avances en tcnicas de optimizacin no lineal forzada proveen las mejores
elecciones para resolver problemas NLP a gran escala.
Los mtodos mas populares son:
Gradiente generalizado reducido (GRG)
Programacin cuadrtica secuencial (SQP)
Y sus variantes.
Las versiones GRG mas usadas son GRG2 y MINOS (Gill et al 1981).
En el mtodo SQP, en cada paso de integracin el problema es aproximado como un
programa cuadrtico, donde la funcin objetivo es cuadrtica y las condiciones lineales.
La ventaja de la funcin objetivo cuadrtica es explotada para resolver el problema mas
eficientemente.
2.4.- PROBLEMAS DE CONTROL PTIMO
En general el control refiere a un sistema a lazo cerrado donde el punto de operacin
deseado es comparado con el punto de operacin actual y la diferencia es realimentada
al sistema para llevar el punto de operacin actual hacia el deseado.
El propsito de disear un sistema con control a lazo cerrado es disminuir la
sensibilidad de la planta a perturbaciones externas.

27
Los problemas de control ptimo que aqu se analizaran requieren establecer un ndice
de performance para el sistema y disear el sistema para que optimice este ndice
elegido.
El uso de la funcin de control, aqu provee un control a lazo abierto; entonces las
variables son temporalmente dependientes, este tipo de problema de control es llamado
como un problema de control ptimo.
La dinmica de estas variables de decisin hacen dificultosa la resolucin de estos
problemas respecto a la optimizacin normal, donde las variables de decisin son
escalares.
En general tcnicas matemticas son usadas para resolver problemas de control ptimo,
las cuales involucran clculos de variaciones, programacin dinmica, principio
mximo y programacin no lineal (NLP) .
Los primeros tres mtodos tratan las variables de decisin como vectores, mientras que
NLP aproxima las variables para ser transformadas en escalares.
La eleccin de la mejor tcnica de optimizacin es totalmente dependiente del problema
a resolver.
2.4.1.-Control ptimo en la destilacin batch
Los problemas de control ptimo pueden ser clasificados de la siguiente forma:
Problema de mximo destilado: Aqu la cantidad de destilado de una
especificada concentracin, para un especificado tiempo es maximizada.
Problema de mnimo tiempo: Aqu se minimiza el tiempo necesario para
producir una cantidad de destilado dada, de una concentracin especificada.
Problema de mximo aprovechamiento: Donde es maximizada la funcin
aprovechamiento para una especificada concentracin.
Recordando que el balance diferencial de material era:
dxt1 dBt
V
=
=
; x10 = B0 = F
dt
dt
Rt + 1
Donde F es la carga inicial para t=0.
Recordando tambin el balance de material para el componente 1 sobre un tiempo
diferencial dt es:
dxt2
( x 1B x 1D )
V
=
.
; x 02 = x 1F
dt
( Rt + 1)
Bt
Donde es:
xt1 = var iable de estado que representa la cantidad de c arg a remanente en el fondo
xt2 = var iable de estado que representa la composicion del elemento clave en el fondo
Rt = var iable de control , relacin de reflujo
V = flujo de vapor
x1D = composicin de destilado para el componente clave
t = tiempo de batch

28
Las dems variables de estado se asumen en estado cuasi-estacionario, esta

aproximacin reduce dimensionalmente el problema. Especialmente si uno va a aplicar
tcnicas de control ptimo como principio mximo, programacin dinmica clculos
de variaciones ya que el numero de variables adicionales y ecuaciones adicionales
requeridas para estas tcnicas no se incrementa con el numero de componentes.
2.4.1.1-Problema de mximo destilado
El problema de mximo destilado puede ser presentado como sigue:
T
T
V
dD
=
=
dt
dt
j
.
.
max imizar
R
+
1
dt
Rt
t
0
0
Sujeto a la siguiente condicin de pureza:

T
x Dav =
V
.x D(1) .dt
t +1
R
0
V
.dt
+
1
t
= x*
R
0
2.4.1.2.- Problema de mnimo tiempo de destilado

Definiendo una variable adicional t*, como tercer variable de estado y definiendo
adems:
dxt3 dt *
=
= 1 ; t 0* = 0
dt
dt
El problema de mnimo tiempo puede escribirse como:
T dt *
.dt
j
=
min imizar
0 dt
Rt
Sujeto a la misma condicin de pureza que para el caso anterior.

2.4.1.3.- Problema de mximo aprovechamiento
Segn la funcin de aprovechamiento usada podemos definir, entre otras, las siguientes
versiones del problema:
KERKHOF Y VISSERS (1978)
D.Pr Bo C o
T + ts
Rt ,T
Sujeto a la misma condicin de pureza que para los casos anteriores.

Donde es:
D = Cantidad De producto destilado(mol)
max imizar j =

29
Pr = Valor del producto para la venta($/mol)

Bo = Cantidad de la alimentacin F(mol)
Co = Costo de la alimentacin($/mol)
T = Tiempo de batch(hr.)
Ts = Tiempo de establecimiento para cada batch(hr.)
DIWEKAR et al (1989)
max imizar j =
Rt , N ,T ,V
24.(365).D.Pr C1 .V .N C 2 .V 24.(365).C 3 .V .T
T + ts
Ga
Gb
T + ts
Donde C1, C2 y C3 son coeficientes de costos, Ga es la velocidad de vapor

Permitida y Gb es la capacidad de manejo de vapor del equipo.
2.4.2.-Tcnicas de solucin
La optimizacin involucra modelos en ecuaciones algebraicas y ecuaciones
diferenciales. La mayora de la literatura en esta rea se concentra en usar la
aproximacin por colocacin (Cuthrell and Biegler 1987, Logsdon1990) aproximando
el perfil de control por polinomios (Akgiray and Heydeweiller 1990, Farhat 1990,
Mujtaba and Machietto 1988) y aplicar NLP para resolver el problema.
Para modelos no lineales, la combinacin de tcnicas de colocacin y optimizacin no
lineales incrementan las no linealidades en el sistema , as se incrementa la posibilidad
de mltiples soluciones y se requerir una buena inicializacin; por otro lado el metodo
de aproximacin por polinomios depende de la correcta eleccin del orden y tipo del
polinomio.
Diwekar (1992) propuso usar una combinacin de el principio mximo y NLP para
resolver el problema de optimizacin en destilacin batch.
Un problema de optimizacin algebraico diferencial en general puede escribirse como:
optimizar J =
t ,
j ( xt ) + k ( xt , t , )dt
0
Sujeto a:
dxt
= f ( xt , t , )
dt
h( xt , t , ) = 0
g ( xt , t , ) 0
x0 = xinicial
( L) t (U )
( L) (U )
Donde J es la funcin objetivo, xt es el vector de estados, t es el vector de control y
es el vector de variables escalares. ( L) y (U ) son los lmites inferior y superior
respectivamente.
El captulo 2 fue enteramente desarrollado basndose en [3].

30
CAPTULO 3
MODELADO RIGUROSO
DE LA PLANTA EN
ESTUDIO

31
3.1.- CARACTERSTICAS Y ESQUEMA DE LA PLANTA EN EL ENTORNO

DE HYSYS
La planta piloto cuyos datos fueron tomados de (Nad y Spiegel, 1987) es descripta
brevemente aqu.
La columna de destilacin posee un dimetro interior de 162mm con un empaque
estructurado Sulzer Mellapack 250 Y. La altura de empaque instalada fue de 8m. El
sistema involucra una mezcla ternaria de cyclohaexano, n-heptano y tolueno. La
columna en su totalidad, incluyendo reboiler y condensador, posee 20 platos tericos.
La carga inicial es 40.07% de ciclohexano, 39.40% de n-heptano y 19.90% de tolueno.
La siguiente figura muestra un bosquejo de la planta en el entorno de Hysys:
Figura 3.1: Esquema de la planta en Hysys

32
A continuacin veremos los datos experimentales de la planta real que se utilizaron para
ajustar el modelo riguroso que se dise en Hysys:
1.2
1
0.8
0.6
0.4
0.2
0
-0.2
5000
10000
15000
Figura 3-2:Composiciones reales de la planta de laboratorio (lneas en color)

y composiciones simuladas con el modelo riguroso de Hysys.
3.2.- OBTENCIN DE DATOS
La informacin utilizada para la identificacin es generada va simulacin de un modelo
riguroso de la columna basado en primeros principios, implementada con el paquete
comercial Hysys.
Los datos obtenidos desde Hysys fueron inicialmente almacenados en planillas de Excel
para luego ser pasadas a Matlab mediante el Excel link que el posee.
Tratando de captar la dinmica completa de la planta en estudio, realizamos varias
simulaciones en sus distintos modos de operacin tales como con relacin de reflujo
constante y relacin de reflujo variable. Mediante el anlisis de dichos datos, se tomar
la decisin sobre cual de todos ellos representa mejor la dinmica del sistema.
Inicialmente se pretende analizar el conjunto de datos formado por relacin de reflujo,
temperatura de los platos y las composiciones de destilado ( Cyclohexano, N-Heptano y
Tolueno).
3.2.1-Simulacin de la planta con relacin de reflujo constante
La planta se simul con relaciones de reflujo constante abarcando un rango desde 1.5 a
4.5. Slo presentaremos los casos para relaciones de reflujo de 1.5 y 4.5, ya que los
dems casos presentan comportamientos intermedios de stos dos.

33
TE MP ERA TURA DE LOS P LATOS 1(rojo) AL 18(verde)

P ARA RR=1.5
105
100
TEMPERATURA[c]
95
90
85
80
75
70
2000
4000
6000
8000
TIEM PO[s]
10000
12000
14000
16000
Figura 3.3: Temperatura de los platos para RR=1.5

TE M P E RA TURA DE LOS P LA TOS 1(rojo) A L 18(verde)
P A RA RR= 4.5
110
105
TE M P E RA TURA [c ]
100
95
90
85
80
75
70
0.5
1.5
TIE M P O[s ]
2.5
3
x 10
Figura 3.4: Temperatura de los platos para RR=4.5

Como vemos de estas grficas y de las siguientes, el comportamiento de la planta difiere
segn sea la relacin de reflujo utilizada; notndose estas diferencias por ejemplo en los
valores mximos que alcanzan las composiciones y en el tiempo en que lo hacen, los
valores mximos que alcanzan las temperaturas, etc..

34
COM P OS ICIONE S DE DE S TILA DO P A RA RR= 1.5

1
c y c lohex ano
n-heptano
tolueno
0.9
0.8
COM P OSICION
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
2000
4000
6000
8000
TIE M P O
10000
12000
14000
16000
Figura 3.5: Composiciones de destilado para RR=1.5

COM P OS ICIONE S DE DE S TILA DO P A RA RR= 4.5
1
0.9
0.8
COM P OS ICION
0.7
0.6
c y c lohex ano
n-heptano
tolueno
0.5
0.4
0.3
0.2
0.1
0
0.5
1.5
2.5
TIE M P O
3.5
x 10
Figura 3.6: Composiciones de destilado para RR=4.5

De stas ltimas dos grficas podemos apreciar que un aumento en la relacin de reflujo
trae aparejado un aumento del tiempo de destilacin as como tambin un incremento en
la pureza promedio del destilado.

35
3.2.2-Simulacin de la planta con relacin de reflujo variable

La idea aqu es alimentar la planta con una seal aleatoria en la relacin de reflujo. sta
seal estar limitada entre 0.5 y 3.5 en su amplitud. La relacin de reflujo se modifica
cada 15 minutos. Graficaremos las temperaturas de todos los platos, las composiciones
de destilado y la relacin de reflujo.
TE M P E RA TURA DE LOS P LA TOS 1(rojo) A L 18(verde)
P A RA RR= V A RIA B LE
105
100
TE NP E RA TURA [C]
95
90
85
80
75
70
0.2
0.4
0.6
0.8
1
TIE M P O[s ]
1.2
1.4
1.6
1.8
2
x 10
Figura 3.7: Temperatura de los platos para RR variable

COM P OS ICIONE S DE DE S TILA DO P A RA RR= V A RIA B LE
1
c y c lohex ano
n-heptano
tolueno
0.9
0.8
COM P OS ICION
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
1
TIE M P O
1.2
1.4
1.6
1.8
Figura 3.8: Composiciones de destilado para RR variable
2
x 10

36
RE LA CION DE RE FLUJO A LE A TORIA

3.5
RE LA CION DE RE FLUJO
2.5
1.5
0.5
0.2
0.4
0.6
0.8
1
TIE M P O
1.2
1.4
1.6
1.8
2
x 10
Figura 3.9: Relacin de reflujo aleatoria

Como podemos apreciar de las grficas de temperatura, la temperatura del plato nmero
1 es la que mejor reacciona ante los cambios en la relacin de reflujo. Por lo tanto
decidimos utilizar esta variable para identificar ya que es la que nos brinda mayor
informacin sobre la dinmica del sistema.

CAPTULO 4
IDENTIFICACIN DE
SISTEMAS
37

38
4.1.- INTRODUCCIN
En este captulo se desarrollarn las tcnicas de identificacin utilizadas para la
obtencin de un modelo no lineal del soft-sensor as como tambin para modelar,
mediante un comportamiento lineal, la relacin existente entre la relacin de reflujo y la
temperatura.
En la actualidad es dificultoso el conocimiento en forma instantnea de la composicin
de destilado ya que este procedimiento se realiza con un cromatgrafo en lnea, lo cual
implica un costo considerable o analizando muestras del producto. Estos procedimientos
involucran un perodo de tiempo que es inadmisible desde el punto de vista del control
ya que por ejemplo el cromatgrafo puede entregarnos mediciones de la composicin
cada media hora en el mejor de los casos. Todo lo dicho anteriormente justifica el
desarrollo de este soft-sensor basado en mediciones temperatura.
Para el desarrollo de este soft-sensor utilizamos un modelo no lineal denominado
Hammerstein que basa su inferencia en mediciones de temperatura de los platos de la
columna. El resultado final es una estimacin de la composicin en forma instantnea y
lograda de manera econmica (medicin de temperatura).
Tambin podemos decir que la obtencin de un modelo lineal relacin de reflujotemperatura tiene la finalidad de sumado al modelo Hammerstein darnos un modelo
simplificado de la planta real. Este modelo disminuir la complejidad computacional del
proceso de optimizacin de las trayectorias de composicin de destilado as como el
ajuste del control PID que explicaremos en captulos posteriores. Este modelo lineal es
obtenido mediante un mtodo de identificacin de sistemas en espacios de estado
basados en subespacio (4SID).
4.2.- DEFINICIN Y ASPECTOS DE LA IDENTIFICACIN
Identificacin es la obtencin de un modelo matemtico a partir de datos de medicin de
las entradas y salidas del sistema.
Como resultado del proceso de identificacin se obtiene un modelo no lineal de orden
reducido que es adecuado para el diseo del control.
4.3.- FASES DEL PROCESO DE IDENTIFICACIN
Planificacin de experimentos y obtencin de datos.
Seleccin de la estructura de modelo.
Estimacin de parmetros.
Validacin del modelo.
4.3.1- Planificacin de experimentos y obtencin de datos
Seleccin del tipo de entrada lo suficientemente ricas como para excitar todos los
modos del sistema. Slo pueden identificarse los modos que son observables en la
salida.
4.3.2- Seleccin de la estructura del modelo
Seleccin de un conjunto de modelos candidatos entre los cuales se buscar el que
mejor se ajusta a los datos.
Se pueden distinguir tres tipos:

39
Estructuras caja negra (black box): los parmetros no tienen una

interpretacin fsica.
Estructuras a partir de modelado fsico caja blanca (white box): los
parmetros tienen una interpretacin fsica.
Estructuras a partir de "modelado semifsico" o "caja gris" (gray box):
introduccin de conocimiento a priori del sistema en estructuras del tipo
caja negra.
4.3.3- Estimacin de parmetros
Determinacin del mejor modelo en el conjunto de modelos, basado en los
datos.
Esto implica:
Eleccin de un criterio a minimizar.
Determinacin del vector de parmetros que minimiza el criterio.
4.3.4- Validacin del modelo
Obtencin de una medida de confiabilidad del modelo:
Decidir si el modelo es lo suficiente bueno para la aplicacin en que se usar.
Decidir cun lejos del sistema real est el modelo.
Decidir si el modelo y los datos son consistentes con las hiptesis sobre la
estructura de modelo.
La validacin requiere usualmente la realizacin de nuevos experimentos.
4.4.- IDENTIFICACIN DE SISTEMAS NO LINEALES
4.4.1.- Introduccin
Nuestro sistema tiene un comportamiento no lineal, excepto en un determinado
rango de operacin donde puede ser considerado lineal.
Modelos lineales aproximan al sistema no lineal alrededor de un punto de
operacin.
La performance del modelo lineal se ve deteriorada al variar el punto de
operacin del sistema no lineal.
Para describir globalmente el comportamiento del sistema debemos recurrir a
modelos no lineales.
La gran variedad de modelos no lineales hace que no sea posible obtener
mtodos generales de identificacin, sino slo para determinadas clases de
modelos no lineales.
Muchos sistemas no lineales pueden ser representados por la interconexin de
sistemas lineales estacionarios y no linealidades estticas. Estos modelos se
denominan orientados a bloques.
De entre los modelos orientados a bloques, los que han sido ms estudiados son
los Modelos Hammerstein y los Modelos Wiener.

