Zumoffentesis 2008

Universidad Nacional De Rosario (UNR)
Facultad De Ciencias Exactas, Ingeniera Y Agrimensura

Centro Internacional Franco Argentino de Ciencias de la
Informacion y Sistemas (CIFASIS). CONICETUPCAMUNR
Grupo de Informatica Aplicada a Ingeniera de Procesos (GIAIP)
Tesis Doctoral
Desarrollo De Sistemas De Diagn
ostico De
Fallas Integrado Al Dise
no De Control
Tolerante A Fallas En Procesos Qumicos
David Alejandro R. Zumoffen
Director:
Co-Director:
Dra. Marta S. Basualdo

Dr. Mario A. Jordan
Miembros del jurado: Dr. Carlos Ruiz

Mst. Juan Nachez
Dr. Miguel Mussati
Tesis presentada en la Facultad de Ciencias Exactas, Ingeniera y Agrimensura, en

cumplimiento parcial de los requisitos para optar al ttulo de:
Doctor en Ingeniera
3 de Octubre de 2008
Certifico que el trabajo incluido en esta tesis es el resultado de tareas de investigaci

on
originales y que no ha sido presentado para optar a un ttulo de postgrado en ninguna otra
Universidad o Instituci
on.
David Alejandro R. Zumoffen
GIAIP
Grupo de Informatica Aplicada a Ingeniera de Procesos.

CIFASIS (UNR-UPCAM-CONICET).
RMN - Planta Alta.
Blvd. 27 de Febrero 210 Bis.
2000 Rosario, Argentina.
TE: +54 - 0341 - 4821771 Ext. 104.
E-mail: zumoffen@cifasis-conicet.gov.ar
A
no: 2008.
ii
Agradecimientos
Primero es lo primero y no siempre en ese orden..., en definitiva un comienzo con agradecimientos y reconocimientos a todas las personas que directa e indirectamente han participado
de este proceso parece ser el mas apropiado, necesario e inevitable.
Primeramente quiero expresar mi agradecimiento a mi directora de tesis la Dra. Marta
Basualdo por su inagotable fuente de paciencia. Sus directrices fueron los cimientos de todo el
proceso. A mi co-director de tesis el Dr. Mario Jordan por su gran aporte en el area de control
adaptivo predictivo y su excelente predisposicion.
Mencionar y agradecer la hospitalidad del pueblo espa
nol y en particular de la Universidad
Politecnica de Madrid (UPM) en mi primer a
no de doctorado en esa ciudad. Especialmente al
profesor y amigo Francisco Ballesteros Olmo del departamento de Matematica Aplicada a las
Tecnologas de la Informaci
on quien me brindo su apoyo incondicional.
Al grupo de Sistemas Inteligentes del IFIR, principalmente al Dr. Alejandro Ceccatto por
facilitar el desarrollo de esta tesis y dar el marco necesario de trabajo. A los compa
neros del
viejo espacio fsico: Ulises (Uli, volve que el barrio te esta esperando), Alejandro (Rebi), Ines
y a el Dr. Granito por el apoyo.
Quiero agradecer especialmente a los nuevos compa
neros del nuevo espacio fsico: Gonzalo,
Jose, Ale y Leo por generar un lugar de trabajo insuperable y sus contribuciones en el campo
de la filosofa. A los directivos del Centro Internacional Franco-Argentino de Ciencias de la
Informaci
on y de Sistemas (CIFASIS), al Dr. Ceccatto y el Dr. Kaufmann, por permitir el
desarrollo de este trabajo en dicho centro.
Al Consejo Nacional de Investigaciones Cientficas y Tecnicas (CONICET) y a la Agencia
Nacional de Promoci
on Cientfica y Tecnologica por el soporte economico en el desarrollo de
esta tesis. Tambien quiero agradecer la excelente predisposicion del caballero Carlos Franco en
la resoluci
on expeditiva de problemas.
Y finalmente a mis afectos. Este espacio quiero dedicarlo especialmente a las personas que
atesoro en lo profundo de mi corazon. Mis viejos, mi hermana, mis amigos de siempre (Guille,
Juan y Mauricio) y las dos personas mas importantes de mi vida, mi mujer Belen que me ha
guiado, aguantado y estimulado en todo este proceso (sin su enorme sentido com
un quien sabe
por donde estara volando)... gracias amor!. Y a mi peque
no y hermoso bebe, Ian, que hace
que cada da sea una odisea de sensaciones.
David A. Zumoffen
iii
iv
Resumen
En las u
ltimas tres decadas se ha incrementado notablemente el interes en sistemas de
monitoreo aplicado a grandes plantas qumicas . Esto es debido esencialmente a condiciones
de operaci
on mas exigentes de los procesos debido a cuestiones de seguridad de equipos y
personas, costos operativos y restricciones ambientales. La creciente complejidad en aspectos
vinculados al dise
no de grandes plantas y su correspondiente poltica de control hace que los
sistemas de monitoreo resulten cada vez mas sofisticados en aspectos tales como velocidad de
detecci
on, robustez, facilidad de explicacion, requerimientos de modelado y almacenamiento
de datos, adaptabilidad, etc.. Esta fuerte interaccion entre informacion y acciones de control
tiene lugar fundamentalmente a traves de sensores y actuadores. Sin embargo, estos elementos son potenciales fuentes de fallas comunes en procesos industriales. En este contexto, se
advierte que el area de sistemas de monitoreo integrados al control tolerante a fallas, aplicado
a plantas qumicas completas, es a
un un problema abierto. En la actualidad, se han encontrado s
olo algunas soluciones particularizadas dependientes del caso de aplicacion (en general
academicos).
En tal sentido, el objetivo de esta tesis es abordar el problema de dise
no de sistemas de
detecci
on, diagnostico y estimaci
on de fallas (SDDEF) integrados al control tolerante a fallos
(CTF) en procesos qumicos. El desarrollo esta focalizado en automatizar el correcto manejo
de situaciones anormales (MSA) y brindar una correcta interaccion con el usuario y la poltica
de control existente. El tratamiento del problema distingue claramente las herramientas que
deben emplearse de acuerdo con la dimension del mismo. As, se presentan soluciones alternativas para una sola unidad de proceso y varias de ellas fuertemente interconectadas. En todos
los casos se contemplan a los sistemas bajo esquemas de control convencional y avanzado. El
desarrollo de un novedoso SDDEF, apto para plantas de diferentes dimensiones y contemplando los requerimientos fundamentales que impone hoy la industria qumica constituye uno de
los principales aportes de esta tesis. Herramientas tales como transformada wavelet discreta,
identificaci
on de sistemas, analisis de componentes principales, sistemas de logica difusa y redes neuronales artificiales son integradas adecuadamente para el desarrollo del SDDEF. En este
contexto se presenta una nueva metodologa general para el correcto MSA en grandes procesos
basado en un SDDEF hbrido y estrategias de integracion al CTF activo, ya sea de polticas
de control existentes o nuevas. El SDDEF se dise
na de forma tal que resulte independiente
de factores tales como, dimensi
on, complejidad, operabilidad y tipo de los procesos y de sus
estrategias de control.
Esta tesis esta organizada como sigue: el captulo 1 presenta el marco de referencia de los
problemas reales encontrados habitualmente en procesos industriales y sus consecuencias. El
captulo 2 presenta una extensa recopilacion bibliografica que permite adquirir un panorama
amplio del estado del arte en el abordaje de MSA, dise
no de sistemas de monitoreo y CTF
v
desde el punto de vista academico e industrial. El captulo 3 realiza una breve descripcion de las
principales herramientas utilizadas a lo largo de esta tesis tanto en el campo del procesamiento
de la informaci
on como del area de control de procesos. El captulo 4 aborda el problema
principalmente orientado a unidades aisladas de proceso que contemplan menor n
umero de
variables. Aqu se presentan los principales resultados obtenidos en la aplicacion de control
predictivo adaptivo como CTF activo. Dado que se confrontan los resultados alcanzados con y
sin sistema de diagn
ostico, es posible realizar una evaluacion rigurosa de los alcances de emplear
el SDDEF integrado al CTF.Se discuten aqu dise
nos basados en la TWD e identificacion
de sistemas para la conformaci
on del SDDEF. Los resultados obtenidos provienen tanto de
planteos teoricos como de un caso de aplicacion de un reactor tipo tanque agitado continuo
con camisa. Ademas, se proponen nuevas alternativas de control adaptivo predictivo, polticas
de integracion y manejo de eventos anormales en lazos simples de control. Fallas tpicas como
offset en sensores y retardos extras en actuadores son analizadas de forma secuencial y simple,
en paralelo con diferentes condiciones de operacion de los procesos. El captulo 5 presenta el
dise
no de un complejo SDDEF hbrido para procesos de grandes dimensiones y su integracion
al CTF para polticas de control existentes. La estrategia propuesta es probada sobre casos de
aplicacion tales como una planta de tratamiento de aguas residuales y una de pulpa y papel
(la cual representa el caso mas complejo y de mayor dimension existente en la comunidad
de investigaci
on de control de procesos). Ademas, se desarrollan varios ndices capaces de
brindar una correcta evaluaci
on ya sea de funcionamiento del SDDEF, as como de costos
involucrados con el empleo del SDDEF integrado al CTF. Se presenta un conjunto importante
de simulaciones efectuadas en diferentes escenarios para poder apreciar el aporte concreto
de esta estrategia. Fallas en sensores del tipo offset y en actuadores del tipo retardo extra y
bloqueos son propuestas. Las fallas consideradas en cada caso de estudio fueron seleccionadas
acorde con la magnitud del problema que producan las mismas. De esta forma se considera que
la metodologa propuesta se somete a pruebas contundentes que posibilitan extraer sustentar las
conclusiones presentadas en el captulo 6. En el mismo tambien se incluyen algunas posibles
direcciones futuras de trabajos de investigacion. Finalmente, los apendices dan el soporte
necesario a tematicas especficas como identificacion recursiva con factor de olvido, predicciones
con diferentes modelos lineales, algoritmos de factorizacion, control basado en modelo interno
y control en avance.
Durante el desarrollo de esta tesis se han generado diversas publicaciones, las cuales han
sido sometidas tanto a arbitrajes nacionales como internacionales. Los trabajos mas importantes
se resumen en el captulo denominado publicaciones (y en anexo al final de la tesis).
vi
Publicaciones
Durante el desarrollo de esta tesis se han generado diversas publicaciones. Las principales
se detallan a continuaci
on:
A- An Approach to Improve the Performance of Adaptive Predictive Control Systems: Theory, Simulations and Experiments. M. Jordan, M. Basualdo and D. Zumoffen. International
Journal Of Control. 2006, 79(10), 1216/1236.
B- Robust Adaptive Predictive Fault-Tolerant Control Linked with Fault Diagnosis System
Applied On a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and A.
Ceccatto. Proceedings of the 45th IEEE Conference on Decision and Control. 2006, 3512/3517.
San Diego, CA, USA.
C- Robust Adaptive Predictive Fault-Tolerant Control Integrated To a Fault-Detection System Applied to a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and
A. Ceccatto. Ind. Eng. Chem. Res.. 2007, 46(22), 7152/7163.
D- From Large Chemical Plant Data to Fault Diagnosis Integrated to Decentralized FaultTolerant Control: Pulp Mill Process Application. D. Zumoffen and M. Basualdo. Ind. Eng.
Chem. Res.. 2008, 47(4), 1201/1220.
E- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part I: Waste
Water Treatment Plant with Decentralized Control. D. Zumoffen and M. Basualdo. Ind.
Eng. Chem. Res.. 2008. In press.
F- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part II: Pulp
Mill Process with Model Predictive Control. D. Zumoffen, M. Basualdo and G. Molina. Ind.
Las publicaciones A, B y C forman parte del captulo 3 y la estructura fundamental del

captulo 4. A su vez las publicaciones D, E y F estructuran el captulo 5. En cada caso, dichos
captulos pretenden otorgar un vision extendida de las publicaciones documentando nuevos
resultados y estrategias.
Ademas, numerosos trabajos interdiciplinarios se han llevado a cabo en este perodo. El
resultado de dicha interacci
on se ve reflejada en las publicaciones enunciadas anteriormente y
los siguientes trabajos presentados en congresos y reuniones cientficas:
1. Desarrollo De Un Sensor Virtual De Composiciones Para La Implementacion De Control Con
Trayectoria Optima
Aplicado A Destilacion Batch. J.P. Ruiz, F. Garetto, D. Zumoffen y M.
Basualdo. Congreso X RPIC, Argentina. 2003.
2. A Nonlinear Soft Sensor For Quality Estimation And Optimal Control Applied In A Ternary Batch
Distillation Column. J.P. Ruiz, D. Zumoffen, M. Basualdo and L. Jimenez Esteller. ESCAPE 14
European Symposium on Computer Aided Process Engineering, Portugal. 2004.
vii

