Control difuso con aprendizaje para una columna de destilación binaria
M. Márquez-Vera (1), F. Muños Palacios (2)
(1)
Universidad Politécnica de Pachuca, Pachuca, Hidalgo, México
(2)
Universidad Politécnica de Pachuca, Pachuca, Hidalgo, México
e-mail: marquez@upp.edu.mx
e-mail: mupafi@upp.edu.mx
Resumen: El presente trabajo tiene como objetivo la
implementación de un control con aprendizaje difuso
para un sistema no lineal. Se pretende que con el uso
de un modelo de referencia se tenga un mejor
aprendizaje en los consecuentes de las reglas de un
control difuso tipo PI (Proporcional-Integral). El
método utilizado ajusta los consecuentes de las reglas
que se activan en el controlador PI. Se implementó el
algoritmo en una columna de destilación la cual cuenta
con 32 platos, la alimentación se da en el plato 17 y la
señal de control es el reflujo que tiene lugar en la parte
superior o domo. El control presentado es basado en
un sistema de inferencia difuso tipo Sugeno con una
base de reglas MacVicar Whelan.
Abstract: This work has as main objective the control
implementation with fuzzy learning for a nonlinear •
system. The idea is that with the use of a reference
model we have a better learning in the consequences of
the rules of a fuzzy controller PI (Proportional-
Integral). The method implemented adjusts the
consequences of the rules that are activated in the
controller this made for another fuzzy system. The
algorithm was implemented in a distillation column •
that has 32 flats, the feed is in the flat 17and the
control signal is the inlet reflux that has place at the
top of the column. The control shown is based in a
fuzzy inference system type Sugeno with a rules base
MacVicar Whelan.
Keywords: learning, control, fuzzy, rules.
1. Introducción
El control difuso fue desarrollado en los años setenta
con el fin de desarrollar controladores para sistemas
que son estructuralmente difíciles de modelar debido a
su naturaleza, tales como los procesos químicos que
exhiben comportamientos no lineales y no estacionarios
[1]. La principal ventaja del control difuso se debe a su
habilidad inherente para incorporar conocimiento
heurístico en el controlador.
Un controlador difuso es básicamente un
sistema basado en reglas, en las cuales, el conocimiento
lingüístico de los operadores o ingenieros de un
proceso es utilizado para sintetizar un control en lazo
cerrado. Para este control, el conocimiento del proceso
o de su operación se deriva en una base de
conocimientos, en lugar de utilizarlo para construir un
modelo analítico [2].
Para diseñar un control difuso es necesario especificar
un conjunto de reglas (base de reglas) que indique cual
debe ser la entrada al proceso, dadas las entradas de
información al controlador difuso.
Sin embargo, existen ciertas desventajas en el
desarrollo de sistemas de control difuso, entre las que
destacan [3]:
Existen una gran cantidad de parámetros que son
seleccionados de manera arbitraria, y cuya elección
comúnmente es difícil de justificar. Entre estos
parámetros se encuentran las funciones de pertenencia,
el método de defuzzificación, los operadores de unión e
intersección y el método de inferencia.
La base de reglas del controlador difuso es construida a
partir de una planta nominal expresada en forma
lingüística, la cual puede no ser exacta, o puede variar
en el transcurso del tiempo, debido a cambios
estructurales o a perturbaciones en el sistema. Esta
última desventaja es particularmente sensible en el
control de procesos químicos debido a que en dichos
procesos la reacción química se considera en si como
una perturbación en el sistema, la cual es no
estacionaria, por lo que el control debe de actuar de
manera diferente cuando se produce la reacción
química.
En una columna de destilación existe más de
un lazo de control debido a que las concentraciones de
un plato afectan a los platos adyacentes y existe la
posibilidad de interacción o acoplamiento entre ellos.
Por lo tanto, es necesario diseñar un sistema de control
que combine las salidas del controlador; de un modo
que reduzcan los efectos de las posibles interacciones
entre las variables controladas y las manipuladas.
1
Generalmente una columna de destilación tiene cuatro
o cinco lazos cerrados de control.
Para simplificar el control se propuso un
recalentador con señal constante en el fondo de la