40
4.4.2.- Identificacin de modelos Hammerstein

MODELOS HAMMERSTEIN
Estos modelos consisten de la conexin en cascada de una no linealidad esttica ( N() )
y un sistema lineal. El algoritmo de identificacin est basado en la SVD
(descomposicin en valores singulares) y en LSE (least square mean: estimacin de
mnimos cuadrados ).[1] y [6]
Figura 4-1: Esquema del modelo Hammerstein

B (q 1 )
B(q 1 ) r
.N (u k ) + v k
. c i .g i (u k ) + v k =
yk =
A(q 1 )
A(q 1 ) i =1
(4.1)
donde yk, uk y vk son la salida, entrada y perturbacin en el instante k , respectivamente,

gi () son funciones no lineales usadas para describir la no linealidad esttica N() , y
A(q 1 ) = 1 + a1 .q 1 + ......... + a n q n
B (q 1 ) = b1 .q 1 + ......... + bm q m
con q-1 denotando el operador desplazamiento directo.
Se asume que los rdenes n, m, r, y las funciones no lineales gi() , son conocidas, y que
el objetivo es estimar los parmetros de la parte lineal:
(a1 ..........a n b1 ................bm )
y de la parte no lineal:
(c1 ..........c r )
a partir de datos de entrada-salida.
Una eleccin tpica de las funciones g 1 () es g i (u k ) = u ki , en cuyo caso, la parte no
lineal queda representada por una expansin polinomial.
La ecuacin (4.1) puede escribirse:
n
y k = a j . y k j + b j .c i .u ki j + v k
j =1
i =1 j =1
(4.2)

41
Definiendo los vectores:

= (a1 ....., a n , b1 .c1 ,....., bm .c1 ,....., b1 .c r ,.....bm .c r )
k = y k 1 ,....., y k n , u k 1 ,....., u k m , u k21 ,....., u k2 m ,....., u kr 1 ,....., u kr m
La ecuacin (4.2) puede escribirse:

y k = kT . + v k
(4.3)
Finalmente, considerando un conjunto de N datos {y k , u k }k =1 , la ecuacin (4.3) puede

escribirse:
N
YN = TN . + V N
(4.4)
Donde:
YN = ( y1 ,....., y N )
V N = (v1 ,....., v N )
N = (1 ,....., N )
Luego, la estima de mnimos cuadrados , del vector de parmetros viene dada por:
^
= N . TN . N .Y N
(4.5)
siempre que la inversa exista. Definiendo ahora los vectores:
a = (a1 ,....., a n ) , b = (b1 ,....., bm ) , c = (c1 ,....., c r )
T
y la matriz:
b1.c1 b1.c2
b .c b .c
2 2
2 1
.
bc = ..
.
.
.
b .c b .c
m 1 m 2
... b1.cr
... b2 .cr
.
= b.c T
.
.
..
.
... bm .cr
el vector de parmetros puede escribirse:
= a T , vec( bc )
T T
donde vec( bc ) es el vector columna obtenido apilando las columnas de bc . Estimas de

^
los vectores a y vec( bc ) pueden entonces obtenerse de la estima en (4.5). Denotemos

^
a y vec( bc ) a esas estimas.

42
El problema es como computar estimas de los vectores b y c, a partir de vec( bc ) .

^
Las ms cercanas, en el sentido de la norma-2, estimas b y c , son tales que minimizan la

norma:
2
^ ^T
^
^ ^T ^
vec b . c vec( bc ) = b . c bc
es decir:
^
^ ^
T
b, c = arg min bc b.c

b ,c
donde
es la norma de Frobenius.
La solucin de este problema de minimizacin viene dada por la descomposicin

^
SVD de la matriz bc . El resultado est resumido en el siguiente lema:

^
Lema: Sea bc m x r una matriz no nula, y sea bc = U .S .V T su descomposicin SVD

(descomposicin en valores singulares), donde U y V son matrices ortogonales cuyas
columnas son los vectores singulares izquierdos y derechos respectivamente:
U = (1 ,......., m )
V = (v1 ,......., v r )
y donde S es una matriz diagonal con

( 1 2 ....... min( m ,r ) 0 ) en la diagonal. Entonces:
min
b ,c
bc bc
T
F
min( m , r )
i=2
2
i
los
valores
singulares
(1 , 1 .v1 ) = arg min bc bc
2
T
F
b ,c
El algoritmo de identificacin no lineal puede resumirse como:

^
Paso 1. Computar la estima de mnimos cuadrados en (4.5). Una estima a del vector
^
de parmetros a viene dada por las primeras n componentes de , y una estima bc de

^
la matriz bc puede construirse a partir de las ltimas mxr componentes de .

^
Paso 2. Computar la SVD de bc como en el lema, de donde estimas de los parmetros

b y c pueden calcularse como:

43
b = 1
^
c = 1 .v1
respectivamente.
4.4.3.- Resultados de la identificacin no lineal
Se tiene en cuenta para el desarrollo que contamos con la composicin real de destilado
cada 30 minutos; esta informacin nos ser til para actualizar la inferencia del softsensor.
La identificacin del modelo para el soft-sensor se realiza con el script denominado
hammer_infer.
Los datos usados para la identificacin son los datos presentados con anterioridad en el
captulo 3, seccin 3-2-2, los resultados de la aplicacin de este script se muestran a
continuacin.
CY CLOHE XA NO E S TIM A DO Y RE A L
1
0.9
COM POSICION [frac c in m olar]
0.8
0.7
E S TIM A DO
RE A L
0.6
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
1
1.2
TIE M P O [s ]
1.4
1.6
Figura 4-2: Estimacin del cyclohexano.

El error de estimacin del cyclohexano result de: 1.0008e-004 .
1.8
2
x 10

44
N-HE P TA NO E S TIM A DO Y RE A L
0.8
0.7
E S TIM A DO
RE A L
0.6
0.5
0.4
0.3
0.2
0.1
0.2
0.4
0.6
0.8
1
1.2
TIE M P O [s ]
1.4
1.6
1.8
2
x 10
Figura 4-3: Estimacin del n_heptano.

El error de estimacin del n-heptano result de: 8.7376e-004.
TOLUE NO E S TIM A DO Y RE A L
1
0.9
0.8
0.7
E S TIM A DA
RE A L
0.6
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
1
1.2
TIE M P O [s ]
1.4
1.6
1.8
2
x 10
Figura 4-4: Estimacin del tolueno.

El error de estimacin del tolueno result de: 4.7646e-004.
Los parmetros identificados del modelo Hammerstein resultaron ser los siguientes:

0
a1 =
0
0
a 2 =
0
0.6962
b2 = 0.7162
0.0477
0.7071
b1 = 0.6966
0.1219
0.0075
c1 = 1.069 10 6
4.6 10 11
45
0.0277
c 2 = 3.698 10 6
1.533 10 10
Como podemos ver, debido a que a1 y a 2 son nulos el modelo no lineal resultante no
depende valores pasados de la salida; lo que resulta muy importante ya que obtenemos
un modelo que depende nicamente de la entrada.
Del script que realiza la identificacin puede observarse que tanto b1 , c1 como b2 y c 2
se obtienen aplicando la SVD.
Ahora se presentan los resultados obtenidos validando el modelo identificado
anteriormente con los datos datos_r , dicha validacin se realiza en el mismo script
utilizado para la estimacin (hammer_infer).
COM P OS ICIONE S E S TIM A DA S Y RE A LE S
1
c y c lohex ano real
n-heptano real
tolueno real
es tim ac iones
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0.2
0.4
0.6
0.8
1
1.2
TIE M P O [s ]
1.4
1.6
1.8
2
x 10
Figura 4-5: Validacin de las composiciones.

Con un error total (suma de todos los errores) del orden de: 0.0024.
Podemos observar que las inferencias son realmente buenas en los sectores donde el
proceso se comporta como prcticamente binario, ya que aqu la temperatura adoptada
como entrada es suficiente para darnos informacin sobre la dinmica de la planta , por
lo contrario en los sectores donde el proceso se comporta como fuertemente ternario la
inferencia baja su calidad debido a que ya no es suficiente solo con la temperatura
modelar esta parte. Aqu entraran en juego otro tipo de variables que dependen de las
relaciones fsico-qumicas del proceso.

46
Aun as, podemos apreciar que el modelo obtenido es lo suficientemente aceptable para
nuestros requerimientos ya que como veremos ms adelante nos interesar maximizar
destilado del cyclohexano y este posee una inferencia ms que aceptable.
4.5.- IDENTIFICACIN DE SISTEMAS LINEALES ([1] y [6])
4.5.1.- Mtodos de subespacio para identificacin de sistemas dinmicos ( 4SID )
4.5.1.1- Introduccin
stos mtodos utilizan herramientas de Teora de Sistemas, Geometra y
lgebra lineal numrica.
Proveen confiables modelos en espacio de estados (EE) de sistemas
multivariables directamente a partir de datos de entrada salida.
Son algoritmos eficientes basados en SVD (singular value descomposition:
descomposicin en valores singulares); los cuales estn incorporados en el
System Identification Toolbox de Matlab.
No hay problemas de convergencia, inicializacin, o de existencias de
soluciones locales.
No requieren una particular realizacin cannica del modelo en EE.
El primer paso en los mtodos de subespacio es estimar el subespacio expandido por
las columnas de la matriz de observabilidad extendida, de all el nombre.
4.5.1.2.- Modelo en espacio de estados
x k +1 = A.x k + Bu k
y k = C.x k + Du k
Donde:
x k nx
vector de estados
yk m
vector de salidas
uk n
vector de entradas
4.5.1.3.- Conceptos y definiciones

Introducimos los operadores desplazamiento temporal:
q desplazamiento directo
qx k = x k +1
q-1 desplazamiento inverso o retardo unitario
q 1 .x k = x k 1
Definicin: Una matriz transferencia G(q) tiene una realizacin (A,B,C,D) si:
G (q ) = C.(q.I A) .B + D
1

47
Definicin: Matrices de observabilidad y controlabilidad.
O = C T , (C. A) ,........., (C. A nx 1 ) T

T
C = B, A.B,............, A nx 1 .B
Definicin: Matrices de observabilidad y controlabilidad extendidas.
Oi = C T , (C. A) ,........., (C. A i 1 ) T

T
C j = B, A.B,............, A j 1 .B
con i,j > nx .

Definicin: Controlabilidad.
El par (A,B) se dice controlable si existe una secuencia de entradas { uk } que lleva el
estado del sistema desde un estado inicial x0 hasta un estado final arbitrario xf en un
nmero finito de pasos ( k finito). La condicin necesaria y suficiente para la
controlabilidad del par (A,B), es que la matriz de controlabilidad C tenga rango pleno
nx.
Definicin: Observabilidad.
El par (C,A), se dice observable si para cualquier estado inicial x0 existe un nmero
finito de pasos l tal que x0 puede ser determinado a partir de las secuencias uk , yk con
0 k l . Una condicin necesaria y suficiente para la observabilidad del par (C,A), es
que la matriz de observabilidad O tenga rango pleno nx.
Definicin: Realizacin mnima.
Una realizacin (A,B,C,D), es mnima si tiene dimensin mnima, es decir si no existe
otra realizacin de dimensin menor. Una condicin necesaria y suficiente para que una
realizacin sea mnima es que el par (C,A) sea observable y el par (A,B) sea
controlable.
Definicin: Matriz Hankel de respuestas al impulso.
Una realizacin mnima (A,B,C,D) define unvocamente las propiedades de entradasalida del sistema a travs de:
y k = hl .u k l
l =0
Donde los coeficientes de Markov (hl) se calculan:

,
D
hl =
l 1
C. A .B ,
h1
h
2
H ij = ..
.
hi
h2
h3
.
.
.
hi +1
48
l=0
l>0
hj
h j +1
.
Matriz Hankel de respuestas al impulso
.
.
..
.
... hi + j 1
...
...
Realizamos la siguiente factorizacin:

H ij = Oi .C j
4.5.1.4.- Mtodos 4SID basados en teora de realizaciones.
Problema de identificacin: Estimar el orden nx del modelo:
x k +1 = A.x k + Bu k
y k = C.x k + Du k
y las matrices (A,B,C,D) a partir de muestras de las entradas uk y salidas yk.
Los algoritmos consisten bsicamente en los siguientes pasos:
Estima de la matriz Hankel de respuesta al impulso a partir de datos de entradasalida.
Factorizacin de la estima de Hij para obtener estimas de las matrices de
observabilidad y controlabilidad extendidas, y el orden del modelo.
Estima de las matrices(A,B,C,D), a partir de las estimas de Hij y la matriz de
observabilidad extendida.
Una estima de las matrices de controlabilidad y observabilidad extendidas puede
obtenerse a partir de cualquier factorizacin de rango pleno de Hij de la forma:
H ij = O i . C j
La SVD de Hij provee esta factorizacin:
H ij = [U 1
U 2 ]. 1
0
0 V1T
.
2 V2T
donde [U 1 U 2 ] y V = [V1 V2 ] son matrices ortogonales ( U T .U = I ), cuyas

columnas son respectivamente los vectores singulares izquierdos y derechos de Hij, y
donde:

= 1
0
49
0
2
es una matriz diagonal conteniendo los valores singulares de Hij en orden no creciente,
con 1 conteniendo los nx ms grandes, y los 2 los [min(i, j ) n x ] ms chicos.
Si no tenemos ruido, Hij tiene rango nx , y 2 =0, y resulta:
O i = U 1 .1 2
H ij = U 1 .1 .V = U 1 .1 2 1 2 .V1T
1
C j = 1 2 .V1T
1
T
1
Dadas O i y C j
C : primera fila de O i
B : primera columna de C j
D : directamente de h0
A : usando la propiedad de corrimiento in var iante de O i

_____
_____
Oi = Oi . A
____
_____
_____
_____
Donde Oi se obtiene eliminando el primer bloque fila de Oi , y Oi se obtiene

____
_____
eliminando el ltimo bloque fila de Oi .
Otra posibilidad de computar A es a partir de
_____
_____
ij
= O i . A .C
resolviendo en media
cuadrtica.
4.5.2.- Resultados de la identificacin lineal (modelo RR-temperatura)
Aqu se realizar la obtencin de un modelo que nos permita representar el
comportamiento existente entre las variables relacin de reflujo (entrada) y temperatura
(salida).
Este modelo y el inferenciador tienen como funcin principal la de estimar condiciones
ptimas de operacin y en tiempos de cmputos relativamente menores a los que se
obtendran si se emplearan modelos rigurosos en los cdigos de optimizacin. Si
utilizramos por ejemplo la planta real modelada en HYSYS el proceso sera
demasiado lento y llevara varios das de simulacin poder optimizar algn aspecto
deseado.
Entonces, de esta manera, conseguimos tener un modelo sencillo que nos representa la
planta y que es suficiente como para obtener buenas aproximaciones del
comportamiento, adems de acortarnos los tiempos de simulacin.