3. Aplicaci
on De Control Predictivo Funcional Para El Seguimiento De Una Trayectoria Optima
De
Temperatura En Una Columna De Destilacion Batch Multicomponente. D. Zumoffen, L. Garyulo
y M. Basualdo. XIX Congreso Argentino de Control Automatico, Argentina. 2004.
4. Predictive Functional Control Applied To Multicomponent Batch Distillation Column. D. Zumoffen, L. Garyulo, M. Basualdo and L. Jimenez. ESCAPE 15, European Symposium on Computer
Aided Process Engineering, Spain. 2005, 1465/1470.
5. Sistema De Detecci
on De Fallas En Un CSTR Controlado Con PFC. D. Zumoffen, M. Basualdo
y A. Ceccatto. Congreso XI RPIC, Argentina. 2005.
6. Control Tolerante Predictivo Funcional aplicado A Un CSTR. D. Zumoffen, M. Basualdo y M.
Jordan. Congreso XI RPIC, Argentina. 2005.
7. Control predictivo generalizado no lineal aplicado a una columna de destilacion batch ternaria.
J. Walczuk, L. Caviglia, D. Zumoffen y M. Basualdo. Congreso XI RPIC, Argentina. 2005.
8. On the Design of Fault-Tolerant Systems using Robustness Filtering with Adaptive Control. M.
Jordan, M. Basualdo and D. Zumoffen. Congreso XI RPIC, Argentina. 2005.
9. An Industrial Application Of Signal Processing For Developing A Fault Diagnosis System Linked
With A Fault Tolerant Control Strategy. M. Basualdo and D. Zumoffen. Workshop on Signal
Processing (WSP06), Argentina. 2006.
10. Control Tolerante A Fallos Integrado A Un Sitema De Diagnosis Basado En Analisis De Principales
Componentes Y L
ogica Difusa. D. Zumoffen, M. Basualdo y G. Molina. XX Congreso Argentino
de Control Automatico, Argentina. 2006.
11. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part I: FDIE System
Design. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina. 2007.
12. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part II: Reconfiguration of the Control Strategy. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina.
2007.
13. Hybrid Fault Diagnosis For Large Chemical Plants Under Control. D. Zumoffen and M. Basualdo.
ESCAPE 18, European Symposium on Computer Aided Process Engineering, France. 2008.
14. Fault Diagnosis and Identification System Applied to a Non-invasive Biosensor of Blood Glucose.
M. Basualdo, D. Zumoffen and A. Rigalli. ESCAPE 18, European Symposium on Computer Aided
Process Engineering, France. 2008.
15. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte I: Dise
no del SDDEF. D. Zumoffen y M.
Basualdo. XXI Congreso Argentino de Control Automatico, Buenos Aires, Argentina. 2008.
16. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte II: Integracion al CTF. D. Zumoffen y M.
viii
Glosario
ACP
ACPA
ACPD
ACPM
ACPME
ACPPE
ACT
AF
ARX
ASM1
BTO
CAPFRA
CBMI
CEA
CFRAP
COD
CPA
CPBM
CPF
CPM
CTF
DDF
DG
DGS
DVS
EAR
ECP
ECMP
FC
FEC
FIR
FP
IEA
IS
LB
Analisis en componentes principales

Analisis en componentes principales adaptivo
Analisis en componentes principales dinamico
Analisis en componentes principales movil
Analisis en componentes de principales de m
ultiples escalas
Analisis en componentes principales pesado exponencialmente
Analisis cualitativo de tendencias
Arboles
de fallas
Autorregresivo con entrada externa (AutoRegressive with eXogenous input)
Modelo de lodos activos (Activate Sludge Model) No 1
Beneficio total de operacion
Control adaptivo predictivo con filtro robusto adaptivo
Control basado en modelo interno
Control en avance (feedforward)
Control con filtro robusto adaptivo predictivo
Concentraci
on de oxgeno disuelto
Control predictivo adaptivo
Control predictivo basado en modelos
Control predictivo funcional
Control predictivo multivariable
Control tolerante a fallos
Detecci
on y diagnostico de fallas
Digrafos
Digrafos con signo
Descomposici
on en valores singulares
Extracci
on automatica de reglas
Error cuadratico de prediccion
Error cuadratico medio de prediccion
Fsica cuantitativa
Filtros espejo en cuadratura
Respuesta finita al impulso (Finite Impulse Response)
Funci
on de pertenencia
Integral del error absoluto
Identificaci
on de sistemas
Licor blanco
ix
LD
LF
LND
LV
MCP
MMPE
MRG
MSA
OD
P
PA
PI
PID
PMB
PME
PPP
PQ
PSR
PTAR
PTD
PVA
RNA
RQ
RTAC
SA
SCTF
SDDEF
SDEF
SE
SISO
SLD
SM
SVD
TWD
UO
US
VC
VM
L
ogica difusa
Lnea de fibra
Licor negro debil
Licor verde
Mnimos cuadrados parciales
Media m
ovil pesado exponencialmente
Matriz relativa de ganancias
Manejo de situaciones anormales
Oxgeno disuelto
Control proporcional
Promedio de los autovalores
Control proporcional/integral
Control proporcional/integral/derivativo
Porcentaje de mejora del beneficio
Porcentaje de mejora del error
Planta de pulpa y papel
Punto de quiebre
Porcentaje de soporte de la regla
Planta de tratamiento de aguas residuales
Porcentaje del tiempo de deteccion
Porcentaje de varianza acumulado
Redes neuronales artificiales
Recupero qumico
Reactor tanque agitado continuo
Situaci
on anormal
Sistema de control tolerante a fallos
Sistema de detecci
on, diagnostico y estimacion de fallas
Sistema de detecci
on y estimacion de fallas
Sistema experto
Simple entrada/simple salida (Single Input/Single Output)
Sistema de l
ogica difusa
Sistema de monitoreo
Subespacio de variaci
on dominante
Transformada wavelet discreta
Unidades en capa oculta
Unidades en capa de salida
Variable controlada
Variable manipulada
Variables
Captulo 2
d(k)
f (k)
u(k)
y(k)
f(k)
yref (k)
Se
nal de perturbaci
on
Evoluci
on temporal de la falla
Se
nal de entrada
Se
nal de salida
Estimaci
on de la falla
Trayectoria de referencia
Captulo 3
1m
a
A
A
AJ
b
b
B
C(a, b)
Dj (t)
D (z 1 )
D
DA
e(k)
E
fi ()
F (z 1 )
FA,mA,
F
g(i)
G
G
1
G(z )
1 )
G(z
0 (z 1 )
G
G
hp
hu
Vector de unos de longitud m

Escalado wavelet
Componentes principales
Matriz del modelo EE
Aproximaci
on a nivel J
Desplazamiento wavelet
Vector de valores medios
Coeficientes wavelets
Detalle a nivel j
Polinomio causal
Matriz de autovalores
Matriz de A autovalores
Vector de errores
Matriz de restricciones
Funci
on de pertenencia i
Filtro pasa bajo
Distribuci
on F
Coeficientes del modelo FIR
Filtro pasa alto wavelet
Filtro espejo de G
Transf. del proceso
Transf. estimada del proceso
Transf. estimada nominal del proceso
Fin horizonte de prediccion
Horizonte de control
xi
i
i
i
x
T 2
Q
2
()
()
(i)
(i)
(i)
0
j
(k)
(N )
(k)
i
i
u(k)
(k)
(k)
U(k)
1 , k)
G(z
(k)
Valor medio de la variable i

Varianza de la variable i
Autovalor i
Error de prediccion
Lmite de confianza para T 2
Lmite de confianza para Q
Distribucion chi-cuadrado
Factor de confianza
funcion wavelet madre
funcion de escala
Vector de parametros
Vector de parametros estimado
Paso en la iteracion i
Direccion de b
usqueda en i
Estima en i
Valor inicial de la estima
Entrada j de la neurona
Regresor lineal
Error de prediccion a priori
Error de seguimiento
Pesos del error
Pesos del control
Movimiento futuro de control
Perturbacion de salida
Estimacion de la perturbaci
on
Movimientos futuros
Correccion del modelo
Correccion de los parametros
hw
H
H
J(k)
K(N )
Kg
n
nh
n
pva(l)
P
P
PN
Q(k)
r(t)
R(z)
R
s(t)
s
t
t(k)
Tref
Ts
T 2 (k)
T1 ,T2 ,T3 ,T4
u(k)
(k)
u
U
VN ()
wij
wi0
w(k)
x(k)
x
X
X
X
y(k)
yi
yi
(k)
y
Yr
ZN
Inicio horizonte de prediccion

Filtro pasa bajo wavelet
Filtro espejo de H
Funcional costo matricial
Ganancia del algoritmo MCR
Compensaci
on estatica
no. variables medidas
no. neuronas en capa oculta
no. de entradas
% de varianza acumulada para l
A componentes principales
subespacio residual
Inversa de la matriz de correlacion
Estadstico ECP
Ruido de medici
on
Polinomio no causal
Matriz de correlaci
on
Se
nal para analisis wavelet
Vector de varianzas
Tiempo
Variables latentes
Tiempo de respuesta
Tiempo de muestreo
Estadstico de Hotelling
Matrices de transformacion
Se
nal de entrada
Vector de entradas futuras
Vector de movimientos futuras
funcional costo cuadratico
Peso j de la neurona i
Bias de la neurona i
Trayectoria de referencia
Estados del modelo EE
Medici
on normalizada del proceso
Espacio de entrada
Matriz de datos
Matriz de datos normalizada
Se
nal de salida
Salida de la neurona i
Predicci
on de yi
Vector de predicciones
Vector de referencias futuras
Datos entrada/salida con N muestras
Captulo 4
d(k)
Gvm (z 1 )
h(k)
of f (t)
po (k)
ppo
r(t)
s1 (k)
td
Tf
xii
Retardo estimado
Modelo actuador/valvula
Respuesta al escal
on
Offset de medici
on
Valor de pico en D1
Parametro de punto operativo
Ruido de medici
on
Versi
on filtrada de zn (k)
Retardo temporal
Tiempo de ocurrencia de la falla
r
au
au
Cte. tiempo filtro

Regresor aumentado
Estima aumentada
Umbral del retardo
Factor de olvido
Parametro proporcional
u00
uc (t)
uc (t td )
w0 (k)
y(t)
ym (t)
y00
zn (k)
Punto operativo de la entrada

Se
nal de control
Se
nal de control retrasada en td
Referencia original
Variable de salida real
Variable de salida medida
Punto operativo de la salida
Indicador de persistencia a la excitacion
Captulo 5
bV Mj
BT Oji
ci
ECM Pj
f pij
Fi
Fij
IEAij
Km
Kp
KP I
li
[Limin , Limax ]
Mi
Na
Naux
Nw
VC
of f j
p
P Ii
P M Bji
P SRj
PTD
r
Rp
Rmatriz
sV Cj
si
spi (k)
sp0i (k)
sp0pr (k)
sp1pr (k)
VM
td j
Tc
Td
[Tiz , Tf z ]
Tr
Tsd
Tu
uF L (k)
um
i
uci
um
FL
Valor medio de la V Mj
Beneficio total de operacion
Precio costo/venta
Error cuadratico medio de prediccion
Funci
on de pertenencia j sobre i
Falla tipo i
Cantidad de material
Integral del error absoluto
Ganancia del modelo
Ganancia del proceso
Ganancia del PI
Valor ling
ustico para i
Rango de operacion normal de i
Modelo inferencial i
N
umero maximo de alertas de peligro
Dimensi
on matriz auxiliar
Dimensi
on matriz normal
Estimaci
on del offset en V Cj
N
umero de reglas
Controlador PI del lazo i
Porcentaje de mejora del beneficio
Porcentaje de soporte de la regla j
Porcentaje de tiempo de deteccion
N
umero de componentes de uF L
Regla del evento p
Matriz de reglas
Varianza de la V Cj
Activaci
on del lazo adicional i
Referencia para i
Referencia original para i
Ref. original de produccion
Ref. actualizada de produccion
Estimaci
on del retardo en V Mj
Tiempo de clasificacion
Tiempo de deteccion
Zona de analisis
Tiempo de reconfiguracion
Dinamica mas lenta del proceso
Tiempo de actualizacion
Entradas del SLD
Valor medio de i
Correcci
on de la ref. de produccion
Vector de contribuciones medias
z
pva
fi
m
i
i
p
p
P I
Lmite de confianza para z

% de varianza acumulada
Cte. de tiempo filtro CBMI
Parametro de dise
no
Conversion de unidades
Cte. tiempo del modelo
Par. del modelo inferencial
Par. del modelo inferencial
Cte. tiempo del proceso
Tiempo muerto del proceso
Cte. integral del PI
xiii
Va (k)
V0 (k)
VA
VN
n
X
aux
X
yim (k)
yim (k)
yF L
z(k)
Funcional costo adicional

Funcional costo original
% de violaci
on de amonaco
% de violaci
on de nitr
ogeno
Matriz de datos normales
Matriz auxiliar
Medici
on de la salida i
Inferencia de la salida i
Salida del SLD
Estadstico combinado
Ap
endices
A
B
C
C(s)
D
em
flp (s)
g+ (s)
g+ (s)
G(s)
G(s)
Gc (s)
G
Kf f
S
u(k)
U
x(k)
y(k)
xiv

Transferencia del controlador
Matriz de la factorizaci
on UD
Error multiplicativo
Transferencia del filtro pasa bajos
Parte no invertible
Parte invertible
Transferencia del proceso
Modelo del proceso
Transferencia del CBMI
Matriz dinamica
Transf. del controlador en avance
Matriz dinamica
Se
nal de entrada
Matriz de la factorizaci
on UD
Estados del modelo EE
Se
nal de salida
Factor de olvido
Retardo del proceso
Frecuencia
ndice general
Agradecimientos
Resumen
IV
Publicaciones
VII
Glosario
IX
Variables
XI
1. Introducci
on
1.1. Manejo de situaciones anormales (MSA)
1.1.1. Fuentes o causas . . . . . . . .
1.1.2. Desafos . . . . . . . . . . . . .
1.1.3. Impacto . . . . . . . . . . . . .
1.2. Monitoreo de procesos . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2. Estado del Arte

2.1. Detecci
on y diagn
ostico de fallas (DDF) . . . . . . . . . . . . . . . . .
2.1.1. Caractersticas de un sistema de diagnostico . . . . . . . . . . .
2.1.2. Metodos basados en modelos cuantitativos . . . . . . . . . . .
2.1.3. Metodos basados en modelos cualitativos . . . . . . . . . . . .
2.1.4. Metodos basados en datos historicos . . . . . . . . . . . . . . .
2.1.5. Comparaciones . . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.6. Sistemas hbridos . . . . . . . . . . . . . . . . . . . . . . . . .
2.1.7. DDF y el dise
no de otras operaciones de proceso . . . . . . . .
2.2. Control tolerante a fallos (CTF) . . . . . . . . . . . . . . . . . . . . .
2.2.1. Estructura de un sistema de CTF . . . . . . . . . . . . . . . . .
2.2.2. Metodos clasicos . . . . . . . . . . . . . . . . . . . . . . . . .
2.2.3. Aspectos temporales . . . . . . . . . . . . . . . . . . . . . . .
2.3. Analisis de operabilidad y riesgos (AOR) - (HAZOP analysis) . . . . . .
2.3.1. AOR para un proceso continuo . . . . . . . . . . . . . . . . . .
2.4. Monitoreo en procesos industriales . . . . . . . . . . . . . . . . . . . .
2.4.1. La naturaleza multivariada en la deteccion de fallas . . . . . . .
2.4.2. Control estadstico de procesos vs. control estadstico de calidad
2.4.3. Aplicaci
on industrial . . . . . . . . . . . . . . . . . . . . . . . .
xv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
5
6
7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
10
11
12
15
17
19
20
21
23
23
25
26
27
27
28
28
29
29
Indice general
2.4.4. Utilizando el conocimiento teorico y del proceso . . . . . . . . . . . . . 30

