Está en la página 1de 8

DISEO INTEGRADO DE PROCESOS EN EL MARCO

DEL CONTROL PREDICTIVO BASADO EN MODELOS


M. Francisco, P. Vega
Dpto. Informtica y Automtica. E.T.S. Ingeniera Industrial. Universidad de Salamanca.
Av. Fernando Ballesteros s/n, 37700 Bjar, Salamanca (Espaa). Fax: +34 923 408127
e-mail: mfs@usal.es, pvega@usal.es

Resumen
En este trabajo se ha desarrollado el Diseo
Integrado del proceso de fangos activados en una
planta de depuracin de aguas, incluyendo un
controlador predictivo lineal multivariable con
restricciones. La metodologa aplicada permite
obtener procesos ptimos desde el punto de vista
econmico que operan de forma dinmica eficiente
alrededor de puntos de trabajo estacionarios.
Matemticamente se plantea como un problema de
optimizacin con mltiples objetivos no lineal con
restricciones cuya solucin proporciona la planta y
el sistema de control ptimo. Concretamente, los
ndices considerados para el diseo de la planta y
del controlador incluyen las normas H y las normas
l1 de algunas matrices de transferencia del sistema
en lazo cerrado, entre otras. El uso de modelos
lineales para el control facilita la consideracin de
ndices de funcionamiento convexos y simplifica el
problema de optimizacin evitando la integracin de
las ecuaciones dinmicas del modelo.
Palabras clave: Diseo Integrado, Control
Predictivo, Controlabilidad, Optimizacin no lineal,
Optimizacin con mltiples objetivos.

1. INTRODUCCIN
El diseo y control de los procesos han sido tareas
que generalmente se han venido realizando de forma
secuencial, y el estudio de la controlabilidad del
sistema resultante se lleva a cabo nicamente cuando
la configuracin del proceso y los parmetros
ptimos han sido ya determinados.
La metodologa de Diseo Integrado permite la
evaluacin de los parmetros de la planta y el sistema
de control al mismo tiempo, haciendo que el sistema
diseado sea ms fcilmente controlable [4]. En la
etapa de diseo, diversos ndices de controlabilidad
se evalan junto con consideraciones econmicas
para producir una planta y un sistema de control
ptimos.
Muchos trabajos aplican tcnicas de

Diseo Integrado, particularmente al diseo de


procesos qumicos tales como columnas de
destilacin o reactores qumicos, destacando las
interacciones entre diseo y control [7]. Estos
trabajos tambin consideran el problema de la
seleccin de la estructura del proceso resolviendo un
problema de sntesis. Una completa revisin de
avances en el rea se presenta en [8].
Algunos ejemplos de Diseo Integrado aplicados al
proceso de fangos activados se destallan en [2],
donde la planta se disea junto con controladores de
tipo PI, incluyendo desigualdades lineales matriciales
(LMI) para imponer condiciones de estabilidad y
cierto comportamiento deseado en lazo cerrado; y en
[10], donde se presenta un estudio del Diseo
Integrado con controladores PI aplicado a diferentes
estructuras de la planta. En [6] se utilizan tcnicas de
optimizacin global para resolver el mismo
problema.
Puesto que el proceso a disear posee una dinmica
complicada, es interesante incluir controladores
avanzados en el Diseo Integrado de este tipo de
procesos. De esta forma se mejorara notablemente el
desempeo del control y podran obtenerse plantas
econmicamente ms rentables [10],[11]. En este
trabajo se ha elegido un control predictivo lineal
basado en modelos (MPC) como mtodo de control
avanzado. El uso de modelos lineales para el control
facilita la consideracin en el diseo integrado de
ndices de funcionamiento convexos y simplifica el
problema de optimizacin.
En [3] se plantea un mtodo de diseo integrado de
procesos de fangos activados y controladores
predictivos considerando la integral cuadrtica del
error (ISE) y de los esfuerzos de las variables
manipuladas como ndices de desempeo del sistema
en lazo cerrado. La necesidad de realizar la
integracin de las ecuaciones dinmicas del modelo
para calcular la funcin de coste en cada iteracin,
hace que el tiempo de clculo sea muy elevado. Por
este motivo, en este trabajo se plantean ndices
compactos para el diseo de la planta y del
controlador que incluyen las normas H y l1 de