50
Este aspecto es importante ya que cuando se trate de optimizar la trayectoria de

destilado se estar optimizando un vector de alrededor 800 variables, esto sumado a los
tiempos de simulacin de HYSYS hacen imprescindible el uso de este modelo
simplificado.
Empezaremos analizando los datos de estimacin que poseemos para este caso:
DA TO S DE E S TIM A CIO N
(IN -RR ,O UT-TE M P E R A TURA )
RE LA CIO N DE RE F LUJ O
3.5
3
2.5
2
1.5
1
0.5
0.2
0.4
0.6
0.8
1
TIE M P O [s ]
1.2
1
TIE M P O [s ]
1.2
1.4
1.6
1.8
2
x 10
105
100
TE M P .
95
90
85
80
75
70
0.2
0.4
0.6
0.8
1.4
1.6
1.8
2
x 10
Figura 4-6: Datos experimentales de E/S

( aqu se ilustran la relacin de reflujo y la temperatura del plato1)
En el captulo N 3 se presentaron los datos de la simulacin de la planta ante diferentes
modos de operacin, habindose podido observar que los datos que presentaban mejor
informacin sobre la dinmica de la planta eran los de relacin de reflujo aleatorio y que
para este caso particular se poda observar que la temperatura del plato N 1 vea
mucho mejor los cambios en el reflujo que la temperatura de todos los dems platos.
Es por ello que se selecciona este plato como variable de identificacin y no otro.
Entonces haciendo uso de las funciones contenidas en el identification toolbox de
Matlab podemos construir los M-files que realizan tanto la identificacin como la
validacin.
Estos scripts utilizan la funcin de Matlab n4sid la cual estima un modelo en espacio
de estados basado en mtodos de subespacio.
La sintaxis de dicha funcin es la siguiente:
[TH,A0] = n4sid(z,'best',NY,k,[0,1,1],[],Ts);
Donde:
TH: devuelve el modelo en espacio de estados en el formato theta.
Theta es una matriz que contiene informacin acerca de la estructura del modelo,
parmetros estimados y su exactitud de estimacin.
A0: devuelve el valor seleccionado de la variable auxord.
z: los datos de entrada-salida [y= temperatura u= relacin de reflujo] con u e y vectores
columna.
best: al setear el orden como best el algoritmo elige un orden por defecto entre 1 y 10.
NY: nmero de salidas en la matriz de datos z.

51
K: orden auxiliar, usado para la seleccin de las variables de estado.

[D,K,X]: es un vector precisando la estructura.
D=1 indica que un trmino directo desde la entrada a la salida puede ser estimado.
K=1 indica que la matriz K es estimada.
X=1 indica que el estado inicial es estimado.
Ts: tiempo de muestreo.
Uno de los argumentos de entrada que necesita esta funcin se denomina auxord y es un
orden auxiliar que es utilizado para la seleccin de las variables de estado. En nuestro
caso, este argumento fue variado entre 1 y 60 para obtener la mejor identificacin
(menor error cuadrtico medio). Este valor result ser auxord = 53.
El algoritmo de identificacin se denomina iee.m y la validacin se realiza con el
archivo iee_v.m los cuales pueden ser consultados en el apndice.
La ejecucin de los anteriores archivos producen los siguientes resultados.
V A LIDA CIN CON LOS DA TOS DE E S TIM A CIN
105
100
TE M P ERA TURA [c]
95
90
85
E S TIM A DA
RE A L
80
75
70
0.2
0.4
0.6
0.8
1
1.2
TIE M P O [s ]
1.4
1.6
1.8
2
x 10
Figura 4-7: Estimacin de la temperatura del plato 1.
El error cuadrtico medio result: 0.4964 .

Siendo el modelo resultante de la identificacin el siguiente:
1.0009 0.0618
A =
0.0006 0.9324
0.1679
B =
0.1716
C = [ 0.1328 0.3651]
D = 0
543.1539
X 0 =
0.7557

52
Podemos verificar que se obtuvo un modelo lineal de orden reducido que es adecuado
para el diseo del control.
La siguiente grfica muestra la validacin del modelo en espacio de estados identificado
anteriormente.
Como podemos apreciar el comportamiento del modelo es aproximado, ya que se
intent obtener un modelo simplificado y lineal de un comportamiento fuertemente no
lineal.
De todas maneras este comportamiento es aceptable para luego usar este modelo en
algoritmos de optimizacin.
V A LIDA CIN CON NUE V OS DA TOS
105
100
TE M P E RA TURA [c]
95
90
85
80
V A LIDA CIN
RE A L
75
70
0.2
0.4
0.6
0.8
1
1.2
TIE M P O [s ]
1.4
1.6
1.8
2
x 10
Figura 4-8: Validacin de la temperatura del plato 1.

El error cuadrtico medio result: 0.6979 .
Como dijimos anteriormente este modelo simplificado de un comportamiento
fuertemente no lineal tiene sus limitaciones; como podemos apreciar observando las
grficas precedentes. Esto debe ser tenido en cuenta ya que en captulos posteriores este
modelo lineal en conjuncin con un modelo no lineal temperatura-composicin, que
ser desarrollado ms adelante, ser utilizado para ajustar un PID y para optimizar
trayectorias de destilado. Entonces podemos resumir que los resultados que se
obtendrn sern aproximados dependiendo stos de la capacidad de los modelos para
operar en diferentes rangos de operacin.

53
CAPTULO 5
IMPLEMENTACIN DEL
MODELO
HAMMERSTEIN
(temperatura-composicin)

54
5.1.- INTRODUCCIN
Debido a la alta flexibilidad de operacin inherente y al bajo capital invertido, la
destilacin batch se convirti en un mtodo de separacin provechoso y atractivo,
particularmente en la separacin de productos qumicos. Sin embargo, para que stas
caractersticas sean completamente aprovechadas, es necesario ejecutar un monitoreo
exacto, permanente e instantneo de la composicin durante toda la operacin para
asegurarse de obtener productos de alta calidad. sta tarea es muy dificultosa debido a
la ausencia de analizadores on-line rpidos y confiables. Para soslayar estas desventajas
de los analizadores on-line convencionales, recientes investigaciones se enfocaron en el
desarrollo de soft-sensors (estimadores inferenciales), los cuales utilizan un modelo del
proceso a ser controlado e informacin retenida por variables de proceso secundarias
para obtener estimas on-line de las composiciones.
Resulta muy atractivo poder obtener un modelo que nos brinde una prediccin
instantnea de la composicin de destilado observando variables de fcil medicin
como puede ser la temperatura de los platos. La medicin de temperatura adems de ser
atractiva desde el punto de vista econmico, lo es tambin debido a su rapidez de
medicin. Esto ltimo es muy importante para el desarrollo de sistemas de control
donde debe tomarse decisiones sobre la variable manipulada en cada instante.
El desarrollo se basa en una identificacin no lineal que utiliza un modelo denominado
Hammerstein donde, como se explic en el captulo 4, dicho modelo consta de la
conexin en cascada de una no linealidad esttica de entrada formada por un polinomio
y de un sistema lineal estacionario modelado como una funcin transferencia.
5.2.-IMPLEMENTACIN DEL SOFT-SENSOR EN LA PLANTA EN ESTUDIO
El inferenciador y el control de vlvulas estn desarrollados y operan en el espacio de
trabajo de Matlab, comunicndose con la planta a travs de una interface que posee
Hysys, que permite usar a Matlab como un controlador.
Esta interface esencialmente nos permite acceder a las hojas de clculo de Hysys tanto
para leer datos como para actualizarlos.
Este intercambio de informacin se lleva a cabo utilizando funciones de la interface de
Hysys que generan objetos de comunicacin. Estas funciones pueden ser apreciadas con
ms detalles en el apndice, pero a ttulo de resumen presentamos a continuacin una
breve descripcin de cada una de ellas:
hyconnect Conecta a Hysys para una aplicacin de Matlab como controlador.
hyspread - Conecta a una hoja de clculo de Hysys.
hycell Conecta a celdas de la hoja de clculo.
hyvalue Toma los valores contenidos en las celdas.
hyunits Toma una cadena de caracteres que especifican las unidades de las celdas.
hyset Cambia los valores de las celdas en una hoja de clculo de Hysys.
El inferenciador as como el control de vlvulas y el intercambio de informacin entre
los dos software se implementa en varios scripts que pueden ser apreciados con ms
detalles en el apndice.

55
5.2.1.- Modo de operacin relacin de reflujo constante

Aqu se realiza la prueba del inferenciador ya conectado con la planta real. La planta se
simula inicialmente a reflujo constante para ver la respuesta del inferenciador bajo este
modo de operacin.
La conexin con la planta se realiza concretamente mediante los scripts objconex e
infer_rrconstante , estos scripts generan los objetos de conexin con la aplicacin de
Hysys, con las hojas de clculo y con las celdas de las hojas de clculo. Para mayor
detalle ver apndice y las grficas de dichas hojas en el captulo 3.
A continuacin podemos observar los resultados de la simulacin para relacin de
reflujo constante:
P RUE B A DE L INFE RE NCIA DOR CON RE LA CION DE RE FLUJO CONS TA NTE
RR= 1
1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2000
4000
6000
8000
10000
TIE M P O [s ]
12000
14000
16000
18000
Figura 5-1.- Prueba del inferenciador con relacin de reflujo constante RR=1.
5.2.2.- Modo de operacin relacin de reflujo variable
Para exigir an ms al inferenciador, simulamos la planta con una relacin de reflujo
variable. sta es la misma relacin de reflujo que se utiliz en captulos anteriores para
identificar los modelos (RR3). Los scripts para la conexin y la implementacin del
inferenciador siguen siendo los mismos que en el apartado anterior slo que
infer_rrconstante sufre una pequea modificacin para poder pasar del espacio de
Matlab hacia Hysys la relacin de reflujo variable. Dicha modificacin consiste en que
en cada iteracin se pasa un nuevo valor de relacin de reflujo, esto se implementa
agregando al infer_rrconstante las siguientes dos lneas de cdigo:
u1111(j)=RR3(j);
hyset(cells{10},u1111(j));

56
Lo que hacen estas dos lneas es setear la celda 10 del objeto cells generado por
objconex con el valor dado por u1111(j). Hechas estas modificaciones, simulamos la
planta obteniendo los siguientes resultados:
P RUB A DE L INFE RE NCIA DOR CON RE LA CION DE RE FLUJO V A RIA B LE
RR= RR3
1
0.8
0.6
0.4
0.2
0.2
0.4
0.6
0.8
1
TIE M P O [s ]
1.2
1.4
1.6
1.8
2
x 10
Figura 5-2.- Prueba del inferenciador con relacin de reflujo variable RR=RR3.
Podemos apreciar que es una ms que aceptable respuesta del inferenciador, notando
como dijimos en el captulo 4 que en el sector donde el proceso se hace fuertemente
ternario es donde se produce el mayor error.
5.3.-APLICACIN CONCRETA DEL SOFT-SENSOR EN EL CONTROL DE
APERTURA Y CIERRE DE VLVULAS
En esta seccin pondremos a prueba el soft-sensor para predecir las composiciones
finales de los productos acumuladas en los tanques. Se tom como criterio de control de
las vlvulas, acumular cyclohexano con pureza promedio 0.9 en el tanque 1 , n-heptano
con pureza promedio 0.35 en el tanque 2 y lo que resta se acumula en el tanque 3.
Sobre la base del infer_rrconstante se producen las modificaciones para el control
de vlvulas y el pasaje de la nueva relacin de reflujo que ahora es de 2.5. Dichas
modificaciones se muestran a continuacin:
ff=1;
AA1=0;
DA1=0;
u1111(j)=2.5;
D=hyvalue(cells1(8));
AA1=AA1+D*(tiempo1(j)-tiempo1(j-1));
DA1=DA1+D*yhatv1(j)*(tiempo1(j)-tiempo1(j-1));
XDA1=DA1/AA1;

57
if XDA1<0.9 & ff==1

hyset(cells{8},0);
hyset(cells{7},50);
AA1=0;
DA1=0;
ff=2;
end
if XDA1<0.65 & ff==2
hyset(cells{7},0);
hyset(cells{6},50);
AA1=0;
DA1=0;
ff=3;
end
Por un lado esta modificacin setea la relacin de reflujo en cada iteracin a 2.5 as
como tambin se toma de la celda 8 del spreadsheet el valor que nos pasa Hysys del
flujo de destilado.
En la variable AA1 se produce la acumulacin en cada iteracin del valor del flujo de
destilado multiplicado por la diferencia entre el tiempo actual de Hysys y el tiempo
anterior en el que entr en la iteracin. Esto da como resultado al final de la destilacin
la integral del flujo de destilado.
Se procede de igual manera para la variable DA1 pero en este caso se integra el
producto del flujo de destilado por la composicin del cyclohexano. El cociente entre
DA1 Y AA1 es guardado en XDA1 y nos dar el valor de pureza promedio del
cyclohexano hasta el momento considerado.
Es esta variable XDA1 la que se utiliza para testear en que momento se deben cerrar y
abrir las vlvulas.
A continuacin podemos ver las grficas de la respuesta del inferenciador en este modo
de operacin as como tambin la apertura y cierre de vlvulas.
P R U E B A D E IN F E R E N C IA D O R E N E L C O N T R O L D E V A L V U L A S D E L O S T A N Q U E S
P A R A x 1 p ro m = 0 . 9 , x 2 = 0 . 6 5 Y R R = 2 . 5
C O M P O S IC IO N [ fra c c i n m o la r]
0.8
0.6
0.4
0.2
5000
10000
15000
T IE M P O [ s ]
Figura 5-3.- Prueba del inferenciador en el control de vlvulas de los tanques para
X1prom=0.9 y X2=0.35 y RR=2.5

58
N IV E L D E L IQ U ID O E N L O S TA N Q U E S D E A L M A C E N A M IE N TO
40
35
30
N IV E L [ % ]
25
20
15
10
5000
10000
15000
TIE M P O [ s ]
Figura 5-4.- Nivel de lquido en los tanques de almacenamiento.