2.4.5. Productos comerciales existentes . . . . . . . . . . . . . . . . . . . . . 31
2.5. Conclusi
on y objetivos de la tesis . . . . . . . . . . . . . . . . . . . . . . . . . 31
3. Herramientas y T
ecnicas
A. Procesamiento de la Informaci
on . . . . . . . . . . . . . . . . .
3.1. Analisis de componentes principales (ACP) . . . . . . . . . . . . .
3.1.1. Selecci
on de los componentes principales . . . . . . . . . .
3.1.2. Estadsticos de control basados en ACP . . . . . . . . . .
3.1.3. Diferentes estrategias de ACP . . . . . . . . . . . . . . .
3.2. Sistemas de l
ogica difusa (SLD) . . . . . . . . . . . . . . . . . .
3.2.1. Fuzzificaci
on de las entradas . . . . . . . . . . . . . . . .
3.2.2. Operaciones l
ogicas y base de reglas . . . . . . . . . . . .
3.2.3. Defuzzificaci
on . . . . . . . . . . . . . . . . . . . . . . .
3.2.4. Tipos de SLD . . . . . . . . . . . . . . . . . . . . . . . .
3.3. Transformada wavelet discreta (TWD) . . . . . . . . . . . . . . .
3.3.1. Analisis wavelet . . . . . . . . . . . . . . . . . . . . . . .
3.4. Redes neuronales artificiales (RNA) . . . . . . . . . . . . . . . . .
3.4.1. La neurona . . . . . . . . . . . . . . . . . . . . . . . . .
3.4.2. Redes de multiples capas . . . . . . . . . . . . . . . . . .
3.4.3. Aprendizaje de la red . . . . . . . . . . . . . . . . . . . .
3.5. Identificaci
on de sistemas (IS) . . . . . . . . . . . . . . . . . . .
3.5.1. Procedimiento en IS . . . . . . . . . . . . . . . . . . . . .
3.5.2. Problema clasico: Modelo ARX-Mnimos cuadrados lineales
3.5.3. Mnimos cuadrados recursivos (MCR) . . . . . . . . . . .
B. Control de Procesos . . . . . . . . . . . . . . . . . . . . . . . . .
3.6. Control predictivo basado en modelos (CPM) . . . . . . . . . . .
3.6.1. La idea basica . . . . . . . . . . . . . . . . . . . . . . . .
3.6.2. Modelo FIR . . . . . . . . . . . . . . . . . . . . . . . . .
3.6.3. Modelo en ecuaciones de estado . . . . . . . . . . . . . .
3.6.4. Efecto de las restricciones . . . . . . . . . . . . . . . . . .
3.7. Control adaptivo predictivo (CAP) . . . . . . . . . . . . . . . . .
3.8. Control con filtro robusto adaptivo predictivo (CFRAP) . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
4. Aplicaciones de CAP como CTF activo

4.1. Clasificaci
on de las fallas . . . . . . . . . . . . . . . . . . . . . . .
4.2. Caso de aplicaci
on No 1: Caso academico . . . . . . . . . . . . . . .
4.2.1. Control adaptivo predictivo . . . . . . . . . . . . . . . . . .
4.2.2. Modificaciones en el proceso (CAP, CFRAP y CAPFRA) . .
4.2.3. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . .
on No 2: Reactor de tanque agitado continuo (RTAC)
4.3.1. Dise
no del SDEF . . . . . . . . . . . . . . . . . . . . . . .
4.3.2. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
con camisa
. . . . . .
. . . . . .
5. Dise
no y aplicaci
on de un SDDEF hbrido integrado al CTF
5.1. Dise
no del SDDEF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1. Monitoreo y detecci
on de fallas: ACP, ACP adaptivo y estadsticos combinados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.2. Aislamiento: SLD y extraccion automatica de reglas (EAR) . . . . . .
5.1.3. Estimaci
on de la falla: metodo RNA . . . . . . . . . . . . . . . . . .
xvi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
35
35
36
37
39
41
41
42
43
44
44
45
47
48
49
50
51
51
51
52
54
54
54
56
58
61
61
62
65
65
66
71
77
83
84
88
97
99
. 99
. 100
. 103
. 105
Indice general
5.2. Indices de rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

on No 1: planta de tratamiento de aguas residuales (PTAR)
5.3.1. Ajustes de SDDEF . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.2. Integraci
on al CTF . . . . . . . . . . . . . . . . . . . . . . . . . .
5.3.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
on No 2: Planta de pulpa y papel (PPP) . . . . . . . . . . .
5.4.1. Estrategia de control . . . . . . . . . . . . . . . . . . . . . . . . .
5.4.2. Definici
on de las fallas . . . . . . . . . . . . . . . . . . . . . . . .
5.4.3. PPP con control descentralizado . . . . . . . . . . . . . . . . . . .
5.4.4. PPP con control predictivo . . . . . . . . . . . . . . . . . . . . . .
5.4.5. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
108
109
112
115
117
128
130
131
132
148
162
6. Conclusiones
165
6.1. Direcciones futuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Ap
endice A
168
Ap
endice B
171
Ap
endice C
173
Ap
endice D
175
Ap
endice E
177
Ap
endice F
179
Bibliografa
181
xvii
Indice general
xviii
ndice de guras
1.1. Porcentajes de fuentes de situaciones anormales (ASMr) . . . . . . . . . . . .

1.2. Contribuci
on relativa de cada fuente (ASMr) . . . . . . . . . . . . . . . . . .
1.3. Anatoma de un incidente catastrofico (ASMr) . . . . . . . . . . . . . . . . .
2.1.
2.2.
2.3.
2.4.
Estructura general de diagnostico . . .

Clasificaci
on general de los metodos de
Estructura general de un CTF . . . . .
Clasificaci
on de los sistemas de CTF .
. . . . . . .
diagnostico
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
13
24
26
3.1. Selecci
on de componentes principales . . . . . . . . . . . . . . . .
3.2. Lmites de confianza Monitoreo en lnea . . . . . . . . . . . . .
3.3. Sistema de l
ogica difusa . . . . . . . . . . . . . . . . . . . . . . .
3.4. Funciones de pertenencia . . . . . . . . . . . . . . . . . . . . . .
3.5. Estructura general de un SLD . . . . . . . . . . . . . . . . . . . .
3.6. Estructura de descomposicion mediante wavelets . . . . . . . . .
3.7. Algoritmo de descomposicion de Mallat . . . . . . . . . . . . . .
3.8. Familia Daubechies de orden 3 . . . . . . . . . . . . . . . . . . .
3.9. Descomposici
on wavelet en 5 niveles con Daubechies de orden 9 .
3.10. Neurona (unidad de procesamiento) . . . . . . . . . . . . . . . .
3.11. Red de multiples capas . . . . . . . . . . . . . . . . . . . . . . .
3.12. Idea basica del control predictivo . . . . . . . . . . . . . . . . . .
3.13. Estructura de control predictivo con modelo FIR . . . . . . . . . .
3.14. Estructura de control predictivo con modelo en espacio de estados
3.15. Estructura de un CPM con restricciones . . . . . . . . . . . . . .
3.16. Estructura de un CPM adaptivo . . . . . . . . . . . . . . . . . .
3.17. Estructura de un CFRAP . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
37
39
41
42
44
46
46
47
48
49
49
55
58
60
61
62
63
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
68
68
69
70
73
73
74
Respuesta del proceso y FIR estimado . . . . . . . . . . .

Comportamiento a lazo cerrado . . . . . . . . . . . . . . .
Variable controlada con diferentes valores del retardo . . .
Variable manipulada con diferentes valores del retardo . . .
Evoluci
on a lazo cerrado y fallas en el sensor . . . . . . . .
CAP ante falla en el actuador . . . . . . . . . . . . . . . .
Actualizaci
on del modelo FIR . . . . . . . . . . . . . . . .
Indicadores y parametros del CAP ante falla en el actuador
xix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice de figuras
4.9. CAP ante falla en el sensor . . . . . . . . . . . . . . . . . . . . . . . . . . .

4.10. Indicadores y parametros del CAP ante falla en el sensor . . . . . . . . . . .
4.11. Cambios en el proceso, CAP . . . . . . . . . . . . . . . . . . . . . . . . . .
4.12. Cambios en el proceso, CFRAP . . . . . . . . . . . . . . . . . . . . . . . . .
4.13. Estructura del CAPFRA . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.14. Algoritmo de sincronizaci
on/actualizacion del CAPFRA . . . . . . . . . . . .
4.15. Cambios en el proceso, CAPFRA . . . . . . . . . . . . . . . . . . . . . . . .
4.16. Indices y parametros, CAPFRA . . . . . . . . . . . . . . . . . . . . . . . . .
4.17. RTAC con camisa y modelo FIR identificado . . . . . . . . . . . . . . . . . .
4.18. Respuesta de los algoritmos de CAP y CAPFRA . . . . . . . . . . . . . . . .
4.19. Algoritmos CAP y CAPFRA ante fallas en el actuador . . . . . . . . . . . . .
4.20. Algoritmos CAP y CAPFRA ante fallas en el sensor . . . . . . . . . . . . . .
4.21. Descomposici
on a nivel 1 de T1 con Daubechies de orden 3 . . . . . . . . . .
4.22. Estructura del CAPFRA con SDEF . . . . . . . . . . . . . . . . . . . . . . .
4.23. Algoritmo de CAP y CAPFRA integrado con el SDEF - Falla en actuador . .
4.24. Algoritmo de CAP y CAPFRA integrado con el SDEF - Falla en sensor . . . .
4.25. Algoritmo CAPFRA con SDEF - Falla en sensor, perturbacion y seguimiento
de la referencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4.26. Algoritmo CAPFRA con SDEF - Falla en sensor, en el actuador, ruido de medicion y perturbaci
on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
75
76
78
79
80
81
82
83
85
86
87
88
91
92
93
94
. 95
. 96
5.1. Algoritmo ACPA con estadsticos combinados . . . . . . . . . . . . . . . . . . 101

5.2. Algoritmo clasico de ACP y el propuesto ACPA . . . . . . . . . . . . . . . . . 102
5.3. Estrategia del SLD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
5.4. Estructura general del SDDEF . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5.5. PTAR y estrategia de control descentralizada . . . . . . . . . . . . . . . . . . 111
5.6. Matriz de reglas en PTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
5.7. RNA para la PTAR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
5.8. Estructura del SDDEF para la PTAR . . . . . . . . . . . . . . . . . . . . . . . 116
5.9. Falla tipo 1 (offset en el sensor de OD) - of f = 1 g/m3 . . . . . . . . . . . . 118
5.10. Falla tipo 1 (offset en el sensor de OD - saturacion) - of f = 4 g/m3 . . . . . . 119
5.11. Falla tipo 2 (offset en el sensor de N ) - of f = 1 gN/m3 . . . . . . . . . . . 120
5.12. Falla tipo 2 (offset en el sensor de N - saturacion) - of f = 4 gN/m3 . . . . . 121
5.13. Falla tipo 3 (retardo en el actuador KL a5) - td = 0,6 min. . . . . . . . . . . . 122
5.14. Falla tipo 4 (retardo en el actuador Qintr ) - td = 20 min. . . . . . . . . . . . 123
5.15. Falla tipo 4 - Con control en avance y control de realimentacion . . . . . . . . 126
5.16. Estructura final de interconexi
on. PTAR/SDDEF . . . . . . . . . . . . . . . . 127
5.17. Falla del tipo deriva en el sensor de OD. pendiente = 0.2 gN/m3 /d. Con y sin
SDDEF/CTF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
5.18. Planta de pulpa y papel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
5.19. Matriz de reglas - control descentralizado . . . . . . . . . . . . . . . . . . . . 133
5.20. Generalizaci
on de las RNA - control descentralizado . . . . . . . . . . . . . . . 134
5.21. Estrategia de lazos de control adicionales . . . . . . . . . . . . . . . . . . . . 136
5.22. Estructura del SDDEF para la PPP con control descentralizado . . . . . . . . . 138
5.23. Falla en el sensor de no. Kappa en E (F8 ) . . . . . . . . . . . . . . . . . . . . 140
5.24. Fallas en sensores secuenciales (F6 y F9 ) . . . . . . . . . . . . . . . . . . . . 141
5.25. Eventos secuenciales (perturbacion de lignina/celulosa y falla en el actuador F14 )143
5.26. Fallas secuenciales (F10 y F13 ) . . . . . . . . . . . . . . . . . . . . . . . . . . 144
5.27. Eventos secuenciales (tres cambios de referencia y F1 ) . . . . . . . . . . . . . 146
5.28. Matriz de reglas - CPBM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
xx
Indice de figuras
5.29. Generalizaci
on de las RNA - CPBM . . . . . . . . . . . . . . . . . . . . . . . 149
5.30. Estructura del SDDEF para la PPP - CPBM . . . . . . . . . . . . . . . . . . . 153
5.31. Falla en el sensor de no. Kappa en E (F8 ) . . . . . . . . . . . . . . . . . . . . 154
5.32. Fallas secuenciales en sensores (F6 y F9 ) . . . . . . . . . . . . . . . . . . . . 155
5.33. Eventos secuenciales (perturbacion de lignina/celulosa y falla en el actuador F14 )156
5.34. Fallas secuenciales (F10 y F13 ) . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.35. Eventos secuenciales (tres cambios de referencia y F1 ) . . . . . . . . . . . . . 159
5.36. Modelo FIR Lazo adicional de control No 1 . . . . . . . . . . . . . . . . . . . 160
5.37. Falla F13 para la estrategia integrada CPBM . . . . . . . . . . . . . . . . . . . 161
E.1. Estructuras de control por realimentacion . . . . . . . . . . . . . . . . . . . . 178
F.1. Estructura de control en avance (feedforward control) . . . . . . . . . . . . . . 179
xxi
Indice de figuras
xxii
ndice de tablas
2.1. Comparaci
on de metodos de diagnostico (Venkatasubramanian et al. (2003d)) . 20
2.2. Gua de palabras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
Parametros del controlador predictivo

Parametros del CAP . . . . . . . . . .
Parametros del CFRAP . . . . . . . .
Parametros del CAPFRA . . . . . . .
Variables en RTAC con camisa . . . .
Parametros de los controladores . . .
Parametros de ajuste del SDEF . . . .
Rendimiento con fallas en actuadores y
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
sensores
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
74
77
82
85
86
92
93
5.1. Elementos del proceso y variables en la PTAR . . . . . . . . . . . . . .