algunas matrices de transferencia del sistema en lazo


cerrado, que permiten resolver el problema como uno
de optimizacin esttica, y se han aplicado a un
proceso de fangos activados.
Este trabajo est organizado de la siguiente manera.
En primer lugar se plantea en lneas generales el
problema de diseo integrado tal y como se ha
abordado en este trabajo. En segundo lugar, se
presenta la formulacin del controlador predictivo
presentando el mtodo de sintona automtica
desarrollado sobre el que descansa la metodologa de
Diseo Integrado presentada. A continuacin se
plantea el problema de Diseo Integrado y se
resuelve para el proceso de fangos activados
presentando algunos resultados, y finalizando con las
conclusiones del trabajo.

2. DISEO INTEGRADO DE PLANTA


Y CONTROLADOR

- Definir el problema de optimizacin del diseo de


la planta especificando f1 (x), el modelo no lineal de
la planta hn(x) y el conjunto de restricciones gm(x).
- Linealizar el modelo en torno a un punto de
operacin genrico de manera que las matrices de
estado del sistema sean funcin de los parmetros de
diseo.
- Formular la operabilidad de la planta en trminos
de las matrices de transferencia del sistema en lazo
cerrado para definir f2 (x) y algunas restricciones de
controlabilidad contenidas en el conjunto gm(x).
De cara a la resolucin se procede de forma iterativa.
En primer lugar, con una planta inicial fijada, el
controlador se sintoniza. En el segundo paso la
planta se disea con el controlador obtenido en el
paso anterior, iterando hasta que se cumple un
criterio de convergencia consistente en que la
disminucin del coste a lo largo de varias iteraciones
sea menor que una determinada cota. (Figura 1).
SINTONA DEL
CONTROLADOR
Algoritmo en dos pasos
(aleatorio + SQP)

El problema de Diseo Integrado consiste en


determinar simultneamente los parmetros de la
planta y del controlador junto con un punto de
trabajo estacionario, minimizando a su vez los costes
de construccin y operacin junto a otros objetivos
de controlabilidad de la planta.
EL problema puede plantearse matemticamente
como un problema de optimizacin no lineal con
restricciones del tipo
min { f1 ( x), f 2 ( x)}
x

s.a. g m ( x) 0

(1)

hn ( x) = 0

siendo f1 (x) y f2 (x) las funciones objetivo a


minimizar. La primera refleja los costes de operacin
y de construccin de la planta y la segunda la
controlabilidad y el rendimiento del sistema en lazo
cerrado, gm(x) son m restricciones de proceso y del
control, hn(x) las n ecuaciones del modelo y el vector
x son las variables del proceso y parmetros de
control que deben ser evaluadas en el diseo
(volmenes, superficies, caudales, horizontes de
control, etc.)
El punto clave consiste en expresar las propiedades
de la planta en lazo cerrado de forma compacta y en
funcin de los parmetros de diseo.
La metodologa utilizada en este trabajo sigue los
pasos siguientes:
- Definir una estructura de planta y de control.

Dimensiones planta
Punto estacionario

Parmetros
controlador

DISEO DE PLANTA
Algoritmo SQP

Figura 1. Algoritmo iterativo para Diseo Integrado

3. SINTONIA AUTOMATICA
CONTROLADOR MPC

DEL

3.1 FORMULACION DEL MPC


El MPC considerado en este trabajo est basado en
un modelo de la planta en el espacio de estados, y
calcula las variables manipuladas resolviendo en
lnea el siguiente problema de optimizacin con
restricciones en las entradas, en las predicciones y en
los cambios de las variables manipuladas.
min V (k ) =
u

i = Hw

Hc 1

W
i =0

Hp

( y (k + i | k ) r (k + i | k )) 2 +

(u (k + i | k )) 2

(2)