Podemos apreciar que el nivel de lquido en el tanque del cyclohexano lleg
aproximadamente a un 30%, el de n_heptano a un 20% y el de tolueno a un 40% al
finalizar la simulacin. A continuacin podemos comprobar que efectivamente el
inferenciador nos brinda buenos resultados ya que como se muestra en la figura
siguiente la composicin promedio final calculada por Hysys del cyclohexano y del
n_heptano son de 0.90434 y de 0.30336 respectivamente.
TANQUE 1 (cyclohexano)
TANQUE 2 (n-heptano)
Figura 5-5: Composiciones acumuladas promedio medidas por Hysys

59
CAPTULO 6
IMPLEMENTACIN DEL
SOFT-SENSOR EN
LAZOS DE CONTROL

60
6.1.- CONTROL PID

El esquema general de control es el que se muestra en la figura 6-1, en el podemos ver
la inclusin del inferenciador que es usado por el PID para ajustar la relacin de reflujo
de acuerdo al setpoint elegido. Tambin se incluye el control de vlvulas de
almacenamiento de los productos destilados, este ltimo control se realiza de varias
maneras diferentes, como se ver podemos preajustar una determinada cantidad de
pureza promedio de producto y tomar este criterio como control directamente como en
el caso de trayectoria ptima controlar por tiempo.
Figura 6-1: Esquema general de control

6.1.1.- Estructura de la seal de control
La estructura general de la seal de control se divide en tres acciones que actan
simultneamente, en tiempo continuo tiene la forma:
t
1
de(t )
+ ub
u (t ) = k c e(t ) + e(t ).dt + Td .
dt
T
i 0
Discretizando la ecuacin anterior para su implementacin ([4] y [5]) en los algoritmos

posteriores obtenemos los siguientes resultados:
Parte integral (discretizada por la regla rectangular en atraso)
t
k . e(t )
'
2
k 2' .TM . e(k ) = k 2 . e(k )
donde k 2 =
TM . k c
Ti

61
Parte derivativa (discretizada por la regla rectangular en atraso)

k 3' .
de(t )
dt
k 3' .
k .T
1
(e(k ) e(k 1) ) = k 3 .(e(k ) e(k 1) ) donde k 3 = c d
TM
TM
Quedando el control final en forma discreta como:

k
u (k ) = k1 .e(k ) + k 2 . e(k ) + k 3 .(e(k ) e(k 1) ) + u b

0
6.1.2- Ajuste ptimo del PID

El ajuste de PID en este caso particular de un proceso de destilacin batch, se torna
dificultoso ya que la planta no presenta respuestas tpicas de funciones conocidas que
nos resultara ms sencillo dado la amplia disponibilidad de mtodos de ajuste tales
como Coheen-Coon, Zilgier-Nichols,IMC, etc. Por ello la propuesta es aplicar
algn mtodo alternativo.
El diseo del PID se llevar a cabo mediante el uso de funciones de optimizacin
incluidas en el paquete optimization toolbox y el modelo obtenido como la conexin
en cascada de los dos modelos identificados en captulos anteriores, es decir la conexin
del modelo lineal en ecuaciones de estado relacin de reflujo-temperatura con el
modelo no lineal Hammerstein temperatura-composicin.
Si bien este modelo es aproximado, nos dar una buena medida de los parmetros del
PID para luego poder ajustarlos en planta (en Hysys).
Esquemticamente sera:
Figura 6-2: Modelo sencillo de la planta

62
Figura 6-3: Esquema utilizado para la optimizacin

Los Script usados para tal fin se denominan optim_PID, planta_lc y planta (que
pueden ser vistos en el apndice), donde el primero de ellos hace concretamente la
optimizacin usando la funcin fmincon de Matlab (esta funcin se describe en los
siguientes prrafos), el segundo es una funcin que simula la planta a lazo cerrado con
cada juego de parmetros que calcula optim_PID y es un argumento ms de fmincon y
el tercer script realiza la simulacin de la planta y la compara con el setpoint.
Respecto a la trayectoria a seguir, optamos por hacer la optimizacin con los datos ya
mostrados en captulos pasados y es la trayectoria de destilado del cyclohexano para
relacin de reflujo aleatorio.
Ajustamos el PID a solo esta trayectoria ya que ms adelante cuando se optimice para
destilado mximo, se optimizar justamente dicha trayectoria en casi todo el tiempo de
destilacin. Esta ponderacin sobre el cyclohexano es un requerimiento particular.
6.1.2.1- Funciones de optimizacin ([5])
Optimizacin Paramtrica
La optimizacin paramtrica es utilizada para buscar un conjunto de parmetros de
diseo, x = { x1,........, xn } , que pueden ser definidos de alguna manera como ptimos. En
un caso simple esto puede ser la minimizacin o maximizacin de una caracterstica del
sistema dependiente de x. Realizando una formulacin ms avanzada, la funcin
objetivo, f(x), a ser minimizada o maximizada, puede estar sujeta a condiciones sobre
una igualdad, Gi ( x ) = 0 (i = 1,2,...m e ) , o condiciones sobre una desigualdad
Gi ( x ) 0 (i = m e ,......... ...., m) y/o limites de los parmetros xL,xU.
Una descripcin de un problema general es:
min imizar
f (x)
n
x
Sujeto a:
(6.1)
Gi ( x ) = 0 (i = 1,2,...m e )
Gi ( x ) 0 (i = m e ,......... ...., m)
xL x xU
donde x es el vector de parmetros de diseo, ( xn ), f(x) es la funcin objetivo que

devuelve un escalar ( f(x): n ) y la funcin vector G(x) devuelve los valores de las
condiciones sobre la igualdad y desigualdad evaluadas en x, ( G(x): nm ).

63
Una solucin exacta y eficiente a este problema no solo depende del tamao del
problema en trminos del nmero de condiciones y de variables de diseo, sino que
tambin depende de las caractersticas de la funcin objetivo.
En nuestro trabajo utilizaremos la funcin fmincon, ya sea, como en este caso, para la
optimizacin del PID como as tambin para la obtencin del perfil ptimo de destilado,
tarea que se realiza en captulos posteriores. Entonces incluimos aqu un breve
comentario sobre dicha funcin de optimizacin.
La funcin fmincon busca los mnimos de una funcin multivariable no lineal
condicionada.
fmincon resuelve problemas de la forma:
min F ( x )
x
Sujeto a las siguientes restricciones:

A. X B
condiciones lineales
Aeq . X = Beq
C( X ) 0
condiciones no lineales
Ceq( X ) = 0
LB X UB
donde X, B, Beq, LB y UB son vectores, A y Aeq son matrices, C(X) y Ceq(X) son
funciones que devuelve vectores y F(X) es una funcin que devuelve un escalar. F(X),
C(X) y Ceq(X) son funciones que pueden ser no lineales.
La sintaxis es:
X=fmincon(fun, X0, A, B, Aeq, Beq, LB, UB, Nonlcon, Options, P1, P2, ... .)
Donde:
fun: es la funcin a ser minimizada.
X0: es el valor inicial, en nuestro caso los valores iniciales del control PID.
Nonlcon: es la funcin que computa las condiciones de desigualdad no lineal, C(X)<=0
y las condiciones de igualdad no lineal, Ceq(X)=0. Nonlcon es una cadena de caracteres
conteniendo el nombre de una funcin.
LB (low bound): es el lmite inferior para la variable X.
UB (upper bound): es el lmite superior para la variable X.
stos lmites fueron seteados en LB=[0 0 0] y UB=[1000 1000 1000].
Options: aqu van las opciones de los parmetros de optimizacin. Se pueden cambiar o
setear los valores de stos parmetros mediante la funcin optimset.
Optimset crea una estructura de opciones de optimizacin. Uno de los parmetros ms
importante es Large Scale.
La sintaxis es la siguiente:

64
Options = optimset ( Large scale,off,..........);

Al setear off , estamos seleccionando el algoritmo de media-escala.
Optimizacin de media escala (medium-scale)
fmincon utiliza el mtodo SQP (Sequential Quadrating Programming). En este mtodo
un subproblema de programacin cuadrtica (QP) es resuelto en cada iteracin.
Programacin cuadrtica secuencial (SQP)
Dada la descripcin del problema dada en (6-1) la idea principal es la formulacin de un
subproblema (QP) basado en una aproximacin cuadrtica de la funcin de Lagrange.
m
L( x, ) = f ( x ) +
(x).g (x)
i
i=1
Aqu (6.1) es simplificada asumiendo que las condiciones lmites han sido expresadas
como condiciones de desigualdad. EL subproblema (QP) es obtenido por linealizacin
de las condiciones no lineales
Subproblema (QP)
1 T
min imize
d Hk d + f ( x k ).Td
n
2
d
i = 1,.., m e
gi ( x k )Td + gi ( x k ) = 0
gi ( x k )Td + gi ( x k ) 0
i = m e ,......, m
Este subproblema puede ser resuelto usando cualquier algoritmo QP. La solucin es
utilizada para formar una nueva iteracin x k +1 = x k + k dk .
El parmetro k es determinado por un procedimiento de bsqueda de lnea apropiado
tal que se obtenga un decrecimiento suficiente en la funcin de mrito.
La matriz Hk es una aproximacin definida positiva de la matriz Hessiana de la funcin
de Lagrangian. Hkpuede ser actualizada por cualquiera de los mtodos quasi-Newton,
aunque el mtodo BFGS aparece como el ms popular.
Implementacin de SQP
La implementacin SQP en Matlab consiste de tres etapas principales:
Actualizacin de la matriz Hessiana y de la funcin de Lagrange.
Solucin del problema QP.
Clculo de la funcin de mrito y bsqueda de lnea.
a.- Actualizando la matriz Hessiana.

65
En cada iteracin importante, una aproximacin definida positiva quasi-Nexton del

Hessiano de la funcin de Lagrange, Hk es calculada utilizando el mtodo BFGS, donde
i (i = 1,2,........m) es una estima de los multiplicadores de Lagrange.
Actualizacin del Hessiano (BFGS)
H k +1 = H k +
q k .q kT
q kT .s k
H kT .H k
s kT .H k .s k
Donde:
s k = x k +1 x k
n
n
q k = f ( x k +1 ) + i .g i ( x k +1 ) f ( x k ) + i .g i ( x k )
i =1
i =1
b.- Solucin del problema QP.

En cada iteracin importante del mtodo SQP, un problema QP es resuelto de la forma
donde Ai refiere a la i-sima fila de la matriz A de mn.
QP
El procedimiento de solucin involucra dos fases: la primer fase involucra el clculo de

un punto factible (si ste existe) y la segunda fase involucra la generacin de una
secuencia iterativa de puntos factibles que convergen a la solucin.
Inicializacin
El algoritmo requiere un punto factible para comenzar. Si el punto actual desde el
mtodo SQP no es factible, entonces un punto puede ser encontrado resolviendo un
problema de programacin lineal.
c.- Funcin de mrito y bsqueda de lnea
La solucin al subproblema QP produce un vector dk, el cual es usado para realizar una
nueva iteracin:

66
k es determinado de forma tal que produzca un decrecimiento suficiente de la funcin

de mrito.
Funcin de mrito
Como dijimos los parmetros iniciales para la simulacin son muy importantes ya que
dirigen a la solucin hacia distintos mnimos locales, dando como resultado diferentes
parmetros ptimos para el PID.
Fueron simulados diferentes condiciones iniciales, las cuales arrojaron los siguientes
datos acumulados en la tabla que se muestra a continuacin:
PID_0
K1
K2
K3
Error de seguimiento
56,522
1,216
3,231
7,40810-6
1 ]
3,088
3,751
0,977
4,89010-5
[ 1,5 1,5 1,5 ]
23,116
2,408
2,412
1,97510-5
[ 2
2 ]
43,835
1,181
3,989
1,04610-5
[ 2,5 2,5 2,5 ]
3,397
3,754
2,525
4,78810-5
[ 3
3 ]
3,225
3,738
3,003
4,81610-5
[ 0,1 0,1 0,1 ]
8,296
4,982
0,346
2,59010-5
[ 0,5 0,5 0,5 ]

[ 1
Tabla 6-1:Parmetros optimizados del PID

y errores de seguimiento
Evidentemente el juego de parmetros iniciales [0.5 0.5 0.5] es el que menor error de
seguimiento produce por lo cual sern dichos parmetros los elegidos para ajustarlos en
planta. De todas formas y a ttulo de ejemplificacin se muestra a continuacin la
simulacin, del modelo sencillo de la planta, con los siguientes juego de parmetros
ptimos:
P1=[56.522 1.216 3.231] ; P2=[23.116 2.408 2.412] ; P3=[3.225 3.738 3.003]
Se debe tener en cuenta que a la planta sencilla se le adicion una saturacin inferior
para la relacin de reflujo(variable manipulada) de valor 0.5, esto evita que a la planta le
lleguen valores irreales de reflujo, adems se debe tener en cuenta que todos los

67
modelos fueron identificados con valores de relacin de reflujo mayores que 0.5 dando
esto un rango de validez a priori.
SALIDA DEL MODELO Y SETPOINT
1
0.9
0.8
SETPOINT
SALIDA P1
SALIDA P2
SALIDA P3
COMPOSICIONES [fraccin molar]
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0.2
0.4
0.6
0.8
1
TIEMPO [s]
1.2
1.4
1.6
1.8
2
4
x 10
Figura 6-4: Comparacin del control para diferentes

parmetros ptimos del PID.
Aqu podemos ver las distintas respuestas del PID segn sean los parmetros utilizados,
en efecto, vemos que una correcta inicializacin del algoritmo de optimizacin puede
dar resultados totalmente diferentes.
SEAL DE CONTROL
7
RELACION DE REFLUJO
5
PARAMETROS P3
PARAMETROS P2
PARAMETROS P1
4
0.2
0.4
0.6
0.8
1
TIEMPO [s]
1.2
1.4
1.6
1.8
2
4
x 10
Figura 6-5: Seal de control para diferentes parmetros ptimos del PID.

68
Siguiendo con el anlisis de optimizacin del PID, apreciamos las notables diferencias
existentes para le seal de control que resulta de utilizar los diferentes parmetros
ptimos del PID. Para los parmetros P1 el control es mas brusco dado por la alta
ganancia de la parte proporcional.
6.2.-IMPLEMENTACIN DEL PID Y CONEXIN CON HYSYS
El inferenciador, el control de vlvulas y el PID estn desarrollados y operan en el
espacio de trabajo de Matlab, comunicndose con la planta a travs de una interface
que posee Hysys que permite usar a Matlab como un controlador, como fue
anteriormente explicado en el captulo 5.
Esta interface esencialmente nos permite acceder a las hojas de clculo de Hysys tanto
para leer datos como para actualizarlos.
La implementacin del inferenciador, del control de vlvulas y del PID, as como el
intercambio de informacin se lleva a cabo utilizando los scripts objconex_pid e
infer_pid que se detallan en el apndice.
6.2.1.- Prueba del control con trayectorias de setpoint arbitrarias
6.2.1.1.- Caso en que el setpoint es solo el cyclohexano
DE S TILA DOS RE A LE S , INFE RIDOS Y S E TP OINT P A RA E L CA S O
RR3 (el c y c lohex ano es el s etpoint)
1
0.9
0.8
0.7
n-heptano real
tolueno real
inferenc ia
inferenc ia
inferenc ia
s etpoint
0.6
0.5
0.4
0.3
0.2
0.1
0
2000
4000
6000
8000
TIE M P O [s ]
10000
12000
14000
16000
Figura 6-6: Destilados reales, inferidos y setpoint para el caso RR3 (el cyclohexano es
el setpoint).