5.2. Ajuste de los controladores . . . . . . . . . . . . . . . . . . . . . . . .
5.3. Parametros del SDDEF . . . . . . . . . . . . . . . . . . . . . . . . . .
5.4. Ajuste inicial del CBMI . . . . . . . . . . . . . . . . . . . . . . . . . .
5.5. Indices de funcionamiento del PTAR . . . . . . . . . . . . . . . . . . .
5.6. Indices de rendimiento del SDDEF . . . . . . . . . . . . . . . . . . . .
5.7. Indice PME . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.8. Fallas propuestas en la PPP . . . . . . . . . . . . . . . . . . . . . . . .
5.9. Variables utilizadas en al ACPA - control descentralizado . . . . . . . .
5.10. Parametros del APCA - control descentralizado . . . . . . . . . . . . .
5.11. No de reglas / Tipo de falla - control descentralizado . . . . . . . . . .
5.12. Parametros de SLD - control descentralizado . . . . . . . . . . . . . . .
5.13. Mapeo propuesto por las RNA - control descentralizado . . . . . . . . .
5.14. Parametros de las RNA - control descentralizado . . . . . . . . . . . .
5.15. Parametros de los lazos adicionales de control - control descentralizado
5.16. Valores de costo y venta . . . . . . . . . . . . . . . . . . . . . . . . .
5.17. Indices de rendimiento con control descentralizado . . . . . . . . . . . .
5.18. Indices de costos con control descentralizado . . . . . . . . . . . . . . .
5.19. Variables utilizadas en al ACPA - CPBM . . . . . . . . . . . . . . . . .
5.20. Parametros del APCA - CPBM . . . . . . . . . . . . . . . . . . . . . .
5.21. No de reglas / Tipo de falla - CPBM . . . . . . . . . . . . . . . . . . .
5.22. Parametros de SLD - CPBM . . . . . . . . . . . . . . . . . . . . . . .
5.23. Mapeo propuesto por las RNA - CPBM . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
111
112
112
117
124
125
125
131
132
132
133
135
135
135
137
139
145
145
147
148
148
150
150
xxiii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice de tablas
5.24. Parametros de las RNA - CPBM . . . . . . . . . . . . . . . . . .

5.25. Parametros de los lazos adicionales de control - CPBM . . . . . .
5.26. Ajuste de parametros lazo adicional de control integrado a CPBM
5.27. Indices de rendimiento - CPBM . . . . . . . . . . . . . . . . . . .
5.28. Indices de costos - CPBM . . . . . . . . . . . . . . . . . . . . . .
xxiv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
150
151
160
162
162
CAPTULO
Introduccin
La mayora de las plantas petroqumicas y refineras poseen sistemas de control para controlar simultaneamente cientos de variables del proceso, tales como presiones y temperaturas,
por ejemplo. El rol humano principal en estos sistemas de control altamente automatizados es
el de supervisi
on. Esta actividad supervisora requiere: monitoreo del estado actual de la planta,
ajuste de los parametros de control, realizar actividades planeadas de operacion y detectar,
diagnosticar, compensar y corregir situaciones anormales.
El incremento de la demanda de alta eficiencia y operacion en estas industrias han derivado
en un incremento muy importante en la sofisticacion de los sistemas de control mediante el
desarrollo de estrategias de control y sensores avanzados. De todas formas estos avances no
han eliminado el problema de la presencia de situaciones anormales.
Una paradoja persistente en el dominio del control supervisor es que a medida que las
tecnologas de automaci
on incrementan su complejidad y sofisticacion, los operarios profesionales deben tomar decisiones cada vez mas complejas para el manejo de situaciones anormales
(MSA).
1.1.
Manejo de situaciones anormales (MSA)
De forma general una situaci

on anormal (SA) puede definirse como: una perturbacion o
una serie de perturbaciones que causan la desviacion de la planta de su punto operativo normal.
La naturaleza de la SA podra ser mnima o catastrofica dependiendo de su entorno. Sera tarea
del equipo de operaciones identificar la causa de la situacion y ejecutar acciones correctivas o
compensatorias de una manera rapida y eficientemente.
Una SA puede generar una reduccion en la produccion, perdidas en la calidad del producto,
da
nos en equipos y a
un mas serias poner en riesgo la integridad de las personas. Debido a
la naturaleza dinamica de los procesos las situaciones anormales se extienden, desarrollan y
cambian temporalmente incrementando la complejidad de los requerimientos de intervenci
on.
1.1.1.
Fuentes o causas
Para comprender como abordar tales situaciones, es importante conocer los factores que
causan o influyen sobre las situaciones anormales. En la mayora de los casos, la SA se presenta
como resultado de la interacci
on de m
ultiples fuentes.
Existen tres tipos de causas o fuentes de situaciones anormales
Figura 1.1: Porcentajes de fuentes de situaciones anormales (ASMr)

A. Factores relacionados con las personas y el entorno de trabajo.
B. Factores relacionados con los equipos.
C. Factores relacionados con el proceso.
una cuarta fuente podra ser los antecedentes ambientales fsicos (relampagos, terremotos, tormentas) que no seran considerados aqu debido a su ocurrencia infrecuente y su generalmente
rol obvio como causa raz.
Las tres fuentes enumeradas anteriormente han sido identificadas de los reportes de incidentes de compa
nas miembros del consorcio de manejo de situaciones anormales (abnormal
situation management consortium , ASMr) en el perodo 19921993. De todos los reportes
de incidentes solo han sido considerados los que tuvieron un impacto sobre la operacion del
proceso. Los porcentajes promedio para cada tipo de fuente se encuentran representados en la
Fig. 1.1.
Los datos provenientes de los reportes de incidentes deben ser analizados con cuidado, ya
que podemos encontrar informaci
on polarizada de diferentes formas. Los individuos generalmente rechazan la idea de identificar a las personas como fuente de un incidente y por otro
lado, los datos son recolectados de un peque
no n
umero de sitios reflejando la idiosincrasia de
tales lugares.
En la Fig. 1.2 podemos observar la distribucion de la frecuencia, medida en cantidad de
incidentes, de cada fuente identificada. En el caso de personas y entorno de trabajo la causa que
mas contribuye a situaciones anormales es la no existencia de procedimientos o procedimientos
inadecuados. En los factores vinculados con equipos claramente las fallas mecanicas son la
fuente con mas contribuci
on. Finalmente, una mala operacion del proceso superando los lmites
originales de de dise
no son la causa raz mas probable cuando hablamos de factores vinculados
al proceso.
A. Factores relacionados con las personas y el entorno de trabajo
Los seres humanos siempre seran una parte del proceso de toma de decision en las operaciones de planta y por lo tanto siempre existiran oportunidades para errores humanos que
contribuyen a las situaciones anormales. En varios puntos del proceso las personas pueden contribuir a una SA por no responder correctamente con acciones anticipatorias/compensatorias
o por responder con acciones inadecuadas. Las consecuencias de dichos errores dependeran de
2
Figura 1.2: Contribucion relativa de cada fuente (ASMr)

la naturaleza de la SA. Para comprender el rol del personal de planta es importante clasificar
las caractersticas internas y externas de la toma de decision que contribuyen a los errores.
Las caractersticas internas relacionan conceptos como
entrenamiento/habilidad: Los equipos de operacion deben comprender como trabaja el
proceso y fundamentalmente como se utiliza el sistema de control para monitorear la
planta. Una carencia de entrenamiento contribuye a situaciones anormales;
practica/experiencia: Los equipos de operacion deben contar con la experiencia requerida
para completar sus tareas. La experiencia y la practica deben ser distribuidas en todo el
personal;
tensi
on: En el caso de una SA los equipos de operacion deben ser informados pero no
abrumados, ya que altos niveles de tension contribuyen a aumentar la probabilidad de
errores humanos.
Las caractersticas externas por otro lado relacionan:
estructura de la organizaci
on: Seg
un la estructura de organizacion de un equipo de
operaciones puede tener impacto en la probabilidad de un evento anormal;
comunicaci
on: Debido a que las operaciones de planta resultan de un esfuerzo coordinado
de unidades de proceso la habilidad de comunicacion y de informacion es un factor crtico
en la operaci
on.
procedimientos: La carencia de procedimientos o procedimientos inapropiados pueden
contribuir a situaciones anormales. Los procedimientos son solamente valiosos si se utilizan.
Otras caractersticas externas pueden ser: practicas de trabajo, demandas de tareas, entorno, etc.
En conclusi
on, el personal de planta tiene numerosas cuestiones que monitorear y mantener
para que un proceso cumpla con las condiciones de operabilidad y eficiencia y al mismo tiempo
con requisitos de seguridad.
B. Factores relacionados con los equipos

La naturaleza y estado de los equipos de la planta son la mayor causa de situaciones
anormales. Una clasificaci
on general de los equipos de una planta es: equipos de proceso y
equipos de control. El primero hace referencia a equipos tales como bombas, compresores,
tanques, reactores, columnas, etc. y entre las causas de situaciones anormales mas comunes
podemos encontrar:
fallas de los equipos: estas refieren a interrupciones en equipos tales como bombas,
compresor, etc.. Tales averas pueden causar trastornos significantes en la planta y en
un caso extremo podran ocasionar la salida de servicio del proceso. En areas crticas de
la planta pueden utilizarse equipos de respaldo;
degradaci
on del equipo: esta es la situacion anormal mas com
un vinculada a equipos.
Este tipo de avera gradual puede resultar en perdidas de produccion o de calidad del
producto as como tambien en una disminucion del rendimiento de control. Son por lo
general fallas difciles de detectar.
Mientras que los equipos de control incluyen sensores, valvulas y controladores. Una gran
variedad de factores relacionados a equipos tales como edad, carga, historial de mantenimiento,
etc. pueden impactar en la naturaleza de la SA. Errores de lectura en un sensor y posicionamiento de una valvula pueden causar una carga considerable en los equipos de operacion. Decidir
sobre el estado del proceso con variables erroneas puede traer consecuencias catastroficas.
Fallas en sensores: Existen cuatro modos de fallas en sensores, A) La lectura del sensor
esta fuera de los lmites del sensor/proceso, B) La lectura del sensor es cambiante a
una tasa que esta fuera de los lmites fsicos del proceso o es inconsistente con las
caractersticas del sensor, C) El sensor se bloquea dando una medicion constante, y D)
Sensor con offset (bias), el sensor provee una lectura dentro de los lmites fsicos pero es
diferente a el valor real. Las mediciones de los sensores generalmente se utilizan en lazos
automaticos de control, as, un sensor que falla en su lectura puede provocar acciones de
control err
oneas dejando al proceso en puntos operativos diferentes o incluso producir
la salida de servicio de la planta.
Fallas en valvulas: De forma similar las valvulas utilizadas para implementar las acciones
de control pueden sufrir fallas. Un error de posicionamiento de dicha valvula puede causar
trastornos significantes si los operadores no identifican el problema rapidamente.
Fallas en controladores: El advenimiento de los sistemas de control automatico ha complicado la tarea de los equipos de operaciones cuando se presenta la necesidad de cambiar
a modo de control manual. No s
olo influye la carencia de capacitacion de los equipos
de operaciones para controlar manualmente la planta sino que tambien se debe tener en
cuenta la complejidad del proceso.
C. Factores relacionados con el proceso
La identificaci
on de estos factores puede ser un primer paso crucial cuando se pretende
aplicar soluciones para el correcto manejo de situaciones anormales. Los factores inherentes al
proceso que afectan la naturaleza de la SA son:
Tipo de fabricaci
on: Los procesos qumicos pueden ser clasificados como discontinuos,
continuos o alguna combinaci
on de estos. Cada fase de un proceso discontinuo generalmente posee un conjunto especfico de criterios que establecen el exito/falla de dicha
4
fase. Se dispone as de procedimientos que describen el re-procesamiento de fases que