donde k denota el perodo de muestreo actual,


y(k + i | k) es la salida predicha en tiempo k+i, con
medidas hasta k, r(k + i | k) es la trayectoria de
referencia, u son los cambios en las variables
manipuladas, Hp es el horizonte de prediccin

mximo, Hw es el horizonte de prediccin mnimo, Hc


es el horizonte de control, Wu es un vector diagonal
con los pesos asociados a los cambios de las
variables manipuladas y Wy es otro vector diagonal
con los pesos asociados a los errores de seguimiento
de la referencia.
La implementacin del controlador est basada en la
correspondiente Toolbox de MPC de Matlab y
algunas modificaciones basadas en [5]. El modelo
interno de prediccin es un modelo lineal discreto de
la planta en el espacio de estados, obtenido
linealizando las ecuaciones diferenciales del modelo
del proceso. Se considera tambin que las
trayectorias de referencia se aproximan al valor de
consigna exponencialmente desde el valor actual de
la salida, con Tref como constante de tiempo de la
exponencial.
Cuando el MPC es lineal y sin restricciones puede
representarse mediante la matriz de transferencia,
KMPC = (K1, K2, K3) de forma que el sistema en lazo
cerrado correspondera al de la figura 2, donde
aparecen explcitamente las perturbaciones de carga.
La ley de control en forma matricial es
u = ( K1

r

K 3 ) y = K1r + K 2 y + K 3 d
d

K2

K1

Figura 2. Sistema en lazo cerrado con MPC


Si tenemos en cuenta tambin las funciones de
transferencia del sistema en lazo abierto, la respuesta
del sistema en lazo cerrado puede obtenerse de
y=

GK1
1
r+
d%
1 + GK1
1 + GK1

d% = ( GK 3 + Gd ) d

y GK 3 + Gd
=
d
1 + GK1

M =

(4)

Con el fin de establecer en las secciones siguientes


las funciones objetivo para el diseo integrado de
una posible planta y de su sistema de control,

u K 3 K1Gd
=
d
1 + GK1

(5)

3.2 SINTONA AUTOMTICA DEL MPC


El procedimiento de sintona automtica de los
parmetros del MPC se basa en la minimizacin de
diferentes ndices de desempeo dinmicos. El
problema podra abordarse como

min f 2 ( x )

(6)

K1 , K3

sujeto a un conjunto de restricciones. Bsicamente se


han considerado funciones que reflejan la atenuacin
de las perturbaciones de carga penalizando los
esfuerzos de control, como por ejemplo, los ndices
H de sensibilidad mixta basados en normas. En este
trabajo se ha utilizado el siguiente ndice:

f 21 ( x ) = N

Gd
r

S =

(3)

siendo Ki las matrices de transferencia entre la seal


de control y las entradas (r,y,d) que dependen de los
parmetros de sintona del controlador (Wu, Hp, Hw,,
Hc , Tref). En este trabajo la formulacin elegida [5]
hace que K 2 = K1 .
K3

definimos la matriz de transferencia de sensibilidad


S (entre las perturbaciones de carga (d) y las salidas
(y) as como la sensibilidad al control (M) definida
entre las perturbaciones (d) y las seales de control
(u) cuando la referencia es nula. Su clculo es directo
con

(7)

Wp S
siendo N =
, x = ( H p , H c , W u ) y Wp, Wesf
Wesf s M
pesos adecuados.
Las restricciones que se han considerado en este
trabajo son restricciones sobre el rechazo de
perturbaciones y restricciones basados en las normas
l1 de las seales para evitar saturacin de los
actuadores:

Wp S < 1 M 1 < umax

S 1 < ymax

(8)

El problema de optimizacin que se genera se puede


plantear como un problema de optimizacin
multiobjetivo considerando las dos ltimas
restricciones (8) como objetivos a cumplir, junto con
el objetivo f21. Por lo tanto la funcin multiobjetivo
final queda as:
f 2 ( x) = ( f 21 , f 22 , f 23 )
donde

f 22 = M 1 ; f 23 = S 1

(9)