69
V A R IA B LE M A N IP U LA D A P A R A C A S O
R R 3 (el s etpoint es el c y c lohex ano)
4
R E LA C IO N D E R E F LU JO
3.5
2.5
1.5
2000
4000
6000
8000
TIE M P O [ s ]
10000
12000
14000
16000
Figura 6-7: Variable manipulada para caso RR3 (el cyclohexano es el setpoint)
Podemos ver que siguiendo nicamente el setpoint del cyclohexano, las respuestas son
muy buenas. Podemos ver que la seal de control no es demasiado brusca y est dentro
de los lmites aceptables para la relacin de reflujo.
6.2.1.2.- Caso en que el setpoint del cyclohexano luego conmuta al del n-heptano
Proponemos realizar ahora una prueba conmutando el setpoint, la idea es pasar de seguir
el cyclohexano a seguir el n-heptano en un determinado tiempo.
Las simulaciones nos arrojan los siguientes resultados:
DE S TILA DOS RE A LE S , INFE RIDOS Y S E TP O INT
(c as o en que s e c am bia el s et point)
1
0.9
COM P OS ICION [frac c in m olar]
0.8
0.7
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2000
4000
6000
8000
10000
TIE M P O [s ]
12000
14000
16000
Figura 6-8: Destilados reales, inferidos y setpoint (caso en que se cambia el setpoint)

70
V A RIA B LE M A NIP ULA DA P A RA E L CA S O DE

CONM UTA CION DE L S E TP OINT
4
3.5
RE LA CION DE RE FLUJO
2.5
1.5
0.5
2000
4000
6000
8000
10000
TIE M P O [s ]
12000
14000
16000
Figura 6-9: Variable manipulada para el caso de conmutacin del setpoint.

Como podemos apreciar de las grficas anteriores el cambio de setpoint no arroja
buenos resultados para aplicar en la planta ya que dicho cambio no puede ser seguido
por la planta.
Si bien el control responde y tiende a disminuir esta diferencia, vemos que se sale de los
lmites admisibles. Como dijimos en captulos anteriores, en este sector la planta tiene
un comportamiento un poco diferente y es posible que no sea suficiente con slo
modificar la relacin de reflujo para obtener un comportamiento deseado.
De todas maneras la respuesta que obtuvimos para el caso en que el setpoint es
nicamente el cyclohexano (no existe conmutacin) es muy buena y ser la estrategia de
control utilizada ms adelante en el caso de trayectorias ptimas.

71
CAPTULO 7
TRAYECTORIA PTIMA

72
7.1.- INTRODUCCIN
En general el control refiere a un sistema a lazo cerrado donde el punto de operacin
deseado es comparado con el punto de operacin actual y la diferencia es realimentada
al sistema para llevar el punto de operacin actual hacia el deseado.
El propsito de disear un sistema con control a lazo cerrado es disminuir la
sensibilidad de la planta a perturbaciones externas.
El uso de la funcin de control, aqu provee un control a lazo abierto; entonces las
variables son temporalmente dependientes, este tipo de problema de control es llamado
como un problema de control ptimo.
La dinmica de estas variables de decisin hacen dificultosa la resolucin de estos
problemas respecto a la optimizacin normal, donde las variables de decisin son
escalares.
En general tcnicas matemticas son usadas para resolver problemas de control ptimo,
las cuales involucran clculos de variaciones, programacin dinmica, principio
mximo y programacin no lineal (NLP) .
Los primeros tres mtodos tratan las variables de decisin como vectores, mientras que
NLP aproxima las variables para ser transformadas en escalares.
La eleccin de la mejor tcnica de optimizacin es totalmente dependiente del problema
a resolver.
Los problemas de control ptimo pueden ser clasificados de la siguiente forma:
Problema de mximo destilado: Aqu la cantidad de destilado de una
especificada concentracin, para un especificado tiempo es maximizada.
Problema de mnimo tiempo: Aqu se minimiza el tiempo necesario para
producir una cantidad de destilado dada, de una concentracin especificada.
Problema de mximo aprovechamiento: Donde es maximizada la funcin
aprovechamiento para una especificada concentracin.
La optimizacin involucra modelos en ecuaciones algebraicas y ecuaciones
diferenciales. La mayora de la literatura en esta rea se concentra en usar la
aproximacin por colocacin (Cuthrell and Biegler 1987, Logsdon1990) aproximando
el perfil de control por polinomios (Akgiray and Heydeweiller 1990, Farhat 1990,
Mujtaba and Machietto 1988) y aplicar NLP para resolver el problema.
Para modelos no lineales, la combinacin de tcnicas de colocacin y optimizacin no
lineales incrementan las no linealidades en el sistema , as se incrementa la posibilidad
de mltiples soluciones y se requerir una buena inicializacin; por otro lado el mtodo
de aproximacin por polinomios depende de la correcta eleccin del orden y tipo del
polinomio.
Diwekar (1992) propuso usar una combinacin de el principio mximo y NLP para
resolver el problema de optimizacin en destilacin batch ([3]).
Un problema de optimizacin algebraico diferencial en general puede escribirse como:
T
=
+
J
j
(
x
)
k ( xt , t , )dt
optimizar
t
t ,
0
Sujeto a:

73
dxt
= f ( xt , t , )
dt
h( xt , t , ) = 0
g ( xt , t , ) 0
x0 = xinicial
( L) t (U )
( L) (U )
7.2.- OBTENCIN DE LA TRAYECTORIA PTIMA PARA MXIMO

DESTILADO ([3])
Recordando las condiciones para el problema de mximo destilado, tenamos que:
T
T
V
dD
=
=
dt
dt
j
.
.
max imizar
R
+
1
dt
Rt
t
0
0
Sujeto a la siguiente condicin de pureza:

T
x Dav =
V
.x D(1) .dt
+
1
t
R
0
V
.dt
t +1
= x*
R
0
O sea que para un tiempo de destilacin dado y para una composicin promedio dada,
maximizamos la cantidad de destilado.
Discretizando ahora el funcional J con la regla rectangular en atraso para su
implementacin en el algoritmo de optimizacin obtenemos que:
k*
V
k =0 R ( k ) + 1
J = TM .
Donde :
RR = R(0) R(1) ......... R(k * )

V
D=
R(0) + 1
V
..........
R(1) + 1
es el vector de relaciones de reflujo a optimizar
V
es el vector de flujo de destilado
*
R(k ) + 1
Entonces podemos implementar el funcional en Matlab de la siguiente forma:

J = sum( D).TM

74
Discretizando adems la condicin de pureza:

k*
x =
*
D
x
k =0
1
D
k*
(k ).D(k )
D(k )
sum x 1D .D
=
sum( D)
k =0
Nuestro objetivo es obtener la mayor cantidad de destilado de cyclohexano durante todo

el tiempo de destilacin. Este tiempo total ha sido fijado en aproximadamente 5.5
horas ya que para este tiempo se destila prcticamente toda la carga en el reboiler.
Proponemos entonces optimizar la relacin de reflujo para obtener cyclohexano con
pureza x D* = 0.98 , en un tiempo T4.5horas. Se adopt este tiempo para optimizar
ya que se consume prcticamente todo el cyclohexano del reboiler.
Debido a que el tiempo total de destilacin es de aproximadamente 5.5 horas vemos que
terminado el perodo de optimizacin del cyclohexano , nos queda una hora de
destilacin que podemos aprovechar para obtener el mximo de pureza del n-heptano
funcionando a reflujo constante y muy bajo(0.5).
Nuevamente se utiliz para la optimizacin la funcin de Matlab fmincon ([5])pero
esta vez incluyendo la condicin de pureza. Se debe tener en cuenta que esta vez el
vector de parmetros a optimizar tiene una longitud de 830, esto esta dado por el
tiempo de optimizacin y el tiempo de muestreo TM=20seg, lo que hace que para este
procedimiento sea indispensable la utilizacin de un modelo sencillo de la planta, como
el obtenido en captulos anteriores, an as la optimizacin se vuelve un proceso
sumamente lento y tedioso ya que, como dijimos en el captulo 6, la optimizacin de los
parmetros es muy dependiente de las condiciones iniciales.
La optimizacin se realiza utilizando los siguientes script dest_max, condicion y
sumo . El primero optimiza utilizando la funcin fmincon , la cual que ya se
explic en el captulo 6 , el segundo le da la condicin a ser testeada en cada iteracin
de fmincon y el tercero devuelve el funcional que optimizar dest_max.
Entonces aplicando estos scripts y teniendo en cuenta que despus de la optimizacin se
hace funcionar al modelo con relacin de reflujo constante e igual a 0.5, se obtienen los
siguientes resultados:

75
TRA Y E CTORIA S OP TIM IZA DA S P A RA

CY CLOHE XA NOprom .= 0.98 Y 830 M UE S TRA S
1
0.9
COM P OS ICIONE S [frac c in m olar]
0.8
0.7
CY CLOHE XA NO
N-HE P TA NO
TOLUE NO
0.6
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
M UE S TRA S
600
700
800
900
1000
Figura 7.1: Trayectorias para optimizacin del cyclohexano

R E L A C IO N D E R E F L U J O O P T IM IZ A D A P A R A
C Y C L O H E XA N O p ro m : = 0 . 9 8 Y 8 3 0 M U E T R A S
R E L A C IO N D E R E F L U J O
14
12
10
100
200
300
400
500
M U E S TR A S
600
700
800
Figura 7.2: Variable manipulada optimizada para la trayectoria del cyclohexano

7.3.- PRUEBA DE LA PLANTA A LAZO ABIERTO (para la optimizacin del
cyclohexano)
Nos proponemos probar el softsensor y la operacin de la planta a lazo abierto,
proporcionndole la relacin de reflujo ptima obtenida en el punto anterior, que
maximiza la cantidad de destilado de cyclohexano, manteniendo una pureza promedio
de 0.98.
La simulacin de la planta en conexin con el inferenciador se realiza mediante scripts
similares a los usados en el captulo de la prueba del inferenciador, la nica diferencia

76
es ahora el tipo de datos que se le pasa a Hysys, en este caso se le pasa la relacin de
reflujo ptima y no una aleatoria. Esta operacin nos arroja los resultados que vemos a
continuacin:
D E S TIL A D O S R E A L E S , IN F E R E N C IA D O S Y TR A Y E C T O R IA O P T IM A
P A R A O P E R A C IO N A L A ZO A B IE R T O (c o n R R p t im a )
1
0.9
0.8
0.7
n -h e p t a n o re a l
t o lu e n o re a l
c y c lo h e x a n o re a l
in fe re n c ia
in fe re n c ia
in fe re n c ia
t ra y e c t o ria p t im a
0.6
0.5
0.4
0.3
0.2
0.1
0
0
2000
4000
6000
8000
10000
T IE M P O [ s ]
12000
14000
16000
Figura 7.3: Respuesta de la planta a lazo abierto a la relacin de reflujo ptima

El control de la vlvula del tanque de almacenamiento de cyclohexano se realiz por
tiempo, es decir que se almacen destilado hasta que la trayectoria ptima culmin
(830 muestras).
Como vemos la pureza promedio del cyclohexano acumulado difiere notablemente de la
terica propuesta (0.98) ya que lo que se obtuvo realmente calculado por Hysys en esta
operacin a lazo abierto fue de 0.906 .
Figura 7.4: Composicin promedio final a lazo abierto

en el tanque del cyclohexano
Como podemos observar la respuesta real del cyclohexano difiere notablemente de la
ptima, haciendo que la operacin bajo trayectorias ptimas necesite la implementacin

77
de algn tipo de control. Estas diferencias estn basadas en las diferencias existentes
entre el modelo de la planta y la planta real, si bien el modelo es lo suficientemente
bueno como para obtener aproximaciones de las trayectorias de optimizacin (como
veremos ms adelante), por otro lado no posee la informacin completa sobre la
dinmica de la planta, dando respuestas realmente buenas ante un tipo de entradas y
respuestas notablemente diferentes ante otras. Todo lo anterior ms los resultados
obtenidos prximamente justifican la implementacin del control PID desarrollado en el
captulo anterior para mantener la salida de la planta muy prxima a la trayectoria
ptima.
7.4.- PRUEBA DE LA PLANTA A LAZO CERRADO
7.4.1.-Setpoint solo en el cyclohexano (cyclohexano ptimo)
Ahora continuamos con las pruebas, pero la operacin es a lazo cerrado, utilizando
como setpoint la trayectoria ptima del cyclohexano obtenida en el punto 7.1.
El control propuesto es del tipo PID y es el que se desarrollo en el captulo 6 mediante
tcnicas de optimizacin y se ajust en planta ante diferentes tipos de trayectorias.
La implementacin del inferenciador, del PID y del control de vlvulas se realiza de
forma similar a los casos mostrados en el captulo anterior, la nica diferencia es que
ahora el setpoint es el ptimo y el control de las vlvulas se hacen de acuerdo a nuevos
criterios como por ejemplo almacenar en un tanque todo el destilado de cyclohexano
hasta que el setpoint ptimo termine, desde aqu se abre la vlvula del tanque del nheptano y se almacena aqu todo el producto hasta que la composicin instantnea del
tolueno llega a 0.35 , en este momento se cierra la vlvula del tanque del n-heptano y se
abre la del tanque del tolueno para acumular todo el producto hasta la finalizacin del
proceso. No se propone un corte intermedio al finalizar la optimizacin del cyclohexano
ya que como se destil prcticamente toda la cantidad de producto su descenso es
abrupto y se puede considerar que prcticamente no hay necesidad de hacer otra
acumulacin en otro tanque, si no que inmediatamente comenzamos la acumulacin del
n-heptano.
Todo lo anterior se puede apreciar en el script inferoptim_PID.
Como vamos a apreciar, es notable la diferencia a la operacin anterior ya que se
obtienen resultados mucho ms aproximados a los tericos en este caso.

78
DE S TILA DOS RE A LE S , INFE RIDOS Y S E TP OINT OP TIM O

P A RA E L CY CLOHE XA NO
1.2
0.8
0.6
0.4

tolueno real
n-heptano real
inferenc ia
inferenc ia
inferenc ia
s etpoint ptim o
0.2
-0.2
0.2
0.4
0.6
0.8
1
TIE M P O [s ]
1.2
1.4
1.6
1.8
x 10
Figura 7.5: Respuesta de la planta a lazo cerrado con

cyclohexano optimizado como setpoint
V A RIA B LE M A NIP ULA DA P A RA E L CA S O DE
S E TP O INT O P TIM O
25
RE LA CIO N DE RE F LUJO
20
15
10
0.2
0.4
0.6
0.8
1
TIE M P O [s ]
1.2
1.4
1.6
1.8
x 10
Figura 7.6: Variable manipulada real para el cyclohexano como setpoint

Como vemos las trayectorias estn mucho ms prximas a la ptimas en este caso y el
valor de pureza promedio acumulado en el tanque del cyclohexano result ser en este
caso de 0.96, mucho ms prximo al terico que para el caso de operacin a lazo
abierto. Tambin observamos que las pureza de los restantes componentes resultaron de
0.65 y 0.6 para el n-heptano y el tolueno respectivamente.
A continuacin podemos apreciar las evoluciones del nivel de lquido en cada uno de
los tanques as como las composiciones finales en los mismos calculada por Hysys.