pueden fallar. Cuando una falla ocurre en un proceso continuo, la parte del proceso
involucrada pierde funcionalidad generando perdidas en la produccion o la calidad del
producto. En un caso extremo, esta puede provocar la salida de servicio de la planta.
Estado de la operaci
on: El estado operacional de una planta posee una influencia significante en el tipo de situaciones anormales y sus consecuencias. Los estados de operaci
on mayormente encontrados en plantas petroqumicas son: estado estacionario, arranque, parada y transiciones (no incluyen arranques/paradas). La operacion en estado
estacionario es el modo tpico de funcionamiento de procesos continuos. El grado de
desviaci
on de dicho estado indica la severidad del evento anormal. El arranque de un
proceso es una transici
on infrecuente, en general las condiciones para realizarlo no son
conocidas en detalle resultando en grandes posibilidades de situaciones anormales. La
parada de planta es el tipo de transicion menos frecuente. Equipos, unidades o plantas pueden ser paradas para mantenimiento preventivo o por situaciones de emergencia.
Las transiciones de planta desde un punto operativo a otro (procesos continuos) generalmente ocurren como consecuencia de cambios en las propiedades de las materias primas,
cambios en recursos o cambios en la demanda de productos.
Tipo de materiales que son procesados: Las consecuencias de una SA en una planta
qumica tambien depende de la naturaleza de los materiales que estan siendo procesados. Una clasificaci
on preliminar de materiales manejados puede ser la siguiente: qumicos
peligrosos vs no peligrosos, estado de los qumicos (solido/lquido/gaseoso) y sustancias
inflamables vs no inflamables. Las acciones correctivas a ser tomadas en caso de situaciones anormales involucrando diferentes tipos de materiales pueden ser diferentes, ya
sea en terminos de tiempo de respuesta como en procedimientos.
Complejidad del proceso: Mientras que es difcil definir la complejidad de proceso, la
mayora de los analistas convienen que cuanto mayor es la complejidad de un proceso,
mas difcil es manejar una SA. La complejidad de un proceso decrece a medida que
los operadores adquieren mayor experiencia del proceso. Informacion inadecuada sobre
el estado o comportamiento del proceso tambien puede ayudar a ver el proceso como
uno complejo. Cuando existen m
ultiples interconexiones entre unidades de un proceso,
puede resultar sumamente difcil para los operadores aislar la causa raz de una SA en
una unidad en particular.
1.1.2.
Desafos
Un aspecto importante del entendimiento del MSA es la interrelacion entre las causas raz
y la intervenci
on de los sistemas de planta y el personal. Especficamente, la Fig. 1.3 ilustra la
anatoma de un incidente catastr
ofico.
La figura muestra la evoluci
on de una SA desde un trastorno de operacion hasta un desastre
catastr
ofico involucrando destruccion y da
nos a la planta y/o la comunidad que la rodea. En
el centro de la figura (sistemas crticos), se ilustra la progresion de una SA y la interaccion con
condiciones de fallas y problemas ocultos en diferentes sistemas de la planta. Estos sistemas
estan dise
nados para salvaguardar la integridad de la planta ante eventos catastroficos. El rol
del personal de planta tambien puede apreciarse de la figura anterior para prevenir trastornos en
la operaci
on. Cuando se presenta una perdida de control el personal de planta debe intervenir
para minimizar el impacto del incidente.
Las actividades de operaci
on son realizadas por equipos de operaciones que comprenden:
operadores de consola, operadores principales, supervisores y operadores de campo. Esto tambien incluira la coordinaci
on entre los equipos responsables de las operaciones de diversas areas
5
Figura 1.3: Anatoma de un incidente catastrofico (ASMr)

dentro de la planta. Las actividades de ayuda tecnica son realizadas por personal tpico que
abarca ingenieros y tecnicos en las siguientes areas de proceso: instrumentacion, mecanica, seguridad, desarrollo y sistemas de control. Aunque, el papel de los individuos vara de situacion
en situacion, el grado con el cual el personal de ayuda tecnica se involucra depende de la
velocidad a la cual el problema se desarrolla. Desafortunadamente, el operador de consola generalmente es el u
nico habilitado a responder debido a la velocidad con que se desarrollan los
eventos anormales. La capacidad de ayuda en tiempo real del operador de consola dependera de
la integracion y rapidez de los sistemas de comunicacion.
1.1.3.
Impacto
La larga historia de desastres (no debidos a causas naturales) de las plantas petroqumicas
en Estados Unidos fue de 1.6 billones de d
olares en 1989. En promedio, una planta petroqumica
tendra un incidente considerable cada tres a
nos. Actualmente y basados en datos recogidos
por compa
nas de seguros se estima que las perdidas de produccion debido a accidentes podra
ser al menos de 10 billones de d
olares anualmente en los Estados Unidos. Los costos asociados
a reparaciones y/o reemplazo de equipos, multas ambientales, compensaciones por perdidas
humanas, investigaci
on, pleitos, etc., representan otros 10 billones adicionales.
La mayora de las situaciones anormales no resultan en explosiones pero son de todas formas
situaciones que generan costos por baja calidad del producto, retrasos, da
nos de equipos, etc..
6
1.2. Monitoreo de procesos
De los analisis de procesos realizados en las compa

nas miembro del consorcio de manejo de
situaciones anormales resulta que entre un 3 % y un 8 % de la capacidad de la planta se pierde
debido a eventos inesperados.
1.2.
Monitoreo de procesos
Durante los u
ltimos 30 a
nos, las industrias qumicas y petroqumicas han realizado esfuerzos
enormes para reducir costos e incrementar la eficiencia de los procesos. La re-ingeniera, las
nuevas tecnologas de sensores y los nuevos sistemas de control han contribuido a llevar a acabo
este incremento de eficiencia. Por otro lado, el escenario resultante son procesos con unidades
sumamente conectadas entre si, con complejas polticas de control, con un gran n
umero de
elementos intervinientes y con un grado de robustez relativo.
En este contexto, los operadores de proceso son quienes atienden las situaciones anormales.
Generalmente, para dar aviso de variables con valores anormales se encienden alarmas de control
clasicas (por ejemplo, alarmas de alto nivel o alta presion). Sin embargo, la complejidad de
los procesos modernos hace difcil la prediccion de eventos anormales. Las alarmas de control
clasicas no suministran informaci
on de las causas raz de la falla, solo informan respecto de
una desviaci
on particular.
El alto grado de acoplamiento de los procesos, causa que una desviacion pueda propagarse
(rapidamente) por numerosos equipos haciendo difcil y a veces imposible que los operarios del
proceso detecten, clasifiquen y compensen dichos eventos anormales. Ademas, una interacci
on
severa en los procesos incrementa la posibilidad que una accion de control, que tiende a
rechazar alg
un efecto provocado por perturbaciones en una unidad determinada, afecte otras
unidades de la planta de forma drastica.
Los directores y operadores de planta estan abocados a conocer como operar la planta
de modo seguro y
optimo desde el punto de vista economico. A menudo, la produccion no
se ve afectada por una disminuci
on en el rendimeinto, pero s cuando una falla es realmente
importante. En tales situaciones, se generan costos economicos considerables ya sea por la
salida de operaci
on del proceso, da
nos en los equipos, contaminacion ambiental, etc.
Quizas el accidente qumico mas grande tomo lugar en Bhopal, India en 1984, cuando una
planta de pesticida (un subsidiario de Dow Chemical Company) accidentalmente dejo escapar
gas toxico. Mas de 3000 ciudadanos murieron y entre de 200000 y 600000 sufrieron da
nos.
Este incidente provoc
o alrededor de 4.1 billones de euros de da
nos economicos. El accidente
en Bhopal fue el resultado de una combinacion de errores como legales, tecnologicos, de
organizaci
on y humanos. A continuacion se detallan algunos de los defectos encontrados en la
planta (Musulin (2005); CEFIC):
* El depurador de gas t
oxico, dise
nado para neutralizar cualquier escape, estaba fuera
de servicio para mantenimiento. Las investigaciones luego del desastre revelan que a
un
funcionando este depurador poda manejar solo un cuarto de la presion que alcanzo en
el accidente.
* La torre de quemado, dise
nada para quemar cualquier escape del depurador tambien
estaba fuera de servicio. Ademas tambien estaba mal dise
nada, solo poda manejar un
cuarto del volumen del gas escapado.
* La cortina de agua. para neutralizar cualquier gas remanente, fue demasiado corta para
alcanzar lo alto de la torre de quemado, de donde el gas fue esparcido.
* La unidad de refrigeraci
on, que mantiene el gas a bajas temperaturas, estuvo fuera de
servicio por alg
un tiempo.
7
1.2. Monitoreo de procesos
* El tanque de almacenamiento de gas fue llenado superando su capacidad.

* Elementos de medici
on de temperatura y presion, en diferentes unidades del proceso,
eran tan poco confiables que los operarios ignoraron signos tempranos del problema.
* La carencia de un efectivo sistema de alarmas.
Afortunadamente, la mayora de los incidentes no son tan drasticos. Pero de todas formas
generan un importante costo econ
omico por da
nos de diferentes formas. En la u
ltima decada,
el interes en sistemas de monitoreo (SM) ha aumentado siguiendo la demanda de mejor direccion de plantas de acuerdo con restricciones economicas y ambientales, resultando en una
disminucion de los accidentes.
Los principales objetivos de un SM son minimizar los riesgos e incrementar la calidad
de la producci
on. Un SM debe trabajar en tiempo real, 24 horas del da, los 365 das del
a
no, detectando tantos eventos anormales como sea posible (mucho antes que las alarmas de
control) e informando de forma adecuada al operador sobre el estado del proceso, causas raz
y soluciones sugeridas. Por lo tanto, pueden tomarse acciones apropiadas en tiempo real para
evitar la propagaci
on de la falla o su eventual compensacion y tender a reducir lo maximo
posible las consecuencias de dicho evento anormal.
CAPTULO
Estado del Arte

La detecci
on y diagn
ostico de fallas (DDF) es un problema muy importante en la ingeniera
de procesos. Es el componente central en el correcto MSA, el cual ha generado una gran
atenci
on los u
ltimos a
nos. El correcto MSA debe tener en cuenta una rapida deteccion, un
diagnostico y una acci
on correctiva para alg
un eventual comportamiento anormal en el proceso.
La detecci
on y diagn
ostico temprano de una falla cuando a
un la planta esta funcionando en
una regi
on controlable puede prevenir la propagacion del evento anormal y evitar perdidas
considerables.
La carencia de un sistema de MSA o un sistema defectuoso no pueden impedir eventuales
desastres ambientales o las enormes perdidas debido a fallas del proceso. Por ello, existe un
considerable interes en este campo tanto en las practicas industriales como en la investigaci
on
academica.
Desde una perspectiva de modelado, existen metodos que requieren modelos precisos del
proceso, ya sea semi-cuantitativos o cualitativos. Desde otro punto de vista, hay metodos que
no asumen ninguna forma de la informacion del proceso y confan solo en datos historicos de
la planta. Ademas, contando con el conocimiento del proceso, existen diferentes tecnicas de
investigaci
on que pueden ser aplicadas para realizar el diagnostico.
En este caso los metodos de diagnostico y deteccion de fallas se clasificaran en tres grandes
areas: metodos basados en modelos cuantitativos, metodos basados en modelos cualitativos
y finalmente metodos basados en datos historicos del proceso (Venkatasubramanian et al.
(2003b,c,d)).
Por otro lado, los dispositivos tecnologicos modernos poseen sofisticados sistemas de control para mejorar el rendimiento de los procesos. En estos sistemas las consecuencias de fallas
en componentes del proceso y/o errores humanos pueden resultar catastroficas. Resulta indispensable entonces desarrollar sistemas de control capaces de tolerar posibles fallas que ocurran
en la planta para mejorar la confiabilidad y disponibilidad del proceso. Este tipo de estrategias
de control se denominan sistemas de control tolerantes a fallas (SCTF) o directamente control
tolerante a fallas (CTF). Teniendo en cuenta su dise
no los SCTF pueden estar ntimamente
relacionados con los sistemas de DDF. En la segunda parte de este captulo se abordara en
detalle esta tematica.
2.1. Detecci
on y diagn
ostico de fallas (DDF)
2.1.
Detecci
on y diagn
La disciplina del control de procesos ha adquirido ventajas enormes con el advenimiento

del control de procesos por computador. As, actividades de control denominadas de bajo nivel, tales como cerrar y abrir una valvula han sido automatizadas mediante estas estrategias.
Con el progreso del CPBM los beneficios de varios segmentos industriales como qumicas,
petroqumicas, acero, cemento y desalinizacion han sido enormes. De todas formas muchas
tareas importantes de control siguen siendo manuales, realizadas por operadores. Estas tareas
corresponden al MSA en procesos. Esto involucra rapida deteccion de eventos anormales, diagnosticar sus causas origen y tomar las decisiones y acciones adecuadas para llevar la operacion
del proceso hacia una regi
on normal y segura.
Sin embargo, otorgar plena confianza en los operadores para realizar este tipo de tareas
(MSA) es dificultoso por varios factores. La actividad de diagnostico posee un espectro muy
amplio, fallas en unidades de proceso, degradacion en unidades de proceso, deriva de parametros, etc.. Esta dificultad se ve incrementada a
un mas por la dimension y complejidad de las
modernas plantas. En un proceso de grandes dimensiones puede haber alrededor de 1500 variables que son observadas cada segundo, produciendo una sobrecarga de informacion. Ademas,
las tareas de diagn
ostico pueden ser dificultosas debido a mediciones insuficientes, incompletas
y/o no confiables por una variedad de causas tales como averas o bias.
Dado tales condiciones, no sorprende que los operadores tiendan a tomar decisiones y
realizar acciones err
oneas acerca del estado del proceso y su compensacion. En la seccion 1.1.1
se pudo observar que en promedio el 42 % de los incidentes industriales son causados por
errores humanos.
El desafo actual es la automatizaci
on del MSA utilizando sistemas de control inteligentes,
de forma tal que los operadores cuenten con la informacion adecuada. Las personas vinculadas
a procesos industriales ven esto como el proximo gran paso en la investigacion y aplicacion de
sistemas de control (Venkatasubramanian et al. (2003b)).
A ttulo de introducci
on primero se definira alguna terminologa utilizada ampliamente en el
area de diagn
ostico de fallas. El termino falla generalmente hace referencia a un apartamiento
de una variable observada (o de alg
un parametro calculado del proceso) de su rango de operacion aceptable. Esto define una falla como una anormalidad del proceso o sntoma, tales
como alta temperatura en un reactor, baja calidad de producto, etc.. La causa (causas) de
esta anormalidad se (son) denomina (denominan) evento basico (eventos basicos) o causa
raz (causas raz). Los eventos basicos tambien se denominan mal-funcionamiento o avera. Se
podra considerar las tareas de diagn
ostico de fallas como un problema de clasificacion. En la
Fig. 2.1 se puede observar la estructura general de diagnostico y las potenciales fuentes de
fallas en un proceso. En general, existen tres clases de fuentes de fallas o mal-funcionamiento:
1. Cambios considerables en los parametros del modelo: Cualquier proceso de modelado
presenta errores por dinamica no modelada. Este tipo de fallas se presentan cuando
existe una perturbaci
on entrando al proceso desde el entorno a traves de una o mas
variables de entradas externas (independiente). Ejemplos: cambio en la concentracion de
un reactante de su valor normal en la alimentacion de un reactor, cambio en el coeficiente
de transferencia de calor en un intercambiador de calor, etc..
2. Cambios estructurales: Refieren a cambios en proceso en si mismo. Fallas de funcionamiento del tipo estructural modifican el flujo de informacion entre varias variables.
Ejemplos: falla de un controlador, bloqueo de una valvula, rotura o bloqueo de un tubo.
3. Fallas en sensores o actuadores: Generalmente ocurren errores en actuadores y sensores.
Estos pueden ser debidos a una falla constante, un error de medicion o de posicionamiento
10
2.1. Detecci
on y diagn
Figura 2.1: Estructura general de diagnostico