En este mtodo los objetivos deben tratar de alcanzar


valores objetivo prefijados previamente, que
proporcionarn mayor o menor importancia a cada
uno de ellos.

qi, si, xi

3.3 DESCRIPCION DEL ALGORITMO


La principal dificultad a la hora de resolver este
problema de optimizacin es que involucra variables
enteras y reales. En la aplicacin que presentamos
se plantea un algoritmo en dos pasos consistente en
una combinacin de una bsqueda aleatoria basada
en [9], y el mtodo clsico de optimizacin por
programacin secuencial cuadrtica (SQP). En un
primer paso se sintonizan los horizontes con el
mtodo de optimizacin aleatoria, manteniendo los
restantes parmetros constantes, y en el segundo
paso, el mtodo SQP se utiliza para sintonizar los
pesos Wu del controlador, con los horizontes
obtenidos en el paso anterior. Este proceso se repite
iterativamente hasta que se cumple un cierto criterio
de finalizacin.

4. DESCRIPCIN DEL PROCESO DE


FANGOS ACTIVADOS Y DEL MPC

xir1
sir1

s1 , qsal

q12
xd
xb

x1,s1,c1
qr1

c1

xr
q2

fk1
qp
CONTROLADOR
PREDICTIVO

Figura 3. Estructura de la planta

4.2 PROBLEMA DE CONTROL


El control de este proceso consiste mantener el
sustrato en el efluente (s1) por debajo de un
determinado lmite legal a pesar de las importantes
variaciones del caudal de entrada (qi) y de la
concentracin de sustrato en dicho caudal (si), que
son las perturbaciones de entrada al sistema.
600

550

4.1 DESCRIPCION DE LA PLANTA


El proceso de fangos activados dentro de una planta
de depuracin de aguas residuales tomado como
ejemplo responde a la estructura de la figura 3 y
consiste en un tanque aerobio (reactor) y un
decantador secundario. El fundamento del proceso
consiste en mantener una poblacin de
microorganismos (biomasa) en el reactor, la cual
elimine los desechos biodegradables (sustrato)
cuando exista oxgeno disuelto proporcionado por las
turbinas de aireacin incorporadas al reactor. El agua
que sale del reactor va hacia el decantador, donde los
fangos activados se separan del agua limpia y se
recirculan de nuevo al reactor para mantener all un
nivel de microorganismos adecuado.
De forma genrica, x se utiliza para las
concentraciones de biomasa (mg/l), s para las
concentraciones de sustrato orgnico (mg/l), c para
las concentraciones de oxgeno (mg/l) y q para los
caudales (m3/h).
Un modelo del sistema basado en primeros principios
puede verse en [11]. El perfil de perturbaciones
utilizado en las simulaciones dinmicas (Figura 4) ha
sido determinado por el programa COST 624 y su
benchmark [1].

si (mg/l)

500

450

400

350

300

20

40

60

80

100

120

140

160

Figura 4. Perturbaciones de sustrato en el


influente.
qp

Ref. s1
Controlador

x1
PROCESO

s1

qr1

Figura 5. Estructura general del controlador.


La estructura general de un controlador multivariable
aplicado al proceso de fangos activados puede verse
en la figura 5. Se consideran dos variables
manipuladas: caudal de recirculacin (qr1) y caudal
de purga (qp), y tambin dos salidas: sustrato (s1) y
biomasa (x1). Aqu la concentracin de biomasa no se
controla, sino que nicamente se acota para un buen
desempeo del proceso. Dado que la influencia de
qr1 en el proceso es mucho mayor que la de qp, en
este trabajo los resultados de diseo se han obtenido
considerando nicamente la primera variable
manipulada.