79
NIV E L DE LIQUIDO E N LOS TA NQUE S

60
CY CLOHE XA NO
TOLUE NO
N-HE P TA NO
NIV E L DE LIQUIDO [% ]
50
40
30
20
10
0.5
1.5
TIE M P O [s ]
Figura 7.7: Nivel de liquido en los tanques
Figura 7.8: Composicin promedio acumulada en

el tanque de tolueno
2
x 10

Figura 7.9: Composicin promedio acumulada en

el tanque de n-heptano
Figura 7.10: Composicin acumulada promedio en

el tanque de cyclohexano
80

81
7.4.2.-Setpoint en el cyclohexano pero ahora tambin se optimiz el n-heptano

La idea ahora es maximizar tambin la cantidad de destilado de n-heptano para una dada
pureza promedio, entonces se propone como en la optimizacin anterior un tiempo fijo
en cual maximizar, en este caso se adopto maximizar cyclohexano en 500 muestras
(aprox. 2.7 horas) con una pureza promedio de 0.98 que ser almacenado en el tanque 1,
a partir de aqu un corte intermedio de 50 muestras(aprox. 0.27 horas) en el cual la
planta funciona a relacin de reflujo constante de 0.5, con el objeto de que el
cyclohexano baje su perfil lo antes posible y en todo este momento el producto
intermedio es almacenado en el tanque 2. Luego de este corte intermedio se propuso
maximizar la cantidad de destilado de n-heptano en un tiempo fijo de 300 muestras
(aprox. 1.6 horas) y con una pureza promedio de 0.62; este segundo producto
optimizado se almacena en el tanque 3. A partir de aqu se propone un nuevo corte
intermedio de 50 muestras tambin, que es almacenado en el tanque 4, quedando as el
tolueno acumulado en el reboiler directamente.
La optimizacin que se describi anteriormente se produce con los scripts
dest_max,condicion y sumo, que fueron usados para optimizar la trayectoria del
cyclohexano pero ahora con la adicin de los scripts dest_max2 y condicion2 que
son usados luego de optimizar el cyclohexano, para optimizar el n-heptano.
En s los scripts son muy similares, difiriendo solo en el tiempo de optimizacin y la
pureza promedio seleccionada, para ms detalles ver apndice.
Todo lo anterior requiere que la planta original sea modificada con el agregado de
nuevos tanques acumuladores, quedando finalmente como podemos apreciar a
continuacin:
Figura 7.11: Nueva disposicin de la planta para acumular

dos cortes intermedios

82
De donde podemos ver que las referencias son:

V-101=Reboiler.
V-102=Tanque 1, V-104=Tanque 2, V-103=Tanque 3, V-105=Tanque 4.
VLV-104=vlvula del tanque 1, VLV-105=vlvula del tanque 3.
VLV-106=vlvula del tanque 2, VLV-107=vlvula del tanque 4.
Entonces optimizando como se dijo anteriormente se obtienen las siguientes trayectorias
ptimas para el cyclohexano y para el n-heptano:
TR A Y E C TO R IA S D E L C Y C L O H E XA N O Y N -H E P TA N O O P TIM IZA D A S
(p a ra p u re z a s p ro m e d io d e 0 . 9 8 y 0 . 6 2 re s p e c t iva m e n t e )
1
0.9
0.8
0.7
0.6
c y c lo h e x a n o
n -h e p t a n o
t o lu e n o
0.5
0.4
0.3
0.2
0.1
0
100
200
300
400
500
M U E S TR A S
600
700
800
900
1000
Figura 7.12: Trayectorias optimizadas del cyclohexano y del n-heptano

R E L A C IO N D E R E F L U JO O P TIM IZA D A TA N TO P A R A C Y C L O H E XA N O C O C M O
P A R A N -H E P TA N O
6
R E L A C IO N D E R E F L U JO
100
200
300
400
500
M U E S TR A S
600
700
800
Figura 7.13: Relacin de reflujo ptima tanto para el

cyclohexano como para el n-heptano
900
1000

83
Como se dijo anteriormente se propone tomar como trayectoria de setpoint la del

cyclohexano por tener mejor inferencia. Entonces tanto el inferenciador, el PID y el
control de vlvulas se implementan juntos como los casos anteriores pero ahora bajo el
nombre de inferop_cyclo_n_hept (ver apndice).
La simulacin conjunta de la planta en Hysys como del script anterior en Matlab nos
arrojaron los siguientes resultados:
DE S TILA DOS RE A LE S , INFE RIDOS Y S E TP OINT P A RA E L CA S O DE
OP TIM IZA CION TA NTO DE L CY CLOHE XA NO COM O E L N-HE P TA NO
1
0.9
0.8
0.7
n-heptano real
tolueno real
inferenc ia
inferenc ia
inferenc ia
s et point
0.6
0.5
0.4
0.3
0.2
0.1
0
0
0.2
0.4
0.6
0.8
1
TIE M P O [s ]
1.2
1.4
1.6
1.8
2
x 10
Figura 7.14: Respuesta de la planta en lazo cerrado con

el cyclohexano como setpoint
V A RIA B LE M A NIP ULA DA P A RA E L CA S O DE O P TIM IZA CIO N DE L
CY CLO HE XA NO Y DE L N-HE P TA NO
6
RE LA CIO N DE RE F LUJO
0.2
0.4
0.6
0.8
1
TIE M P O [s ]
1.2
1.4
1.6
1.8
2
x 10
Figura 7.15: Variable manipulada real para el caso de cyclohexano

y n-heptano ptimos.

Con las siguientes purezas acumuladas en los tanques de almacenamiento:
Figura 7.16: Composicin promedio en el tanque1

(cyclohexano)
Figura 7.17: Composicin promedio en el tanque3

(n-heptano)
84

Figura 7.18: Composicin promedio en el reboiler

(tolueno)
Figura 7.19: Composicin promedio en el tanque 2

(primer corte intermedio)
85

86
Figura 7.20: Composicin promedio en el tanque 4

(segundo corte intermedio)
Vemos que los valores obtenidos estn cercanos a los tericos ya que se obtuvo los
siguientes valores promedio de destilado:
REAL
PROPUESTA
CYCLOHEXANO
0.91381
0.98
N-HEPTANO
0.67669
0.62
Tabla 7.1: Comparacin entre resultados tericos y reales
Las diferencias se deben, como explicamos anteriormente, a que el modelo de la planta
usado para realizar la optimizacin tiene sus limitaciones en lo que respecta a la
dinmica que l representa de la planta real. Es una de las cuestiones a tener en cuenta
cuando no se puede optimizar con un modelo demasiado complejo y se recurre a
modelos ms simples para realizar la operacin.
De todas maneras vemos que los resultados estn en el orden de lo que esperbamos.

CAPTULO 8
CONCLUSIONES
87

88
La destilacin batch para producir materiales de bajo volumen y alto valor agregado es
uno de los principales procesos. Una adecuada optimizacin y un correcto control son
imprescindibles para obtener mximos beneficios.
Lo anterior recae esencialmente en la necesidad de obtener un modelo de la planta lo
ms exacto posible.
Nuestro trabajo comenz con el empleo de un modelo riguroso que permite realizar
pruebas preliminares de optimizacin y control de la planta. Para ello es necesario la
obtencin de modelos simplificados de la planta basados en mtodos de identificacin
convencionales tales como los mtodos de subespacio e identificacin no lineal basados
en modelos del tipo Hammerstein.
Esto permiti optimizar en forma aproximada y rpida los parmetros del controlador
PID as como las trayectorias de composicin.
Vimos que con stas tcnicas clsicas de identificacin se puede reproducir el
comportamiento dinmico de la planta. As tambin pudimos ver que en este proceso de
destilacin de tres componentes existen zonas donde el modelo se aproxima al
comportamiento real ms que en otras, esto generalmente es debido a que en las zonas
donde el proceso es predominantemente ternario las composiciones de destilado no solo
son dependientes de la temperatura o de la relacin de reflujo sino que involucran otras
variables que dependen de las condiciones fsico-qumicas del proceso.
An as logramos obtener resultados aceptables en lo que respecta al comportamiento
del inferenciador para predecir composiciones promedio del producto acumulado y as
utilizarlo como control para las vlvulas de los tanques de almacenamiento de los
productos, actividad que hasta el momento se realizaba manualmente.
Los resultados que logramos apreciar en esta seccin del trabajo fueron tambin
aceptables ya que la planta present un mejor funcionamiento a lazo cerrado que a lazo
abierto en lo que respecta a la pureza promedio obtenida en los tanques. Podemos decir
tambin que el funcionamiento de la planta con trayectorias ptimas arroj los
resultados esperados, evidenciando el comportamiento aproximado pero aceptable de
los modelos identificados.
Nuestro inters es proponer la continuacin de este proyecto pero basando la
identificacin en tcnicas con redes neuronales y con la aplicacin de un control
avanzado predictivo.

APENDICE
89

90
Script iee.m correspondiente a la identificacin de un modelo lineal en

ecuaciones de estado para la dinmica relacin de reflujo temperatura.
%ESTE SCRIPT REALIZA LA IDENTIFICACIN DE UN MODELO
%EN ESPACIO DE ESTADOS TOMANDO COMO ENTRADA LA
%RELACIN DE REFLUJO Y COMO SALIDA LA TEMPERATURA.
%-------------------------------------------------------------------------------------random_3;
te=time_r3;
Ts=mean(diff(te));
ye=T1_r3;
ue=[RR3];
z=[ye ue];
NY=1;
k=53;
[TH,A0]=n4sid(z,'best',NY,k,[0,1,1],[],Ts);
[A,B,C,D,K,X0]=th2ss(TH);
[Y,XX]=dlsim(A,B,C,D,ue,X0);
errory=norm(Y-ye)^2/length(ye)
plot(te,Y,te,ye,'r')
title('VALIDACIN CON LOS DATOS DE ESTIMACIN')
xlabel('TIEMPO [s]')
Script iee-v.m para realizar la validacin del modelo anterior.
%ESTE SCRIPT REALIZA LA VALIDACIN DEL MODELO
%EN ESPACIO DE ESTADOS IDENTIFICADO POR "iee.m"
%---------------------------------------------------------------------------datos_r;
te=time_r;
Ts=mean(diff(te));
ye=T_1r;
ue=[RR];
z=[ye ue];
NY=1;
k=53;
[TH,A0]=n4sid(z,'best',NY,k,[0,1,1],[],Ts);
[A,B,C,D,K,X0]=th2ss(TH);
[Y,XX]=dlsim(A,B,C,D,ue,X0);
errory=norm(Y-ye)^2/length(ye)
plot(te,Y,te,ye,'r')
title('VALIDACIN CON NUEVOS DATOS')
xlabel('TIEMPO [s]')
ylabel('TEMPERATURA [c]')

91
Script hammer-infer que realiza la identificacin del modelo hammerstein y la

validacin incluyendo informacin de la salida real cada 30 minutos.
%ALGORITMO QUE REALIZA LA IDENTIFICACIN
%DE UN MODELO HAMMERSTEIN--n=2, m=3, r=3 Y LA VALIDACIN
%SE REALIZA INCLUYENDO LA COMPOSICIN REAL CADA 30
%MINUTOS
%---------------------------------------------------------------------------------------------random_3;
delta1=0;
delta2=0;
t=time_r3;
u=T1_r3;
y1=cyclo_r3;
y2=n_hept_r3;
y3=1-y1-y2;
%----------------------ry1=[-y1(2),-y1(1)];
cy1=-y1(2:length(y1),:);
ry2=[-y2(2),-y2(1)];
cy2=-y2(2:length(y2),:);
ru1=[u(2),u(1),0];
cu1=u(2:length(u),:);
%----------------------phy1=toeplitz(cy1,ry1);
phy2=toeplitz(cy2,ry2);
%----------------------phu1=toeplitz(cu1.^2,ru1.^2);
phu2=toeplitz(cu1.^4,ru1.^4);
%----------------------------phi1=[phy1,phu1,phu2,phu3];
phi2=[phy2,phu1,phu2,phu3];
yy1=[y1(3:length(y1),:);y1(length(y1))];
yy2=[y2(3:length(y2),:);y2(length(y2))];
yy3=1-yy1-yy2;
uu=[u(3:length(u),:);u(length(u))];
%---------------------------------------thetahat1=phi1\yy1;
thetahat2=phi2\yy2;
%------------------thetahatbc1v=thetahat1(3:length(thetahat1),:);
thetahatbc2v=thetahat2(3:length(thetahat2),:);
%--------------------------------------------thetahatbc1=rowblock(thetahatbc1v,3,1);
thetahatbc2=rowblock(thetahatbc2v,3,1);
%-------------------------------------ahat1=thetahat1(1:2,:);
ahat2=thetahat2(1:2,:);

[UU1,SS1,VV1]=svd(thetahatbc1);
[UU2,SS2,VV2]=svd(thetahatbc2);
bhat1=UU1(:,1);
bhat2=UU2(:,1);
chat1=SS1(1,1)*VV1(:,1);
chat2=SS2(1,1)*VV2(:,1);
%------------------------------------%VALIDACION CON DATOS DE ESTIMACION
%E INCLUCION DE LA SALIDA REAL C/A 30'
%------------------------------------L=1;
u1=uu.^2;
u2=uu.^4;
u3=uu.^6;
yhat1(1)=yy1(1);
yhat1(2)=yy1(2);
yhat1(3)=yy1(3);
yhat2(1)=yy2(1);
yhat2(2)=yy2(2);
yhat2(3)=yy2(3);
for k=4:length(yy1),
yhat1(k)=-ahat1(1)*yhat1(k-1)-ahat1(2)*yhat1(k-2)+thetahatbc1v(1)*u1(k-1)+...
thetahatbc1v(2)*u1(k-2)+thetahatbc1v(3)*u1(k-3)+thetahatbc1v(4)*u2(k-1)+...
thetahatbc1v(8)*u3(k-2)+thetahatbc1v(9)*u3(k-3)+delta1;
if yhat1(k)>1
yhat1(k)=1;
end
if yhat1(k)<0
yhat1(k)=0;
end
yhat2(k)=-ahat2(1)*yhat2(k-1)-ahat2(2)*yhat2(k-2)+thetahatbc2v(1)*u1(k-1)+...
thetahatbc2v(8)*u3(k-2)+thetahatbc2v(9)*u3(k-3)+delta2;
if yhat2(k)>1
yhat2(k)=1;
end
if yhat2(k)<0
yhat2(k)=0;
end
yhat3(k)=1-yhat1(k)-yhat2(k);
if yhat3(k)>1
yhat3(k)=1;
end
if yhat3(k)<0
yhat3(k)=0;
end
92