de valor fijo (bias positivo o negativo) o una falla del tipo fuera de rango. Es habitual
que estos elementos formen parte de los lazos de control del proceso. Si estas fallas no
son detectadas y compensadas a tiempo pueden ocasionar que las variables de interes
de la planta se desven de su rango aceptable.
2.1.1.
Caractersticas de un sistema de diagn

ostico
Desde el punto de vista de la comparacion de diferentes estrategias de diagnostico, es importante identificar un conjunto deseable de caractersticas que un sistema de diagnostico de
fallas debera tener. A continuaci
on se presentan los estandares considerados aqu (Venkatasubramanian et al. (2003b)):
* Rapidez de detecci
on: El sistema de diagnostico debera responder rapidamente detectando y diagnosticando un evento anormal. Por otro lado, rapidez en el diagnostico y
rendimiento tolerable bajo condiciones normales son dos requisitos contrapuestos. Un
sistema que detecta fallas (abruptas) rapidamente, es sensible a influencias de alta frecuencia y por otro lado lo hace sensible al ruido tambien. Esto puede ocasionar numerosas
falsas alarmas en funcionamiento normal.
* Aislamiento: Es la habilidad del sistema de diagnostico de distinguir entre diferentes
fallas. Existe en este caso tambien un compromiso entre aislamiento y rechazo a incertidumbres de modelado.
* Robustez: Es deseable que el sistema sea robusto a varios ruidos e incertidumbres. Nuevamente la robustez debera estar balanceada con el rendimiento.
* Identificaci
on de novedades: Uno de los requerimiento mnimos de un sistema de diagn
ostico es que pueda decidir respecto del estado del proceso, es decir, identificar si el
proceso esta funcionando normalmente o en forma anormal. En el caso de funcionamiento anormal, identificar cual es la causa, una falla conocida o una desconocida, es la
caracterstica denominada identificacion de novedades.
* Estimar el error de clasificacion: Un importante requerimiento practico es generar confianza en el usuario respecto de la confiabilidad del sistema de diagnostico. Una forma que
11
2.1. Detecci
on y diagn
ayuda enormemente es que el sistema otorgue una estima a priori del error de clasificacion
que puede haber ocurrido.
* Adaptabilidad: Los procesos en general se modifican y evolucionan, debido a cambios
en entradas externas, realimentaciones, etc.. Las condiciones de operacion del proceso
pueden cambiar, no s
olo debido a perturbaciones sino tambien a condiciones cambiantes
del entorno, tales como demandas de produccion, cambios en las calidades de las materias
primas, etc.. De esta forma el sistema de diagnostico debera ser adaptable a cambios.
* Facilidad de explicaci
on: Ademas de la habilidad para identificar la fuente de la falla, un
sistema de diagn
ostico debe tambien proveer explicaciones de como la falla se origino y
propago a la situaci
on actual. Este es un factor muy importante en el dise
no de sistemas
de ayuda para la toma de decisiones que funcionan en lnea. El sistema debera justificar sus recomendaciones para que el operador pueda evaluar y actuar utilizando su
experiencia.
* Requerimientos de modelado: Para un rapido y facil funcionamiento de los sistemas en
tiempo real el esfuerzo de modelado debera ser lo mnimo posible.
* Requerimiento de almacenamiento y computo: Generalmente, las soluciones en tiempo
real requieren algoritmos e implementaciones poco complejas, pero pueden exigir grandes
requisitos de almacenamiento. Un sistema de diagnostico debe poseer un buen balance
entre estos dos requerimientos.
* Identificaci
on de fallas m
ultiples: La habilidad de identificar m
ultiples fallas (fallas simultaneas) es una caracterstica importante pero muy difcil de obtener. El efecto combinado de fallas simultaneas, debido a las interacciones y no linealidades propias del
proceso, convierten el aislamiento y deteccion en una tarea sumamente compleja.
Desde un punto de vista de construccion o dise
no, los sistemas de DDF pueden clasificarse
como se muestra en la Fig. 2.2.
2.1.2.
M
etodos basados en modelos cuantitativos
En esta secci
on se describira la metodologa utilizada cuando se dise
nan sistemas de DDF
mediante modelos cuantitativos. Las estrategias frecuentemente utilizadas bajo esta clasificacion son los observadores de diagn
ostico, relaciones de paridad, filtro de Kalman y estimacion
de parametros. Existe una gran variedad de tipos de modelos cuantitativos tales como modelos
entrada-salida, en espacio de estados, de primeros principios, respuesta en frecuencia, etc.. Los
modelos de primeros principios no han tenido una gran aceptacion en el dise
no de sistemas de
DDF debido a su carga computacional y complejidad para tareas en tiempo real.
Contando con un modelo explcito de la planta monitoreada, todos los metodos de DDF
basados en modelos (y algunos estadsticos), requieren dos pasos. El primero involucra la generacion de inconsistencias entre el estado actual del proceso y el esperado. Tales inconsistencias
son denominadas residuos,y no son mas que se
nales artificiales que reflejan las potenciales fallas del sistema. El segundo paso es seleccionar una regla de decision para realizar la diagnosis.
La generacion de inconsistencias necesita alguna forma de redundancia. Existen dos formas
de redundancia, la de hardware y la analtica. La primera requiere sensores redundantes, en
general su aplicabilidad es limitada debido a los costos extras y el espacio requerido. Por otro
lado, la redundancia analtica (o redundancia artificial) se alcanza por medio de la dependencia
funcional de las variables del proceso y generalmente expresadas por medio de un conjunto
de relaciones temporales o algebraicas, vinculando las entradas, los estados y las salidas de la
planta.
12
2.1. Detecci
on y diagn
M
etodos de Diagn
ostico
Basados en modelos cuantitativos
Observadores
Filtro de Kalman extendido
Espacio de paridad
Basados en modelos cualitativos
Modelos causales
Digrafos
Arboles
de fallas
Fsica cuantitativa
Jerarqua de abstraccion
Estructural
Funcional
Basados en datos hist
oricos
Cualitativos
Sistemas expertos
Analisis de tendencias
Cuantitativos
Estadsticos
ACP/MCP
Clasificadores estadsticos
Figura 2.2: Clasificacion general de los metodos de diagnostico
La esencia de la redundancia analtica en diagnostico de fallas es comparar el comportamiento actual del sistema con el que posee el modelo y observar las inconsistencias. Cualquier
inconsistencia expresada como residuo puede ser u
til para propositos de deteccion y aislamiento
de fallas. Los residuos estaran cercanos a cero cuando no ocurran fallas y mostraran un valor
considerable cuando el comportamiento de la planta se modifique. La generacion de residuos
requiere un modelo matematico explcito del sistema, ya sea un modelo derivado analticamente
utilizando primeros principios o uno tipo caja negra obtenido empricamente.
Observadores de diagn
ostico
Esta estrategia desarrolla un conjunto de observadores, cada uno sensible a un subconjunto
de fallas mientras se mantiene insensible a las fallas restantes y a entradas desconocidas. Los
grados de libertad adicionales resultantes de las mediciones y de la redundancia analtica hacen
posibles el dise
no de este tipo de sistemas de DDF.
Trabajos relacionados con observadores de diagnostico refieren a Kinnaert (1999), por ejemplo, donde se dise
na un sistema de deteccion de fallas robusto para una clase de sistemas. En
Patwardhan and Shah (2005) se propone el desarrollo de observadores de estado para integrar
a la detecci
on y diagn
ostico de fallas en un CPBM. Actualmente, Simania and Patton (2008)
13
2.1. Detecci
on y diagn
proponen herramientas de identificaci