El MPC considerado est basado en un modelo de la


planta en el espacio de estados discreto como el
siguiente:
x(k + 1) = Ax(k ) + Bu (k ) + Bd d (k )

y (k ) = Cx(k )

q s + qr1 s1
V1
0.06
8 ; 0.001 i i
V1 x1
q12

Lmites en la capacidad hidrulica y la edad de


fangos en el decantador, y lmites en las relaciones
entre el caudal de entrada, el de recirculacin y el de
purga:

(10)

donde el vector de estados x(k), de entradas u(k) y de


perturbaciones d(k), quedan definidos de la forma
siguiente:

Vx +Al x
q12
1.5 ; 3 1 1 d r r 10
q p xr 24
Ad

(13)

q2
0.9
qi

(14)

0.03

x (k ) = ( s1 , x1 , xd , xb , xr , c1 )
u ( k ) = ( qr1 )
d (k ) = ( si , qi )

y las matrices A, B, Bd y C son de dimensiones


adecuadas.

5. DISEO DEL PROCESO


FANGOS ACTIVADOS

(12)

DE

El problema de diseo de la planta, que incluye como


ya se coment el problema de sintona automtica
expuesto arriba, se plantea en este trabajo en funcin
de un conjunto de objetivos definidos por:

qp
q2

0.18 ; 0.1

Restricciones sobre las ecuaciones diferenciales


no lineales de la planta para obtener una solucin
cercana a un estado estacionario ( prximo a cero).
Por ejemplo, la restriccin sobre la derivada de la
concentracin s1 es la siguiente:
ds1
sx
x2
q
= 1 1 + f kd k d 1 + f kd kc x1 + 12 ( sir1 s1 ) (15)
dt
k s + s1
s1
V1

Los pesos wi (i = 1, 2) de la funcin f1 han sido


tomados del modelo CAPDET (Computer Aided
Procedure for Design and Evaluation of Wastewater
Treatment Systems), y tienen unos valores
normalizados de w1=1; w2=3.1454.

f1 = w V + w A
1 1n
2 n

f 22 = M 1
f 25 =

(11)

G1
Gd

siendo V1n y An el volumen del reactor y el rea del


decantador normalizados adecuadamente.
El propsito del objetivo f1 es minimizar costes de
construccin y operacin de la planta. El objetivo f22
trata de limitar el valor del control en presencia del
peor caso de perturbaciones, y el objetivo f25, est
relacionado con las funciones de transferencia de la
planta y trata de conseguir una planta capaz de
rechazar perturbaciones en el peor caso.
El conjunto total de variables de optimizacin es:
x=(s1,x1,c1,xd,xb,xr,,fk1,qr1,qp,V1,A),
Estas variables estn limitadas en el problema, y
adems se incluyen otras restricciones de
controlabilidad y de proceso.
Tiempo de residencia y carga msica en los
tanques aireados:

6. RESULTADOS DE SINTONA
En este apartado se presentan algunos resultados de
sintona automtica considerando distintos pesos y
objetivos. Para todos ellos el controlador que se ha
utilizado es un MPC con restricciones aplicado al
modelo no lineal de la planta, con periodo de
muestreo de T=0.5, adecuado para representar la
dinmica del proceso. Las perturbaciones si y qi se
consideran medibles y escaladas para las
simulaciones. La concentracin de biomasa x1 es una
variable nicamente restringida y no controlada.
La planta es fija con dimensiones V1=7668 m3 y
A=2970.88 m2; y un punto estacionario de trabajo
definido por s1=58.445 y qr1=220.
6.1. Problema de sensibilidad mixta
considerando los objetivos f21 y f22

En la tabla 1 se presentan resultados numricos para


tres casos de sintona automtica. En primer lugar se
presenta una comparacin para dos pesos Wp
diferentes (casos 1 y 2) manteniendo Wesf constante.

Wp 1 =

8s + 9.6
26.6s + 32
Wp 2 =
s + 0.0001
s + 0.0001

En la Figura 6 se observa que el rechazo de las


perturbaciones es mejor cuando se utiliza el peso Wp1
porque los anchos de banda de los sistemas en lazo
cerrado permitidos en la sintona automtica son
mayores que con Wp2

En la figura 7 se presenta una comparacin de


resultados con dos pesos Wesf diferentes (casos 2 y 3),
manteniendo ahora Wp constante.
Wesf 2 =

0.2 s + 0.02
0.02 s + 0.002
Wesf 3 = 2
s + 5s + 0.0001
s + 5s + 0.0001
2

En dicha figura se puede ver que para el caso 3 los


esfuerzos de control estn ms relajados que para el
caso 2, produciendo un mejor rechazo de
perturbaciones pero con mayor consumo energtico.