columna y una entrada constante de alimentación en el
plato 17, de esta manera nos enfocamos a trabajar con
el reflujo, el cual determinará la concentración de
salida.
2. Control difuso
Por proceso de control se entiende la automatización de
una planta en la que se trata de influir a uno o varios
parámetros, para que se comporten lo más parecido a
una trayectoria de referencia; muchos de estos procesos
(químicos, biológicos, térmicos, etc.) son difíciles de
modelar utilizando ecuaciones diferenciales, debido a
que sus dinámicas no son bien conocidas, o debido a
que el modelo realizado con ecuaciones diferenciales
puede llegar a ser demasiado complejo para ser
utilizado para el desarrollo del algoritmo de control.
Desde que Mamdani desarrollo el primer
control difuso en los setentas, éste ha sido aplicado a
muchas áreas y utilizando muchas estructuras
diferentes [4]. El control difuso más popular es el
conocido como el control PI-difuso. En este tipo de
control, las entradas al sistema difuso son el valor del
error y el incremento (o decremento) del error de una
medida a otra, mientras que la salida del sistema difuso
es la variación en la variable de control del proceso. En
este trabajo se implemento un control de tipo Sugeno,
en el cual la conclusión de cada regla es un valor
numérico [5].
Una primer buena aproximación en un control
PI-difuso es la base de reglas de MacVicar-Whelan [4].
Esta tabla se llena de forma simétrica siguiendo una
regla de forma lineal de manera ascendente o
descendente igualmente espaciadas y teniendo en las
esquinas los valores más significativos. En la tabla (1)
se puede observar la construcción de la tabla de
MacVicar-Whelan para un PI difuso con 3 funciones de
pertenencia tanto en la señal de error como en la
variación del error [6].
Tabla 1. Tabla de MacVicar-Whelan
Reglas Negativo Cero Positivo
Negativo -1 -0.5 0 variable de salida la concentración del componente A
Cero -0.5 0 0.5
Positivo 0 0.5 1 controla al variar la relación entrada-salida en el
Los valores representados en la Tabla (1) son
los consecuentes de las reglas difusas para el caso
Sugeno y se encuentran normalizados, de manera
similar, se pueden normalizar los valores de
pertenencia arrojados por las funciones que en este caso
fueron triangulares, en (1) se muestra una forma de
programar un control difuso PI, la pertenencia está
dada por µ(xi), con ella se calcula el incremento que
debe tener la señal de control ui(k).
∆ui(k)=Σni=1(µ(xi)ui(k))/ Σni=1µ(xi) (1)
3. Modelo de la columna de destilación binaria
Se considera una mezcla binaria de componentes A y B,
para ser separados en dos productos usando destilación
convencional. La mezcla es alimentada en la columna
como un líquido saturado con una velocidad de flujo
molar (mol/min) Ff y una fracción molar del
componente A cf; el vapor sobrecalentado es enfriado y
condensado, y entonces fluye dentro del tambor de
reflujo. Después el líquido del tambor es bombeado de
regreso a la columna con una velocidad de flujo molar
Fr y parcialmente removido como el producto destilado
con una velocidad de flujo molar FD. Se denomina MRD
al líquido retenido en el tambor de reflujo y xD a la
fracción molar del componente A en el líquido del
tambor de reflujo [7].
El balance de masa total y del componente A en
cada uno de los platos, así como en el tambor de reflujo
y el de la base de la columna están dados por (2) que
muestra la masa total en el plato i
d(Mi)/dt=Ff+Li+1-Vi-1+Li-Vi (2)
Donde Li está determinada por la ecuación de
Francis-Weir [3]. El balance de masa del componente A
en el mismo plato i se determina por (3)
d(Mixi)/dt=Ffxa+Li+1xi+1+Vi-1yi-1-Lixi-1-Viyi (3)
Las ecuaciones (2) y (3) existen términos que
dependen de la entrada de la mezcla, los cuales son Fi,
el flujo de mezcla de entrada y xa la concentración del
componente A en la mezcla de entrada. Dado que el
flujo de entrada se da en el plato 17 se tiene que f=17,
en la figura 1 se muestra un esquema de la columna en
cuestión.
En un esquema típico de control monovariable de
una columna de destilación binaria se considera como
en el domo (pureza de la mezcla de salida), la cual se
recirculador, y entonces ésta será la variable de entrada.
2
 MacVicar-Whellan [9], en este caso se emplearon cinco
funciones de pertenencia triangulares por entrada,
teniendo una base de 25 reglas en la tabla.