on de sistemas, dise
no de observadores y evaluacion de
residuos para realizar tareas de diagnosis en una turbina de gas.
Relaciones de paridad
Las ecuaciones de paridad (consistencia) son generalmente versiones modificadas y reordenadas de los modelos entrada-salida o en espacio de estados. La esencia es comprobar la
paridad de las salidas del modelo con las mediciones de la planta y entradas conocidas del
proceso. Bajo condiciones ideales de funcionamiento en estado estacionario, los valores de las
ecuaciones de paridad son cero. En una situacion mas real, los residuos no son cero debido
al ruido de medici
on, del proceso, a inexactitudes del modelo, errores grandes en sensores y
actuadores y fallas de la planta. La idea de este metodo es reescribir la estructura del modelo
de forma tal de obtener el mejor aislamiento de las fallas.
El trabajo presentado por Ye et al. (2004) presenta una aplicacion e integracion de espacios
de paridad y transformada wavelet. En Hamelin et al. (2006) se presenta una estrategia de
deteccion y aislamiento basado en relaciones de paridad e integracion a CTF sobre un sistema
de calefaccion.
Filtro de Kalman
Las perturbaciones en los procesos son fluctuaciones aleatorias y algunas veces solo se
conocen sus parametros estadsticos. En estos casos el objetivo es dise
nar un estimador de
estados con mnimo error de estimaci
on. Esto involucra la utilizacion de estimadores de estados
optimos, tales como el filtro de Kalman. Es bien conocido que el filtro de Kalman es un
algoritmo recursivo para la estimaci
on de estados y es equivalente a un predictor optimo para
un sistema lineal estocastico.
En Ondela et al. (2008) se presenta una tecnica de reconocimiento de patrones basado en
las estimaciones de los estados generados por un filtro de Kalman. La estrategia es aplicada en
el monitoreo de una maquina de inducci
on. Por otro lado en Wang et al. (2008) se presenta
una estrategia basada en el algoritmo de Kalman para estimar modelos parametricos de se
nales
no estacionarias e integraci
on con RNA para clasificacion. La metodologa es aplicada a un
sistema rotacional mecanico.
Estimaci
on de par
ametros
La diagnosis de derivas en parametros que no son medidos directamente requiere la utilizacion de metodos de estimaci
on en lnea. Son necesarios modelos parametricos precisos del
proceso, generalmente en el dominio continuo en la forma de ecuaciones diferenciales parciales
y ordinarias.
Los parametros del modelo son estimados utilizando las mediciones y las entradas a medida que estas estan disponibles. Utilizando metodos de reconocimiento de patrones se puede
vincular las modificaciones de estos parametros con fallas del proceso determinadas.
En Manuja et al. (2004) se presenta una estrategia de diagnostico basado en modelos
identificados en espacio de estados para cambios abruptos en perturbaciones no medidas. La
estrategia es implementada sobre el conocido problema de control de Shell. Kimmich et al.
(2005) presenta una aplicaci
on y experimentacion sobre motores diesel modernos de diagnostico
y deteccion de fallas utilizando modelos semifsicos dinamicos y RNA. Por otro lado Bjorklund
and Ljung (2003) presentan una revisi
on de estrategias de estimacion de tiempos muertos
basado en identificaci
on de sistemas al igual que Richard (2003). El trabajo desarrollado por
Zogg et al. (2006), por ejemplo, aborda el problema de modelado con modelos del tipo caja gris,
14
2.1. Detecci
on y diagn
con estimaci
on recursiva de los parametros. Las fallas son identificadas desde los parametros
utilizando estrategias de clustering.
Una de las mayores ventajas de los metodos basados en modelos cuantitativos radica
en que se puede tener control sobre el comportamiento de los residuos. De todas formas
muchos factores tales como, complejidad, alta dimensionalidad, no linealidades del proceso,
y/o carencia de buenos datos, generan que la tarea de obtener un modelo matematico del
sistema resulte sumamente difcil. Esto, por supuesto, limita la utilidad de esta metodologa
en procesos industriales reales. La evaluacion de los residuos involucra una comparacion con
un lmite maximo (umbral) el cual debe ser correctamente seleccionado.
La mayora de los trabajos sobre sistemas de diagnostico basado en modelos se han focalizado en las areas de ingeniara aeroespacial, mecanica y electrica. No existen demasiadas
publicaciones referentes a aplicaciones de observadores para diagnostico de fallas en ingeniera
qumica. Referencia a trabajos antiguos en esta area pueden encontrarse en la revision dada
por Venkatasubramanian et al. (2003b).
2.1.3.
M
etodos basados en modelos cualitativos
La actividad de diagn
ostico abarca dos importantes componentes: 1- el dominio del conocimiento a priori y 2- la estrategia de b
usqueda. El conocimiento basico a priori necesario en diagnostico de fallas es un conjunto de anormalidades y relaciones entre observaciones (sntomas) y las
fallas. Este dominio de conocimiento puede desarrollarse mediante entendimiento fundamental
del proceso utilizando conocimiento de primeros principios.
En modelos cuantitativos este conocimiento se expresa en terminos de relaciones matematicas
entre entradas y salidas del proceso. En contraste, en el caso de modelos cualitativos estas
relaciones estan expresadas en terminos de funciones cualitativas. Los modelos cualitativos
pueden desarrollarse ya sea por modelos causales o por abstraccion de jerarquas.
Por otro lado, el segundo componente de la actividad de diagnostico puede clasificarse en
b
usqueda topografica o sintomatica. En la primera se realiza un analisis del mal funcionamiento
utilizando una plantilla del proceso en funcionamiento normal. La b
usqueda sintomatica analiza
los sntomas para direccionar la b
usqueda hacia la locacion de la falla.
El desarrollo de sistemas expertos basados en el conocimiento fue la primera aproximaci
on
para capturar la informaci
on y obtener conclusiones con una metodologa formal. Un sistema
experto es un algoritmo computacional que trata de emular el comportamiento cognitivo de un
operario experto en el momento de resolver determinado tipo de problemas. Este consiste de
una base de conocimiento, esencialmente un gran conjunto de reglas si/entonces y un motor
de inferencia que busca a traves de dicha base para obtener conclusiones de determinados
hechos (Venkatasubramanian et al. (2003c)).
El arbol de clausulas si/entonces crece rapidamente con la complejidad del proceso. El
problema con este tipo de representacion del conocimiento es que no posee ninguna comprension de la fsica subyacente de la planta, y generalmente falla cuando se encuentran nuevos
eventos que no han sido definidos en la base de conocimiento.
Modelos causales basados en digrafos
Diagnosis es la inversa de simulacion. La simulacion se realiza derivando el comportamiento
del sistema dado su estructura y aspectos funcionales. La diagnosis, por otra parte, trata
de deducir la estructura observando el comportamiento. Esta forma de deduccion necesita
razonamiento acerca de las relaciones causa-efecto del proceso.
Los digrafos (DG) es una tecnica que trata de modelar las relaciones causa-efecto en un
proceso por medio de nodos y arcos en forma grafica. Los nodos representan las variables del
proceso y los arcos las relaciones entre ellos. Los arcos se disponen desde los nodos causa
15
2.1. Detecci
on y diagn
hacia los nodos consecuencia. Una variante de DG son los DG con signo (DGS), los cuales
incluyen en la representaci
on el signo de la influencia. Tanto los DG como los DGS utilizados
en diagnosis de fallas incluyen tambien nodos denominados raz para modelar las causas que
originan las fallas. La estrategia de razonamiento recorre el grafico tratando de encontrar las
posibles soluciones (Venkatasubramanian et al. (2003c); Musulin (2005)).
Una aplicaci
on de digrafos con signo puede encontrarse en Lee et al. (2006), aplicado a una
planta de pulpa y papel (PPP) conformando un sistema de diagnostico hbrido de deteccion
y clasificacion de fallas. En Cheng et al. (2008) se presenta una estrategia de razonamiento
basada en digrafos causales dinamicos aplicado a una maquina de papel. En Bauer and Thornhill
(2008) se presenta una metodologa para aislar la causa raz y encontrar el camino por el cual
las perturbaciones se propagan en un proceso de gran escala.
Arboles
de fallas
Los arboles de fallas (AF) se utilizan para analizar la confiabilidad y seguridad de un
sistema. Fueron desarrollados originalmente por el laboratorio telefonico de Bell en 1961. Un
AF es un arbol l
ogico que propaga eventos primarios o fallas hacia el nivel superior o a un
peligro. Posee generalmente capas de nodos y en cada nodo se realizan operaciones logicas del
tipo y/o para propagaci
on. Un AF general para analisis consiste de los siguientes cuatro pasos:
1- definicion del sistema, 2- construcci
on del AF, 3- evaluacion cualitativa, y 4- evaluacion
cuantitativa.
El problema principal con AF es que su desarrollo es propenso a errores en diferentes
niveles. El AF construido es solamente tan bueno como el modelo mental concebido por el
dise
nador. Para realizar un diagn
ostico consistente utilizando AF, los arboles deben representar
de forma comprensiva las relaciones causales de proceso (explicar todos los escenarios de falla).
No existen metodos formales para verificar la precision de un AF desarrollado.
Trana et al. (2008) propone un metodo para predecir condiciones futuras en procesos
basado en predicci
on de series temporales y arboles de regresion. La estructura es aplicada
a un compresor de metano. En Walker and Papadopoulos (2008) se presenta otro enfoque
basado en arboles de fallas y sus correspondientes extensiones. Por otro lado la metodologa
llamada RADYBAN permite realizar el analisis de un arbol de fallas dinamico como se presenta
en Montania et al. (2008).
Fsica cualitativa
La fsica cualitativa (FC) o sentido com
un de razonamiento respecto del sistema fsico
ha sido un area de gran interes para la comunidad de inteligencia artificial. El conocimiento basado en FC en diagnosis de fallas ha sido representado principalmente de tres formas.
El primer metodo es derivar ecuaciones cualitativas de las ecuaciones diferenciales, llamadas
ecuaciones de confluencia, teniendo en cuenta los signos de las derivadas. El segundo, llamado
ordenamiento de precedencia, que se ha utilizado para ordenar las variables desde el punto
de vista del flujo de informaci
on entre ellas. Finalmente, existe otra metodologa que trata de
derivar el comportamiento cualitativo de las ecuaciones diferenciales ordinarias.
Existe una gran cantidad de trabajos realizados en esta area los cuales han sido correctamente revisados en Venkatasubramanian et al. (2003c). No existen trabajos actualizados en
esta area tematica.
Abstracci
on de jerarquas
Otra forma de modelar el conocimiento es mediante el desarrollo de una abstraccion de
jerarquas basadas en descomposici
on. La idea de descomposicion es la de poder estimar el
16
2.1. Detecci
on y diagn
comportamiento del sistema completo solamente de las leyes que gobiernan el comportamiento
de sus subsistemas.
Otro principio importante para descomposicion de sistemas es el principio de locaci
on:
las leyes para una parte especfica no pueden referir a ninguna otra parte. Este principio
permite predecir el comportamiento solo basado en informacion local. Existen dos tipos de
descomposici
on populares en procesos: 1- estructural: especifica la informacion de conectividad
de una unidad y 2- funcional: especifica la salida de la unidad en funcion de sus entradas (y/o
estados). En ingeniera qumica la descomposicion funcional es la mas utilizada debido a que
la compleja funcionalidad entre unidades no puede ser expresada en terminos de estructura.
La diagnosis puede considerarse como una b
usqueda desde un nivel alto de abstracci
on
donde se consideran grupos de equipos y sistemas funcionales hacia un nivel bajo de abstracci
on
donde se analizan unidades individuales.
No existe una actualizaci
on de trabajos en esta area. Una buena revision de antiguas
metodologas es presentada en Venkatasubramanian et al. (2003c).
El mayor inconveniente en la utilizacion de modelos cualitativos para diagnosis de fallas es la
generaci
on de soluciones espurias. De todas formas existe en general una cantidad considerable
de publicaciones en la mayora de los topicos de modelos cualitativos, una buena revision de
trabajos precursores se puede encontrar en Venkatasubramanian et al. (2003c).
2.1.4.
M
etodos basados en datos hist
oricos
En contraste con los metodos basados en modelos donde es necesario un conocimiento a

priori del proceso, en los metodos basados en datos historicos, solo es necesario la disponibilidad una gran cantidad de datos del proceso. Existen diferentes caminos por los cuales estos
datos pueden transformarse y representarse como conocimiento a priori para un sistema de
diagnostico. Esto se conoce como extraccion de comportamiento. Este proceso de extracci
on
puede ser tanto de naturaleza cualitativa como cuantitativa. Dos de los metodos que extraen
informaci
on cualitativa hist
orica son los sistemas expertos y los metodos de modelado de
tendencias. Los metodos para extraer informacion cuantitativa pueden ser clasificados en no
estadsticos y estadsticos. Las redes neuronales artificiales (RNA) son una importante clase
de clasificadores no estadsticos. Por otro lado el analisis en componentes principales (ACP)/
mnimos cuadrados parciales (MCP) y los clasificadores de patrones estadsticos componen los
metodos de extracci
on de comportamiento estadstico(Venkatasubramanian et al. (2003d)).
Sistemas expertos
La extracci
on de comportamiento basada en reglas ha sido ampliamente utilizada en sistemas expertos. Un sistema experto (SE) es generalmente un sistema muy especializado que
resuelve problemas en un dominio estrecho de aplicacion. Los principales componentes de un
SE incluyen: adquisici
on de conocimientos, eleccion de la representacion del conocimiento,
codificaci
on del conocimiento en una base, desarrollo de procedimientos de inferencia para el
razonamiento del diagn
ostico, y el desarrollo de la interface entrada/salida. Las principales ventajas de este tipo de sistemas son: faciles de desarrollar, razonamiento transparente, habilidad
de razonar bajo incertidumbres y provee explicaciones de las soluciones encontradas.
En Afgan et al. (2006) se presenta el dise
no de un SE para diagnosis y monitoreo de
las camaras de combusti
on de una turbina de gas. El dise
no esta basado en la distribuci
on
temporal y espacial del flujo de calor dentro de la camara. Por otro lado, en Yang et al. (2008)
un conjunto de reglas derivadas de expertos son utilizadas para detectar fallas en sensores en
un equipo de aire. Una aplicaci
on de sistemas expertos a una PTAR puede encontrarse en
Pu
nal et al. (2002).
17
2.1. Detecci
on y diagn
An
alisis cualitativo de tendencias
El analisis y predicci
on de tendencias son componentes importantes en monitoreo y control
supervisor de procesos. El modelado de tendencias puede utilizarse para explicar importantes
eventos que ocurren en la planta, realizar el diagnostico de fallas y predecir los estados futuros.
Desde el punto de vista del diagn
ostico, la representacion cualitativa de tendencias provee
de una informaci
on importante que facilita el razonamiento respecto del comportamiento del
proceso. Generalmente, las diferentes fallas del proceso presentan diferentes tendencias (patrones) en las se
nales medidas. Estos patrones pueden utilizarse para identificar la anormalidad
subyacente en el proceso. De esta forma, una correcta clasificacion y analisis de las tendencias
del proceso puede detectar fallas de forma temprana, permitiendo una rapida compensacion.
Ademas, la representaci
on cualitativa de tendencias puede facilitar una eficiente compresion
de datos.
Una estrategia de clasificaci
on utilizando SLD y analisis de tendencias en procesos qumicos
es presentado en Venkatasubramanian et al. (2003a). En Maurya et al. (2007) se propone una
representacion jerarquica para el analisis de tendencias dinamicas. Se presenta una metodologa
para la extracci
on de tendencias y el analisis de similitud. Ademas se comentan aspectos de
aplicaciones industriales sobre dicha estrategia.
Extracci
on de comportamiento estadstico
La metodologa esencialmente esta basada en formular el problema de diagnostico como un
problema de reconocimiento de patrones. La finalidad de estos metodos es la clasificacion de los
datos generalmente en clases predefinidas. Los metodos estadsticos utilizan el conocimiento
a priori de la distribuci
on de la clase para realizar la clasificacion.
Suponiendo que la distribuci
on de una determinada variable monitoreada es normal, entonces los parametros de interes son su valor medio y su desviacion estandar. Cuando una falla
ocurre en el proceso, su media o desviaci
on estandar (o ambos) pueden alejarse de sus valores
nominales. Por ello, el diagn
ostico de fallas puede presentarse entonces como un problema de
deteccion de cambios en los parametros de un sistema estocastico estatico o dinamico.
Esta metodologa funcionando en lnea toma muestras secuencialmente de las mediciones
del proceso y realiza decisiones basadas en las observaciones hasta el momento actual. Se
dise
na entonces un estadstico y una funci
on de observacion para tomar la decision comparando
dicho estadstico con alg
un valor de umbral (o lmite). Obviamente, un buen detector debe
ser sensible a cambios. Cuando se pretende detectar rapidamente peque
nas modificaciones la
sensibilidad debe ser considerable, generando un aumento en la cantidad de falsas alarmas, lo
cual es ciertamente indeseable. Un buen dise
no generalmente se define como aquel que para
una tasa fija de falsas alarmas minimiza el valor de los cambios (fallas) detectables y el retardo
de deteccion.
Por ejemplo, el clasificador de Bayes utiliza funciones de densidad de las respectivas clases,
metodologas como ACP (secci
on 3.1), por otro lado, extraen informacion respecto de las tendencias en los datos utilizando un peque
no n
umero de factores relevantes. De forma conceptualmente similar a ACP, los metodos basados en MCP tratan ademas de realizar estimaciones
de las variables importantes del proceso.
Esta es una de las areas mas abundantes en cuanto a trabajos publicados. Existen diferentes enfoques, propuestas y sugerencias dependiendo del caso de aplicacion. Cuestiones de
implementaci
on practicas se pueden encontrar en Chiang and Colegrove (2007) y Kourti (2002)
sobre monitoreo estadstico de procesos. Tambien, enfoques combinados de digrafos y MCP
como el sugerido en Lee et al. (2006) o de wavelet con ACP dinamico como sugieren Luo
et al. (2005a) y Misra et al. (2002). Otros autores proponen solo la utilizacion de ACP diamico
para las tareas de monitoreo (Lee et al. (2004); Li and Qin (2001)). Tambien existen versiones
18
2.1. Detecci
on y diagn
adaptivas/recursivas de estas metodologas como sugieren Li et al. (2000) y Tien et al. (2004)
y clasicas estrategias de ACP basado en pesado exponencial como las propuestas por Lane
et al. (2003) y Wold (1994).
Las redes neuronales artificiales (RNA) han sido propuestas originalmente para problemas
de clasificaci
on y aproximaci
on de funciones. En general las RNA que han sido utilizadas en
diagnostico de fallas pueden clasificarse teniendo en cuenta dos caractersticas: 1- la arquitectura de la red (funciones de activacion sigmoidal, bases radiales, etc.) y 2- la estrategia de
entrenamiento (supervisado o no supervisado).
Tradicionalmente la extracci
on de comportamiento, el cual es un proceso de construcci
on
de comportamientos, es considerado un camino para retener la informacion discriminatoria
entre las clases y reducir la informacion com
un entre ellas utilizando las mediciones de un
conjunto de clases. En general parece ser una buena idea realizar alg
un tipo de extraccion de
comportamiento y entonces desarrollar un clasificador con RNA sobre el conjunto de comportamientos. Las RNA son discutidas en detalle en la seccion 3.4.
Algunas aplicaciones de RNA en diagnostico de fallas pueden encontrarse por ejemplo en
Wu and Liua (2008) donde se desarrolla un sistema experto basado en la transformada wavelet
y RNA implementado sobre un motor de combustion interna. En Ma et al. (2005) se propone
la utilizaci
on de RNA con funciones de bases radiales para realizar las tareas de diagnosis en
una planta termica generadora de energa. Una aplicacion a motores de induccion aparece
en Lehtoranta and Koivo (2005) utilizando las redes para modelar series temporales. En un
trabajo mas actualizado, Darwish and Hilal (2008) propone una aplicacion a un proceso con
varias unidades de operaci
on, una planta de gas natural.
2.1.5.
Comparaciones
La principal limitaci
on de los metodos basados en modelos cuantitativos radica en las
inevitables incertidumbres de modelado que ocurren en la practica. Ademas de las dificultades
de modelado esta metodologa no cuenta con una facilidad de explicacion. Los tipos de modelo
utilizados estan limitados a lineales y algunos modelos no lineales muy especficos.
Cuando se considera un proceso de gran escala, la dimension de los bancos de filtros
puede ser demasiado grande incrementando la complejidad computacional. Pueden utilizarse
sistemas expertos basados en reglas cuando exista una abundancia de experiencia. La carencia
de detalles y principios fundamentales no permiten desarrollar modelos cuantitativos precisos.
Los modelos causales son una excelente alternativa cuando no se dispone de modelos
cuantitativos pero se conoce la dependencia funcional. La abstraccion de jerarquas ayuda a
mantener la atenci
on sobre las areas problematicas. Una de las ventajas de estas metodologas
es la facilidad de explicaci
on respecto del camino de propagacion de la falla. Esto resulta
indispensable cuando pretende ser un sistema de ayuda para la toma de decisiones de los
operarios. En el caso de modelos cuantitativos la complejidad combinatoria es inevitable.
La limitaci
on general de los metodos basados en datos historicos radica esencialmente en
la correcta extracci
on de comportamientos. Retener la informacion discriminatoria entre las
clases y reducir la informaci
on com
un entre ellas operando sobre la base de datos, resulta una
tarea importante como complicada.
La Tabla 2.1 resume la comparacion de algunos metodos de diagnostico de fallas en terminos de las caractersticas deseables del sistema. La marca X indica que dicha metodologa
satisface con la correspondiente propiedad, la marca indica que no cumple con la caracterstica deseable y el signo de interrogacion ? significa que la propiedad en cuestion es
satisfecha dependiendo del problema (problema dependiente).
19
2.1. Detecci
on y diagn
Tabla 2.1: Comparaci