Figura 6. Comparacin de las respuestas de sustrato y


funciones de sensibilidad S para dos pesos Wp1 y
Wp2 (caso 1: lnea continua; caso 2: lnea a trazos)
Tabla 1: Resumen de resultados para sintona
automtica del apartado 6.1
Caso 1
Wu
Hp
Hc
Max(qr1)
Max(s1)
N

Caso 2

Caso 3

0.0023
9
2
1179.5
64.2

0.0118
8
3
1092
65.52

0.0011
6
2
1232
63.94

1.44

1.04

0.73

M 1

3995

1946

4416

S 1

6.47

14.44

5.39

Wp S

1.00

1.00

0.72

Pesos

Wp1

Wp2, Wesf2

Wesf3

Tiempo computacional

3.44

0.81

1.66

Figura 7. Comparacin de las respuestas de sustrato y


las funciones de sensibilidad a los esfuerzos de
control para dos pesos Wesf2 y Wesf3 (caso 2: lnea a
trazos; caso 3: lnea continua)
6.2. Problema de sensibilidad mixta
considerando los objetivos f21 y f23

El Segundo planteamiento consiste en considerar la


funcin objetivo f23 en vez de f22. En la figura 8 se
presenta una comparacin de las salidas de sustrato
utilizando los pesos Wp del apartado anterior. En la
tabla 2 se presentan los resultados numricos
correspondientes. Para el caso 4 el rechazo de
perturbaciones es mejor que para el caso 5 porque
Wp1 es menos restrictivo que Wp2.

Tabla 2: Resumen de resultados para sintona


automtica del apartado 6.2
Caso 4
Wu
Hp
Hc
Max(qr1)
Max(s1)

perturbaciones y sus dimensiones son mayores


(Figura 9).
Tabla 3: Resultados de Diseo Integrado

Caso 5

0.0019
9
2
1185.5
64.17

0.0091
10
4
1096.6
65.33

Wu

4.41

M 1
S 1

Wp S

Pesos
Tiempo computacional

Wp1

Wp2

0.0027

0.00042

Hp

10

10

Hc

1.87

V1

7262

7307

4053.5

1983.7

1857

1857

6.24

13.1

S1r

70

70

0.95

0.97

Max(s1)

78.66

76.49

Max(qr1)

870.69

1021.3

Coste planta= f1 (x)

1.5127

1.5177

Tiempo computacional

10.06

8.28

Wp1
10.8

Wp2
5.89

Figura 8. Comparacin de las respuestas de sustrato


para dos pesos Wp1 y Wp2 (caso 4: lnea continua;
caso 5: lnea a trazos)
En las ltimas filas de todas las tablas se presenta el
tiempo de clculo en minutos referido a un ordenador
Pentium IV a 2.4 GHz. Este tiempo es relativamente
reducido puesto que para calcular las normas del
sistema no se necesitan realizar simulaciones no
lineales del proceso.

7. RESULTADOS
INTEGRADO

DE

DISEO

Una vez vistos algunos resultados parciales de


sintona automtica del MPC, en la tabla 3 se recogen
resultados de diseo integrado de planta y MPC para
distintos pesos Wp:

26.6 s + 32
33.3s + 40
W p1 =
Wp 2 =
s + 0.0001
s + 0.0001
Wp2 es ms restrictivo sobre S en magnitud, por lo
que la planta resultante rechaza mejor las

Figura 9. Comparacin de las respuestas de sustrato


con Wp1 (lnea discontinua) y Wp2 (lnea continua)

Tabla 4: Resultados de Diseo Integrado con


distintos valores objetivo
Valores objetivo
para f1

0.3

0.7

1.6

Wu

0.00066

0.0027

0.0021

Hp

10

10

Hc

V1

5268

7262

9305

1936

1857

1873

Max(s1)

84.37

78.66

78.95

Max(qr1)

205.31

870.69

1116

Coste planta= f1 (x)

1.3682

1.5127

1.7548

Tiempo computacional

9.87

10.06

10.14

Finalmente, la tabla 4 muestra una comparacin en la


que los valores objetivo fijados para f1 varan,
mantenindose constantes los restantes. Se ve que
tienen gran influencia en los costes de la planta
(dimensiones) y tambin en el controlador. Como es
lgico, el rechazo de perturbaciones es peor si se
pesan ms los costes de la planta (figura 10).