La salida del sistema de aprendizaje se calcula

para cada una de las reglas del controlador [10] que
fueron activadas como se muestra en (4).

∆ui(k)= µ(xi) · Σnj=1 (µ(aj)auj(k))/ Σnj=1µ(aj) (4)

Usando esta ganancia para modificar los

consecuentes de las reglas del controlador, se obtiene
una mejora en la respuesta del sistema con forme pasa
el tiempo y las reglas son más modificadas mientras
más veces se activen en el controlador. En la figura (2)
se muestra la simulación del esquema de control
propuesto.
Figura 1. Esquema de la columna de destilación.

Los grados de libertad son las variables independientes

que deben ser especificadas en orden para definir
completamente el proceso. Consecuentemente, el
control del proceso estará completado cuando todos los
grados de libertad han sido especificados, con el
modelo para la columna de destilación se tienen
f=(4N+11)-(4N+5)=6 grados de libertad, donde N=17
platos.

4. Control difuso con aprendizaje

Una de las principales dificultades para desarrollar un
controlador difuso es el especificar y adaptar la base de
reglas de salida del proceso [4], es decir, los
consecuentes de las reglas. Esto se debe tanto al
carácter no estacionario de un proceso, como a la Figura 2. Simulación del control.
dificultad de expresar el conocimiento de un sistema en
una base de reglas basado únicamente en el error y la 5. Conclusiones
variación del error del proceso bajo control.
El control difuso maneja información de tipo
lingüístico, lo cual lo hace más entendible y manejable;
El método de aprendizaje es, entonces, un
sin embargo, el conocer qué criterio tomar para realizar
controlador difuso a su vez, el cual tiene como entradas
una base de reglas no es algo sencillo. En el trabajo se
el error al modelo de referencia y la variación de dicho
pudo notar como una corrección en dicha base de
error, y como salida la variación de las reglas activadas
reglas logra aproximar la respuesta del sistema a la
[8]. Es importante señalar que cada regla debe ser
señal que se desee, que en este trabajo fue un modelo
modificada en función de su aporte a la variación en la
de referencia lineal.
señal de control. Si una regla sólo tuvo una posibilidad
de 0.1 mientras otra se activo con una posibilidad de
Durante la aplicación de este método de
0.9, entonces la segunda regla, al influir más en el
aprendizaje, el ajuste fue hecho forzando a que un
resultado, deberá modificarse más que la primera en
sistema no lineal se comportara como un sistema lineal.
función al resultado de la aplicación de dicha acción de
En el resultado de simulación, se puede observar que,
control.
para seguir dicho perfil deseado, el controlador tiene
que forzar cambios bruscos no deseados en la señal de
Para diseñar el sistema de aprendizaje se control para poder seguir al modelo de referencia. Una
selecciona un sistema difuso con tantas reglas como el solución a este problema es el utilizar un perfil
PI-difuso a adaptar, y una base de reglas del tipo de predefinido más cercano al comportamiento natural del

3
sistema, o al uso de criterios de calidad de las reglas 6. Biografías
que no dependan directamente de un modelo de
referencia. Marco Antonio Márquez Vera,
Ingeniero en electrónica y
5. Referencias telecomunicaciones por la Universidad
Autónoma del Estado de Hidalgo en
[1] S. Sugeno. Industrial applications of fuzzy control,
2005. Maestro en Ciencias de
Amsterdam: Elsevier Science Publishers B. V. 1985.
Automatización y Control por la
misma institución en 2007. Líneas de
[2] Mamdani E., Assilian S. An experiment in linguistic
investigación en inteligencia artificial,
synthesis with a fuzzy logic controller, Intl. Journal of Man-
control no lineal y modelado
Machine Studies, vol. 7, 1975.
biotecnológico para control.
[3] J. R. Layne, K. M. Passino. Fuzzy model reference
learning control.. Journal of intelligent and fuzzy systems,
4(1):33-47, 1996. Filiberto Muñoz Palacios, Ingeniero
en electrónica y telecomunicaciones
[4] Ordóñez R., Spooner J.T., Zumberge J., Passino K.M. por la Universidad Autónoma del
Adaptive Fuzzy Control: Experiments and Comparative Estado de Hidalgo en 2005. Maestro
Analyses, Technical Report, The Ohio State University, Dept. en Ciencias de Automatización y
of Electrical Engineering, 1999. Control por la misma institución en
2007. Líneas de investigación en
[5] Sugeno S., Industrial Applications of Fuzzy Control, inteligencia artificial, modelado
Amsterdam: Elsevier Science Publishers B. V., 1985. biotecnológico para control y
mecatrónica.
[6] P. J. MacVicar Whelan. Fuzzy set for man machine
interaction. Man-machine studies, 8(6):687-697 1997.

[7] J. Hahn, T. Edgar. An improved method for nonlinear

model reduction using balancing of empirical gramians.
Computer and Chemical Engineering, 26:1379-1397 2002.

[8] Ordóñez R., Spooner J.T., Zumberge J., Passino K.M.

Adaptive Fuzzy Control: Experiments and Comparative
Analyses, Technical Report. The Ohio State University,
Dept. of Electrical Engineering, 1999.

[9] Márquez M. A., Cruz C., Waissman J., Ben Youssef C.

Control adaptable difuso con modelo de referencia,
International symposium in intelligent technologies
procedings, 2004.

[10] Márquez M. A., Waissman J. Gutú O. Fuzzy model

based iterative learning control for phenol biodegradation.
Foundations of fuzzy logic and soft computing. International
fuzzy systems association world congress LNAI 4529:323-
337 2007.