93
%-------------------------------------------------------------%C/A 90 MUESTRAS ACTUALIZO CON VALORES REALES DE LA

%COMPOSICION
%-------------------------------------------------------------if k==90*L
yreal1=cyclo_r3(k);
yreal2=n_hept_r3(k);
delta1(k)=yreal1-yhat1(k);
delta2(k)=yreal2-yhat2(k);
yhat1(k)=yhat1(k)+delta1(k);
yhat2(k)=yhat2(k)+delta2(k);
yhat3(k)=1-yhat1(k)-yhat2(k);
L=L+1;
delta1=delta1(k);
delta2=delta2(k);
end
%--------------------------------------------------------------end
%--------------------------------------------------------------------------------tt=t(2:length(t),:);
%------------------------------------------------------%PLOTEO CON DATOS DE ESTIMACION
plot(tt,yhat1','r',tt,yy1,'k');
title('CYCLOHEXANO(negro=real,rojo=estima)');
grid on;
figure;
title('N-HEPTANO(negro=real,rojo=estima)');
grid on;
figure;
title('TOLUENO(negro=real,rojo=estima)');
grid on;
%------------------------------------------------------%ERROR
errory1=(norm(yhat1'-yy1))^2/length(yy1)
error_total=errory1+errory2+errory3
%---------------------------------------------------------------------------------%PARAMETROS
ahat1=thetahat1(1:2,:)
ahat2=thetahat2(1:2,:)
bhat1=UU1(:,1)
bhat2=UU2(:,1)
chat1=SS1(1,1)*VV1(:,1)
chat2=SS2(1,1)*VV2(:,1)
%---------------------------------%VALIDACION CON DATOS_R E INCLUSION

94
%DE LA SALIDA REAL C/A 30'

%---------------------------------datos_r;
delta1=0;
delta2=0;
L=1;
tv3=time_r;
y1v3=cyclo_r;
y2v3=n_hept_r;
y3v3=tolueno_r;
uv3=T_1r;
u1v3=uv3.^2;
u2v3=uv3.^4;
u3v3=uv3.^6;
for i=1:3,
yhat1v3(i)=y1v3(i);
yhat2v3(i)=y2v3(i);
end
for k=4:length(y1v3),
yhat1v3(k)=-ahat1(1)*yhat1v3(k-1)-ahat1(2)*yhat1v3(k-2)+thetahatbc1v(1)*u1v3(k1)+...
thetahatbc1v(2)*u1v3(k-2)+thetahatbc1v(3)*u1v3(k-3)+thetahatbc1v(4)*u2v3(k1)+...
thetahatbc1v(8)*u3v3(k-2)+thetahatbc1v(9)*u3v3(k-3)+delta1;
if yhat1v3(k)>1
yhat1v3(k)=1;
end
if yhat1v3(k)<0
yhat1v3(k)=0;
end
yhat2v3(k)=-ahat2(1)*yhat2v3(k-1)-ahat2(2)*yhat2v3(k-2)+thetahatbc2v(1)*u1v3(k1)+...
thetahatbc2v(8)*u3v3(k-2)+thetahatbc2v(9)*u3v3(k-3)+delta2;
if yhat2v3(k)>1
yhat2v3(k)=1;
end
if yhat2v3(k)<0
yhat2v3(k)=0;
end
yhat3v3(k)=1-yhat1v3(k)-yhat2v3(k);
if yhat3v3(k)>1
yhat3v3(k)=1;

end
if yhat3v3(k)<0
yhat3v3(k)=0;
end
%COMPOSICION
%-------------------------------------------------------------if k==90*L
yreal1=cyclo_r(k);
yreal2=n_hept_r(k);
delta1(k)=yreal1-yhat1v3(k);
delta2(k)=yreal2-yhat2v3(k);
yhat1v3(k)=yhat1v3(k)+delta1(k);
yhat2v3(k)=yhat2v3(k)+delta2(k);
yhat3v3(k)=1-yhat1v3(k)-yhat2v3(k);
L=L+1;
delta1=delta1(k);
delta2=delta2(k);
end
%--------------------------------------------------------------end
%--------------------------------------------------------------------------------%PLOTEO CON DATOS DE VALIDACION 3
figure
plot(tv3,yhat1v3','k',tv3,y1v3,'r');
grid on;
hold on
plot(tv3,yhat2v3','k',tv3,y2v3,'g');
grid on;
hold on
plot(tv3,yhat3v3','k',tv3,y3v3,'b');
grid on;
%------------------------------------------------------%ERROR
errory1v3=(norm(yhat1v3'-y1v3))^2/length(y1v3)
error_totalv3=errory1v3+errory2v3+errory3v3
95

96
Script optim-PID que realiza la optimizacion del PID usando un modelo

simplificado de la planta.
%ESTE SCRIPT REALIZA LA OPTIMIZACION DEL PID USANDO UN
%MODELO SIMPLIFICADO DE LA PLANTA A LAZO CERRADO Y LA
%FUNCION DE MATLAB "FMINCON"
%------------------------------------------------------------------------------------------------clear all
parametros;
random_3;
ysp=cyclo_r3;
PID_0=[0 0 0];
lb=[0 0 0];
ub=[1000 1000 1000];
options=optimset('largescale','off','display','iter','tolx',0.001,'tolfun',0.001);
PID=fmincon('planta_lc',PID_0,[],[],[],[],lb,ub,[],options,ysp,RR3,Abest,Bbest,Cbest,
X 0best,thetahatbc1v,ahat1);
k1=PID(1)
k2=PID(2)
k3=PID(3)
planta
Funcin planta-lc usada por el script anterior para simular la planta a lazo
cerrado.
%FUNCION "PLANTA_LC" QUE SIMULA LA PLANTA A LAZO CERRADO
%RECIBIENDO COMO ARGUMENTOS EL VECTOR PID OPTIMIZADO POR
%"OPTIM_PID" Y LOS PARAMETROS DE LOS MODELOS, ADEMAS ESTA
%FUNCION RETORNA EL ERROR CUADRATICO MEDIO ENTRE SETPOINT
%Y SALIDA DEL MODELO
%---------------------------------------------------------------------------------------------------function [F]=planta_lc(PID,ysp,RR3,Abest,Bbest,Cbest,X0best,thetahatbc1v,ahat1)
k1=PID(1);
k2=PID(2);
k3=PID(3);
a11=Abest(1,1);
a12=Abest(1,2);
a21=Abest(2,1);
a22=Abest(2,2);
b1=Bbest(1);
b2=Bbest(2);
c1=Cbest(1);
c2=Cbest(2);
x1(1)=X0best(1);
x2(1)=X0best(2);
%INICIALIZACION
for i=1:3,
y1(i)=ysp(i);

e(i)=0;
u(i)=RR3(3);
end
%INICIALIZACION DEL MODELO N4SID
for i=1:3,
x1(i+1)=a11*x1(i)+a12*x2(i)+b1*u(i);
x2(i+1)=a21*x1(i)+a22*x2(i)+b2*u(i);
y4sid(i)=c1*x1(i)+c2*x2(i);
end
%SIMULACION DEL MODELO A LAZO CERRADO
acum=0;
ub=3;
for i=4:length(ysp),
%salida del modelo 4sid para "k"
y4sid(i)=c1*x1(i)+c2*x2(i);
%salida de la planta para "k"
u1=y4sid.^2;
u2=y4sid.^4;
u3=y4sid.^6;
y1(i)=-ahat1(1)*y1(i-1)-ahat1(2)*y1(i-2)+thetahatbc1v(1)*u1(i-1)+...
thetahatbc1v(2)*u1(i-2)+thetahatbc1v(3)*u1(i-3)+thetahatbc1v(4)*u2(i-1)+...
thetahatbc1v(5)*u2(i-2)+thetahatbc1v(6)*u2(i-3)+thetahatbc1v(7)*u3(i-1)+...
thetahatbc1v(8)*u3(i-2)+thetahatbc1v(9)*u3(i-3);
if y1(i)>1
y1(i)=1;
end
if y1(i)<0
y1(i)=0;
end
%calculo el error para "k"
e(i)=ysp(i)-y1(i);
%calcuclo de la seal de control para "k"
acum=acum+e(i);
u(i)=k1*e(i)+k2*acum+k3*(e(i)-e(i-1))+ub;
if u(i)<0.5
u(i)=0.5;
end
%calculo de las variables de estado para 4sid
%en "k+1" para la proxima iteracion
x1(i+1)=a11*x1(i)+a12*x2(i)+b1*u(i);
x2(i+1)=a21*x1(i)+a22*x2(i)+b2*u(i);
end
F=ysp-y1';
F=sum(F.^2);
97

Funciones de la librera de Hysys para la comunicacin con Matlab

function CellObject = hycell(SpreadsheetObject, CellNameString)
% HYCELL Returns the column cell array of activeX objects of cells in Hysys.
% hycell(SpreadsheetObject, CellNameString) returns the object for the
% cell name given by CellNameString. CellNameString may be a cell array.
%
% Copyright (C) 1999 Olaf Trygve Berglihn <olafb@pvv.org>
% Please read the files license.txt and lgpl.txt
%% $Id: hycell.m,v 1.5 1999/04/20 08:52:52 olafb Exp $
%% ----------%% Change log:
%%
%% $Log: hycell.m,v $
%% Revision 1.5 1999/04/20 08:52:52 olafb
%% The library is now under LGPL license.
%%
%% Revision 1.4 1999/04/18 13:54:11 olafb
%% hysyslib/
%%
%% Revision 1.3 1999/04/16 08:38:16 olafb
%% Added support for cell arrays of aciveX objects
%%
%% Revision 1.2 1999/04/07 11:56:43 olafb
%% *** empty log message ***
%%
CellObject = {};
if isa(CellNameString, 'cell')
for n1 = 1:size(CellNameString,1)
for n2 = 1:size(CellNameString,2)
CellObject{n1,n2} = get (SpreadsheetObject, 'Cell', CellNameString{n1,n2});
end
end
else
CellObject{1} = get (SpreadsheetObject, 'Cell', CellNameString);
end
function hyapp = hyconnect(FileNameString, VisibleBoolean)

% HYCONNECT Connecting Matlab as a controller for Hysys via ActiveX/COM
% hyconnect(FileNameString, VisibleBoolean) connects to the Hysys
% case-file specified by FileNameString. If given no arguments, the
% current and open Hysys-case will be used. The optional boolean variable
% VisibleBoolean controls wether the application window will be shown
% (takes values 0 and 1, 1 by default). Returns the activeX application
% server object.
98

%
%
%
Copyright (C) 1999 Olaf Trygve Berglihn <olafb@pvv.org>

Please read the files license.txt and lgpl.txt
%% $Id: hyconnect.m,v 1.4 1999/04/20 09:04:39 olafb Exp $

%% ---------%% Changelog:
%%
%% $Log: hyconnect.m,v $
%% Revision 1.4 1999/04/20 09:04:39 olafb
%%
%% Revision 1.3 1999/04/16 08:38:16 olafb
%%
%% Revision 1.2 1999/04/07 11:58:14 olafb
%%
%% Revision 1.1 1999/03/27 17:24:31 olafb
%% Initial revision
%%
% Connect to Hysys via Matlab activeX library function in Windows version.
% Since the activeX-library is not included in Matlab at compilation, a
% feval or eval syntax must be used.
hy = feval('actxserver', 'Hysys.Application');
if nargin <= 1
hy.Visible = 1;
else
hy.Visible = VisibleBoolean;
end
% This try/catch clause does not work yet. Only a dispatch warning is
% issued.
%
try
if nargin > 0
invoke (hy.SimulationCases, 'Open', FileNameString);
end
catch
lasterr;
disp('Check the path of the filename. If file is not in');
disp('local directory, include full path to file');
end
hyapp = hy;
99

100
function hyset(CellObjects, Value)

% HYSET Function to change a value of a spreadsheet cell in Hysys
% hyset(CellObjects, Value) changes the value of CellObjects to Value.
% CellObjects and Value must be matrises of the same dimension.
% CellObjects can contains a single object or a cell array of objects.
%
%% $Id: hyset.m,v 1.5 1999/04/20 08:52:53 olafb Exp $
%% ---------%% Changelog:
%%
%% $Log: hyset.m,v $
%% Revision 1.5 1999/04/20 08:52:53 olafb
%%
%% Revision 1.4 1999/04/18 14:04:43 olafb
%% Added support for cell matrises of activeX-objects.
%%
%% Revision 1.3 1999/04/18 13:54:12 olafb
%% hysyslib/
%%
%% Revision 1.2 1999/04/16 08:38:16 olafb
%%
%% Revision 1.1 1999/04/07 12:00:29 olafb
%% Initial revision
%%
if isa(CellObjects, 'cell')
for n1 = 1:size(CellObjects,1)
for n2 = 1:size(CellObjects,2)
if isa(CellObjects{n1,n2}, 'activex')
CellObjects{n1,n2}.CellValue = Value(n1,n2);
end
end
end
else
CellObjects.CellValue = Value;
end
function SpreadsheetObject = hyspread(ApplicationObject, SpreadsheetNameString)
% HYSPREAD Returns the activeX object for a spreadsheet in Hysys
% hyspread(ApplicationObject, SpreadsheetNameString)
%

%% $Id: hyspread.m,v 1.2 1999/04/20 08:52:53 olafb Exp $

%% ---------%% Changelog:
%%
%% $Log: hyspread.m,v $
%% Revision 1.2 1999/04/20 08:52:53 olafb
%%
%% Revision 1.1 1999/04/07 12:01:39 olafb
%% Initial revision
%%
%%
SpreadsheetObject = get ...
(ApplicationObject.ActiveDocument.Flowsheet.Operations,...
'Item', SpreadsheetNameString);
function CellValue = hyvalue(CellObject)

% HYVALUE Returns the value of a Hysys spreadsheet cell.
% hyvalue(CellObject) - CellObject can be a single object or a cell
% array of objects.
%
%% $Id: hyvalue.m,v 1.5 1999/04/20 08:52:54 olafb Exp $
%% ---------%% Changelog:
%%
%% $Log: hyvalue.m,v $
%% Revision 1.5 1999/04/20 08:52:54 olafb
%%
%% Revision 1.4 1999/04/18 14:04:44 olafb
%% Added support for cell matrises of activeX-objects.
%%
%% Revision 1.3 1999/04/18 13:54:12 olafb
%% hysyslib/
%%
%% Revision 1.2 1999/04/16 08:38:16 olafb
%%
%% Revision 1.1 1999/04/07 12:03:37 olafb
%% Initial revision
%%
if isa(CellObject, 'cell')
101

102
for n1 = 1:size(CellObject,1)
for n2 = 1:size(CellObject,2)
if isa(CellObject{n1,n2}, 'activex')
CellValue(n1,n2) = CellObject{n1,n2}.CellValue;
end
end
end
else
CellValue = CellObject.CellValue;
end
Script dest-max que optimiza el pefil de cyclohexano para pureza 0.98 en 830
muestras
clear all;
parametros;
RR0=ones(1,830)*2.1;
options=optimset('largeScale','off','Display','iter','TolX',0.01,'TolFun',0.01,'TolCon',0.1);
RRop1=fmincon('sumo',RR0,[],[],[],[],[],[],'condicion',options);
plot(RRop1)
Funcin sumo que retorna el funcional a optimizar
%FUNCION QUE CALCULA EL FUNCIONAL A SER
%OPTIMIZADO POR "FMINCON"
%-------------------------------------function [F]=sumo(RRop1)
for i=1:length(RRop1),
D(i)=2/(RRop1(i)+1);
end
%RETORNA------------------------------F=1/(20*sum(D));
Funcin condicion que retorna la condicin que debe testear fmincon
%FUNCION QUE CALCULA LA CONDICION A SER TESTEADA
%ENCADA ITERACION DE OPTIMIZACION DE "FMINCON"
%-----------------------------------------------function [C,Ceq]=condicion(RRop1)
U=[RRop1(1) RRop1];
%CARGA DE PARAMETROS PARA LOS MODELOS-----------Abest =[1.0009 -0.0618;0.0006 0.9324];
Bbest =[0.1679;0.1716];
Cbest =[-0.1328 -0.3651];
Dbest=0;
X0best =[-543.1539;-0.7557];
thetahat1 =[
0
0
0.00533533039938