Agradecimientos
Los autores desean agradecer la financiacin recibida
del MEC a travs del proyecto de investigacin
DPI2006-15716-C02-01.
Referencias

Figura 10. Comparacin de las respuestas de sustrato


(s1) y controles (qr1) con valor objetivo 0.3 para f1
(lnea discontinua) y 1.6 (lnea continua)

8. CONCLUSIONES
En este trabajo se ha desarrollado un procedimiento
de Diseo Integrado para obtener una planta ptima
para el proceso de fangos activados y su controlador
MPC sintonizado. Se observa que el Diseo
Integrado proporciona plantas ms controlables que
el procedimiento de diseo clsico. Las respuestas
para los diseos en lazo cerrado con MPC muestran
un buen comportamiento para las variables de
inters. Cuando se aplica el procedimiento de Diseo
Integrado, la planta diseada es capaz de rechazar las
perturbaciones con unidades de proceso ptimas en
cuanto a costes. Este es un resultado importante
porque as se pueden obtener plantas ptimas con
menores costes y mayor rechazo de perturbaciones.
El problema resuelto tambin garantiza el
cumplimiento del modelo dinmico no lineal de la
planta, as como todas las restricciones de operacin
y de proceso.
La metodologa propuesta aqu es general,
pudindose considerar otros criterios de desempeo.
El uso de modelos linealizados tambin permite la
especificacin de criterios convexos resolubles
fcilmente dentro del marco de las desigualdades
lineales matriciales (LMI).

[1] Copp, J.B. (2002). The COST Simulation


Benchmark: Description and Simulator Manual.
Office for Official Publications of the European
Community.
[2] Francisco, M., P. Vega, O. Prez, M. Poch
(2003). Dynamic Optimization for Activated
Sludge Integrated Design. European Control
Conference. Cambridge (UK).
[3] Francisco, M., P. Vega, O. Prez (2005). Process
Integrated Design within a Model Predictive
Control framework. IFAC05 World Congress
(Prague)
[4] Luyben, M. L. (1993). Analyzing the Interaction
Between Process Design and Process Control.
Ph.D. Thesis, Princeton University.
[5] Maciejowsky, J. M. (2002). Predictive Control
with Constraints. Prentice Hall.
[6] Moles, C. G., G. Gutirrez, A. A. Alonso , J. R.
Banga (2003). Integrated process design and
control via global optimization: a wastewater
treatment plant case study. Chem. Eng. Res. &
Des., 81, 507-517.
[7] Ross, R., J.D. Perkins, E. N. Pistikopoulos,
G.L.M. Koot, J.M.G. van Schijndel. (2001).
Optimal design and control of a high purity
industrial distillation system. Computers and
Chemical Engineering, 25, pp. 141-150.
[8] Sakizlis, V., J. D. Perkins, E. N. Pistikopoulos
(2004). Recent advances in optimization-based
simultaneous process and control design.
Computers and Chemical Engineering, 28, pp.
2069-2086.
[9] Solis, F.J.,R. J-B. Wets (1981). Minimization by
random search techniques. Mathematics of
Operations Research, 6, pp. 19-30.
[10] Sotomayor, O. A. Z., C. Garca (2002). ModelBased Predictive Control of a pre-denitrification
plant: a linear state-space model approach.
Proceedings of the IFAC World Congress,
Barcelona (Spain).
[11] Vega, P., G. Gutirrez, (1999). Optimal Design
Control and Operation of wastewater treatment
plants.
European
Control
Conference
(Germany)

También podría gustarte