-0.00525596941418
0.00091981894752
-0.00000072478418
0.00000075736475
-0.00000024541416
0.00000000003054
-0.00000000003275
0.00000000001352];
thetahat2 =[
0
0
-0.01933379948423
0.01988845609884
-0.00132442103450
0.00000253363899
-0.00000267662829
0.00000036307209
-0.00000000010425
0.00000000011135
-0.00000000002135];
%MODELO 4SID-----------------------------------[YY XX]=dlsim(Abest,Bbest,Cbest,Dbest,U,X0best);
%HAMMERSTEIN-----------------------------------ru1=[YY(2),YY(1),0];
cu1=YY(2:length(YY),:);
phi1=[phu1,phu2,phu3];
phi2=[phu1,phu2,phu3];
%COMPOSICIONES---------------------------------y1=phi1*thetahat1(3:length(thetahat1));
y2=phi2*thetahat2(3:length(thetahat2));
y3=1-y1-y2;
%CALCULO DE "D"
for i=1:length(RRop1),
D(i)=2/(RRop1(i)+1);
end
X=y1;
%CONDICIONES
Ceq=sum(X.*D')/sum(D)-0.98;
C=-sum(D);
103

104
Scripts para la conexin del inferenciador con la planta real

%M-FILE que crea objetos de conexin
%------------------------------------------%Donde es:
%A1:temperatura plato 1
%A2:temperatura plato 18
%A3:composicin real del cyclohexano
%A4:composicin real del tolueno
%A5:composicin real del n_heptano
%A6:vlvula tanque 3
%A7:vlvula tanque 2
%A8:vlvula tanque 1
%A9:tiempo
%A10:setpoint de la relacin de reflujo
%para el spreadsheet "IN"
%B1:inferencia del cyclohexano
%B2:inferencia del n_heptano
%B3:inferencia del tolueno
%B4:trayectoria de setpoint de destilado
%D1:parametro de la parte proporcional del PID
%D2:parametro de la parte integral del PID
%D3:parametro de la parte derivativa del PID
%D4:flujo de destilado
%---------------------------------------------%Crea conexin con Hysys
hy=hyconnect;
%Crea conexin con spreadsheet
spread=hyspread(hy,'INFER');
%Crea conexin con celdas del spreadsheet
cells=hycell(spread,{'A1','A2','A3','A4','A5','A6','A7','A8','A9','A10'});
cells1=hycell(spread,{'B1','B2','B3','B4','D1','D2','D3','D4'});
celdas=hyvalue(cells);
%-------------------------------------------------------------------------------%M-FILE QUE REALIZA LA INFERENCIA Y CONECTA EL INFERENCIADOR

CON MATLAB
%AL INFERENCIADOR SE LE PASAN LAS VERDADERAS COMPOSICIONES
C/A 30 min.
%-------------------------------------------------------------------------------%Algoritmo----------------------------------------------------------------------u1111=[RRo RRo RRo];
L=1;
delta1=0;
delta2=0;
j=0;
t=0;

105
celdas1=hyvalue(cells1);
tiempo11=celdas(9);
while t==0
%Leer valores de las celdas--------------------------------------------------celdas=hyvalue(cells);
%Definicin de variables en Matlab-------------------------------------------u1in=celdas(1);
tiempo=celdas(9);
%Control de paso de interaccin----------------------------------------------if tiempo>20*j +tiempo11
j=1+j;
tiempo1(j)=tiempo;
u(j)=u1in;
%inicializo vector de composiciones estimadas-----------------------------%cyclohexano
yhatv1(1)=1;
yhatv1(2)=1;
yhatv1(3)=1;
%n_heptano
yhatv2(1)=0;
yhatv2(2)=0;
yhatv2(3)=0;
%tolueno
yhatv3(1)=0;
yhatv3(2)=0;
yhatv3(3)=0;
uv1=u.^2;
uv2=u.^4;
uv3=u.^6;
%Comienzo la estimacion a partir de la tercera----------------------------------%iteracion ya que esta inicializada hasta j=3
if tiempo1(j)>20*3 + tiempo11
yhatv1(j)=-ahat1(1)*yhatv1(j-1)-ahat1(2)*yhatv1(j-2)+thetahatbc1v(1)*uv1(j-1)+...
thetahatbc1v(2)*uv1(j-2)+thetahatbc1v(3)*uv1(j-3)+thetahatbc1v(4)*uv2(j-1)+...
thetahatbc1v(8)*uv3(j-2)+thetahatbc1v(9)*uv3(j-3)+delta1;
if yhatv1(j)>1
yhatv1(j)=1;
end
if yhatv1(j)<0
yhatv1(j)=0;
end
yhatv2(j)=-ahat2(1)*yhatv2(j-1)-ahat2(2)*yhatv2(j-2)+thetahatbc2v(1)*uv1(j1)+...
if yhatv2(j)>1
yhatv2(j)=1;

106
end
if yhatv2(j)<0
yhatv2(j)=0;
end
yhatv3(j)=1-yhatv1(j)-yhatv2(j);
if yhatv3(j)>1
yhatv3(j)=1;
end
if yhatv3(j)<0
yhatv3(j)=0;
end
COMPOSICION
%-------------------------------------------------------------if j==90*L
%LEER VALORES REALES DE COMPOSICION YREAL1 y YREAL2
y1real=hyvalue(cells(3))
delta1=y1real-yhatv1(j)+delta1;
yhatv1(j)=yhatv1(j)+delta1;
L=L+1;
end
%--------------------------------------------------------------hyset(cells1{1},yhatv1(j));
hyset(cells1{2},yhatv2(j));
end
if tiempo > 1000000000
t=1;
end
end
end
Script inferoptim_PID que realiza la conexin con Hysys del inferenciador, del
PID y del control de vlvulas para el caso de set point ptimo de cyclohexano
%--------------------------------------------------------------------------------------%SCRIPT DEL INFERENCIADOR, CONTROL DE VALVULAS Y PID
%PARA EL CASO DE SETPOINT OPTIMO EN EL CYCLOHEXANO
%--------------------------------------------------------------------------------------ysp=cicloop;
%Algoritmo-----------------------------------------acum=0;
tttt=1;
L=1;

107
delta1=0;
delta2=0;
j=0;
t=0;
tiempo11=celdas(9);
RRo=celdas(10);
e=[0 0 0];
u1111=[RRo RRo RRo];
ff=1;
A1=0;
DA1=0;
while t==0
k1 = hyvalue(cells1{5});
%Leer valores de las celdas
%Definicin de variables en Matlab
u1in=celdas(1);
tiempo=celdas(9);
%Control de paso de interaccin
if tiempo>20*j +tiempo11
j=1+j;
tiempo1(j)=tiempo;
u(j)=u1in;
%inicializo vector de composiciones
%estimadas y la entrada
%cyclohexano
yhatv1(1)=1;
yhatv1(2)=1;
yhatv1(3)=1;
%n_heptano
yhatv2(1)=0;
yhatv2(2)=0;
yhatv2(3)=0;
%tolueno
yhatv3(1)=0;
yhatv3(2)=0;
yhatv3(3)=0;
%entrada
uv1=u.^2;
uv2=u.^4;
uv3=u.^6;
%Comienzo la estimacion a partir de la tercera------------------------------%iteracion ya que esta inicializada hasta j=3

108
if yhatv1(j)>1
yhatv1(j)=1;
end
if yhatv1(j)<0
yhatv1(j)=0;
end
if yhatv2(j)>1
yhatv2(j)=1;
end
if yhatv2(j)<0
yhatv2(j)=0;
end
if yhatv3(j)>1
yhatv3(j)=1;
end
if yhatv3(j)<0
yhatv3(j)=0;
end
COMPOSICION
%-------------------------------------------------------------if j==90*L
L=L+1;
end
%ERROR DE SEGUIMIENTO Y PID
if j<830
acum=acum+e(j);
u1111(j)=k1*e(j)+k2*(acum)+k3*(e(j)-e(j-1))+3;
if u1111(j)<0.5

109
u1111(j)=0.5;
end
end
if j>830
hyset(cells{10},0.5);
end
%CONTROL DE VALVULAS------------------------------if j>830 & tttt==1
hyset(cells{8},0);
hyset(cells{7},50);
tttt=2;
end
if yhatv3(j)>0.35
hyset(cells{6},50);
hyset(cells{7},0);
tttt=2;
end
end
if tiempo > 1000000000
t=1;
end
end
end
Script inferop-cyclo-n-hept que realiza la conexin e implementacin del
inferenciador,del PID y del control de vlvulas para el caso en que se optimiz
tanto el cyclohexano como el n-heptano
%--------------------------------------------------------------------%SCRIPT QUE REALIZA LA CONEXION E IMPLEMENTACION DEL
INFERENCIADOR,DEL PID Y
%DEL CONTROL DE VALVULAS. PARA EL CASO DE TRAYECTORIAS
OPTIMAS TANTO PARA EL
%CYCLOHEXANO COMO PARA EL N-HEPTANO
%--------------------------------------------------------------------y1=sp_cyclo;
%Algoritmo-----------------------------------------------------------acum=0;
L=1;
delta1=0;
delta2=0;
j=0;
t=0;
tiempo11=celdas(9);
RRo=celdas(10);
e=[0 0 0];
u1111=[RRo RRo RRo];

110
ff=1;
AA1=0;
DA1=0;
while t==0
%Leer valores de las celdas
%Definicin de variables en Matlab
u1in=celdas(1);
tiempo=celdas(9);
%Control de paso de interaccin
if tiempo>20*j +tiempo11
j=1+j;
tiempo1(j)=tiempo;
u(j)=u1in;
%inicializo vector de entrada y
%vector de composiciones estimadas
%cyclohexano
yhatv1(1)=1;
yhatv1(2)=1;
yhatv1(3)=1;
%n_heptano
yhatv2(1)=0;
yhatv2(2)=0;
yhatv2(3)=0;
yhatv3(1)=0;
yhatv3(2)=0;
yhatv3(3)=0;
uv1=u.^2;
uv2=u.^4;
uv3=u.^6;
%Comienzo la estimacion a partir de la tercera------------------------------%iteracion ya que esta inicializada hasta j=3
if yhatv1(j)>1
yhatv1(j)=1;
end
if yhatv1(j)<0
yhatv1(j)=0;
end

if yhatv2(j)>1
yhatv2(j)=1;
end
if yhatv2(j)<0
yhatv2(j)=0;
end
if yhatv3(j)>1
yhatv3(j)=1;
end
if yhatv3(j)<0
yhatv3(j)=0;
end
COMPOSICION
%-------------------------------------------------------------if j==90*L
L=L+1;
end
%ERROR DE SEGUIMIENTO
ysp=y1;
e(j)=ysp(j)-yhatv1(j);
acum=acum+e(j);
u1111(j)=k1*e(j)+k2*(acum)+k3*(e(j)-e(j-1))+3;
if u1111(j)<0.5
u1111(j)=0.5;
end
%CONTROL DE LAS VALVULAS
if j>500 & j<=550
hyset(cells{8},0);
hyset(cells{7},50);
end
if j>550 & j<=850
hyset(cells{7},0);
hyset(cells{6},50);
111

end
if j>850 & j<=987
hyset(cells{6},0);
hyset(cells1{9},50);
end
hyset(cells1{4},ysp(j));
end
if tiempo > 1000000000
t=1;
end
end
end
112

113
REFERENCIAS
[1].- Lennart Ljung , System Identification,Theory for the user(second edition, 1999)
[2].- Juan Carlos Gomez and Marta Basualdo , No linear identification of
multicomponent Batch distillation processes (paper,2000).
[3].- Urmila M. Diwekar , Batch distillation (simulation, optimal design and
control,1995)
[4].- Karl J. strm and Tore Hgglund , PID controllers (second edition, 1995).
[5].- The Math Works Inc. , Optimization Toolbox for use with Matlab (users guide
version 2, 1990-1999)
[6].- The Math Works Inc. , System Identification Toolbox for use with Matlab
(users guide,1988-1997)

Zumoffenygaretto 2002

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Zumoffenygaretto 2002

Încărcat de

Drepturi de autor:

Formate disponibile

Universidad Nacional de Rosario

Facultad de Ciencias Exactas Ingeniera y Agrimensura

Desarrollo de un soft-sensor para estimar la

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Rosario, Diciembre de 2002

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

4.4.3.- Resultados de la identificacin no lineal (soft-sensor)43

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Esquema general de la destilacin batch..12

Esquema del modelo Hammerstein...40

CAPTULO 5.- IMPLEMENTACIN DEL MODELO

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

FIGURA 5.3.- Prueba del inferenciador en el control de vlvulas de

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

FIGURA 7.18.- Composicin promedio en el reboiler (tolueno)..85

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

En los aos recientes, el inters industrial en destilacin batch se ha incrementado

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Figura 2-1: Esquema general de la destilacin

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Siendo F (moles) la alimentacin binaria inicial que est en el fondo, XF (fraccin

En el proceso de destilacin se asume que en un perodo corto de tiempo, el vapor

Figura 2-2: Procesos de escenario simple y procesos multi-escenarios

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Figura 2-3: Secuencia de columnas continuas

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Figura 2-4: Columna de destilacin batch

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Figura 2-5: Columna de destilacin batch con

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Donde Hmix = calor de la mezcla.

Que es la suposicin de sobreflujo equimolar.

Donde L es el lquido reinyectado desde le condensador, R representa la relacin de

Sustituyendo (2.1) en (2.2) tenemos:

Representando la ecuacin anterior en el mismo grfico que la curva de equilibrio

Figura 2-6: Curva de equilibrio y

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Entonces se comienza trazando una horizontal desde A hasta cortar la curva de

Figura 2-7: Mtodo de McCabe-Thiele para

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

2.2.3.- Reflujo variable

Entonces como la composicin de destilado se mantiene constante la integral toma la

Figura 2-8: Mtodo de McCabe-Thiele para operacin con reflujo variable

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

2.2.4.- Reflujo ptimo

Figura 2-9: Mtodo de McCabe-Thiele para

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

Maximizar los perfiles de separacin(Houtman-Husain-1956)

Tabla 2-1: Grados de libertad para reflujo constante

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

2.3.2.2- Modo de reflujo variable

Tabla 2-2: Grados de libertad para reflujo variable

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

2.3.2.3- Modo de reflujo ptimo

Tabla 2-3: Grados de libertad para reflujo ptimo

Desarrollo de un soft-sensor para estimar la evolucin temporal de composiciones de

2.3.3.- Consideraciones de factibilidad

Tabla 2-4: Limites en los modos de operacin