on de metodos de diagnostico (Venkatasubramanian et al. (2003d))
Propiedad
Rapida detecci
on y diagnosis
Aislamiento
Robustez
Nueva identificaci
on
Error de clasificaci
on
Adaptabilidad
Facilidad de explicaci
on
Requerimientos de modelado
Almacenamiento y c
omputo
M
ultiples fallas
Obs.
Digrafos
AF
SE
ACT
ACP
RNA
X
X
X
?
?
X
X
X
X
X
X
X
?
X
X
X
X
X
X
?
X
X
X
X
X
X
X
X
X
X
?
?
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
Desde un punto de vista industrial, la mayor parte de las aplicaciones en diagnostico de

fallas estan basadas en datos hist
oricos. Esto es debido a que esta metodologa es facil de
implementar, requiere muy poco esfuerzo de modelado y conocimiento a priori. El campo de
aplicacion esta principalmente focalizado a fallas en sensores. Existen muy pocas aplicaciones
industriales publicadas que abordan la tematica de fallas parametricas.
Entre los metodos basados en datos historicos, los estadsticos, aparecen como los mas
ampliamente estudiados y aplicados. Esto es debido a que en la industria se le ha prestado
mucha atenci
on a la detecci
on de eventos anormales y no tanto a un diagnostico profundo.
Por otro lado, metodologas como RNA, ACT y SE se especializan en diagnostico mas que en
deteccion y han sido tambien aplicadas satisfactoriamente.
En general, no existen demasiadas publicaciones de aplicaciones industriales de sistemas
de diagnostico. Esto podra ser debido a la naturaleza propietaria de los desarrollos internos o
tambien a la brecha existente entre investigacion academica y practica industrial. Dos consideraciones importantes desde el punto de vista industrial como la adaptabilidad de los sistemas
y el facil desarrollo son raramente tratados en la investigacion academica.
2.1.6.
Sistemas hbridos
Una cuesti
on importante es que los metodos vistos hasta el momento no pueden manejar
eficazmente todos los requerimientos deseables de un sistema de diagnostico en forma individual (Tabla 2.1). Algunos metodos pueden manipular mejor que otros la base de conocimiento.
De esta forma entonces algunos de estos pueden complementarse con otros resultando en un
mejor sistema de diagn
ostico, tratando siempre de contar con la mayor cantidad de propiedades
deseables. La integraci
on de estos comportamientos complementarios es un camino para desarrollar metodos hbridos que resuelvan las limitaciones de las soluciones individuales.
La combinaci
on de metodos permite evaluar diferentes formas de conocimiento en una red
de trabajo u
nica mejorando las decisiones. El esquema de deteccion resultante podra tener
una base de conocimiento basada tanto en modelos analticos como en heurstica, bases de
datos, motor de inferencia y una componente de facil explicacion.
Esta area de dise
no es la mas abundante en cuanto a publicaciones y propuestas. Debe notarse tambien que si bien existen muchas aplicaciones en la literatura la mayora solo aborda un
problema particular. Es decir, tratan de dar solucion a determinados tipos de procesos o a ciertos tipos de fallas particulares. No existe una metodologa general que haya sido probada sobre
diferentes escenarios: procesos de peque
na, mediana y gran escala, diferentes tipos de fallas
en sensores y en actuadores o diferentes tipos de procesos (electrico, qumico, petroqumico,
20
2.1. Detecci
on y diagn
biologico, etc.).
Una propuesta de dise
no hbrido puede encontrarse en Musulin et al. (2006) donde se aborda
la integraci
on de herramientas como ACP y SLD para monitoreo de procesos qumicos. Ruiz
(2001) propone a su vez la utilizacion de wavelets y RNA para monitoreo de plantas qumicas
continuas. Una combinaci
on de SLD y analisis cuantitativo de tendencias es propuesto en
Venkatasubramanian et al. (2003a). Chiang et al. (2004) presenta la integracion de analisis
discriminante de Fisher con clasificacion estadstica. Por otro lado, Ye et al. (2004) propone
la combinaci
on de espacio de paridad con transformada wavelet discreta. En Ondela et al.
(2008) se presenta la integraci
on de metodos basados en modelos cuantitativos como el filtro
de Kalman en conexi
on con herramientas basadas en datos historicos como reconocimiento de
patrones. Estos trabajos s
olo representan una peque
na muestra de los esfuerzos de integraci
on
y en general han trabajado con procesos especficos y fallas particulares.
2.1.7.
DDF y el dise
no de otras operaciones de proceso
Se ha mostrado mucho interes en el concepto de control total de procesos. Debido a las

limitaciones en el desarrollo de modelos precisos, la automatizacion de la toma de decisiones
requiere todo un conjunto de acciones tales como identificacion de eventos fuera del rango
normal de operaci
on, diagn
ostico de la causa raz y finalmente sintetizar e implementar acciones
correctivas.
EL diagn
ostico de fallas comparte con otras operaciones de proceso la idea de que con
poderosos esquemas de representacion de conocimiento, se puede capturar la experiencia de
operadores e ingenieros de control que ha sido obtenida durante a
nos. El conocimiento especfico de un proceso puede utilizarse para mejorar metodologas de proposito general. Es decir
existe una conexi
on entre diagn
ostico, operaciones de proceso y dise
no de plantas qumicas. El
dise
no apropiado de la planta puede reducir las tareas de diagnostico. Ademas, la informaci
on
obtenida de los sistemas de diagnostico puede utilizarse para mejorar el rendimiento de las
operaciones del proceso en forma continua.
Locaci
on
optima de sensores
Mucha de la informaci
on respecto del estado del proceso proviene de los sensores. Por lo
tanto, resulta muy importante que dichos sensores sean localizados de forma optima. Esta es
una tarea que debe ser realizada en la etapa de dise
no de la planta. La idea basica consiste
en ubicar los sensores mejorando conceptos tales como observabilidad, detectabilidad y separabilidad. La detectabilidad representa la habilidad del sistema para detectar fallas especficas,
por otro lado, separabilidad hace referencia a la facilidad de aislamiento de las fallas y finalmente observabilidad impone condiciones de rango pleno sobre la matriz del sistema. As,
los sensores son localizados minimizando estas tres caractersticas. Tambien pueden acoplarse
factores adicionales tales como costo de los sensores por ejemplo.
En Musulin et al. (2004) se presenta un analisis de locacion optima de sensores considerando
costos y su influencia en la diagnosis de fallas futuras. La estrategia integra el filtro de Kalman,
rutinas de optimizaci
on geneticas y funcionales costos especficos. Otro aporte vinculado al
diagnostico de fallas es propuesto por Kotecha et al. (2007). En el se analizan precisi
on,
confiabilidad, costos y observabilidad de fallas. Por otro lado, Bhushan et al. (2008) presenta
un analisis de redes
optimas de sensores considerando la robustez de la misma respecto de
errores de modelado sobre la planta Tennessee Eastman. Una estrategia para sistemas lineales
es presentada en Commault and Dion (2007) abordando el problema de deteccion y aislamiento
de fallas.
21
2.1. Detecci
on y diagn
Reconciliaci
on de datos
La reconciliaci
on de datos es una actividad importante realizada generalmente en industrias de procesos continuos. Esencialmente es un metodo cuantitativo de diagnostico de fallas
focalizado en detectar fallas en sensores. La reconciliacion de datos consiste de tres partes:
1- identificaci
on del parametro sujeto a desviacion, 2- estimacion de dicha desviacion y 3correccion de la medici
on del sensor.
En Musulin (2005) se presenta un captulo completo dedicado a reconciliacion de datos
utilizando el filtro de Kalman sobre tanques conectados en serie. En Huang and Luo (2007) se
integra filtrado wavelet robusto y filtro de Kalman. Una ventana temporal movil es utilizada y
restricciones tanto estaticas como dinamicas. Un analisis de tendencias es propuesto en Tona
et al. (2005) como primer paso hacia la reconciliacion de datos en sistemas lineales dinamicos.
Nuevamente se integra la transformada wavelet y filtro de Kalman. En Tian et al. (2006) se
presenta una estrategia de reconciliaci
on de datos no lineal para procesos industriales basado
en optimizaci
on.
Control supervisor
El control supervisor es una actividad que se encuentra a medio camino entre el control
regulador y la planificaci
on. Esta u
ltima, es la actividad de crear programas y realizar decisiones
de operacion en un marco temporal de meses. Es imprescindible entonces tener una capa de
decision en un nivel inferior a la planificacion para coordinar varios lazos de control individuales
y realizar el manejo de eventos en un marco temporal menor.
Debido a diferentes condiciones de operacion del proceso los controladores pueden exhibir
un comportamiento indeseable los cuales requeriran la intervencion de operadores o de los
ingenieros de control. Primero alg
un tipo de reajuste puede realizarse en lnea, si esto no
corrige el problema el lazo podra manipularse en forma manual y realizarse un completo
redise
no de los controladores. Cuando el n
umero de lazos bajo la supervision del ingeniero se
incrementa considerablemente, el monitoreo y correccion de lazos de control puede volverse
una tarea que demande un tiempo considerable. Aqu es cuando resulta sumamente u
til la
ayuda de un sistema de control supervisor para asistir en el proceso de toma de decisiones. El
control supervisor utilizara la informaci
on disponible del sistema de diagnostico de fallas para
comprobar y monitorear los lazos de control. Si existen cambios, el control supervisor podra
analizar diferentes configuraciones de control o puntos operativos (o trayectorias de operacion)
que podran mejorar la operaci
on del proceso.
Por ejemplo, la configuraci
on del controlador, parametros y acciones son no solo determinadas por los modelos matematicos y el controlador, sino que tambien se analiza las condiciones
de validez de dichos modelos. Generalmente estas condiciones son violadas de diferentes maneras. Por ejemplo, la efectividad de los controladores depende directamente de contar con
datos confiables provenientes de los sensores. Si un sensor falla las acciones de control pueden
resultar ineficaces o causar un comportamiento adverso en el proceso. Los sistemas de DDF se
convierten en un m
odulo importante que pueden ayudar con informacion precisa en la toma
de decisiones.
En Mu
noz et al. (2008) se propone una red de control supervisor basado en optimizacion
para los niveles de pH y OD de referencia de controladores SISO. Los modelos del proceso son
del tipo de LD Takagi-Sugeno. La estrategia es aplicada a un reactor de lodos activos. Por otro
lado, en Komenda et al. (2008) se presentan condiciones para el dise
no modular de sistemas
de control supervisores. En Mu
noz et al. (2008) se presenta una aplicacion concreta de control
supervisor a un sistema de refrigeraci
on por agua de un edificio para mejorar la eficiencia de
energa. Se propone la utilizaci
on de modelos semifsicos para predecir el rendimiento de energa
y la calidad ambiental, as como la respuesta del sistema. Se utilizan rutinas de optimizacion
22
2.2. Control tolerante a fallos (CTF)
hbridas con algoritmos geneticos.
2.2.
Control tolerante a fallos (CTF)
De forma general, una falla es alg

un tipo de evento que modifica el comportamiento del
sistema, provocando que este ya no cumpla con los requisitos originales. Estos eventos podran
tener su origen en la planta o provenir del entorno. En estos casos malas decisiones humanas
o fallas en el dise
no original del sistema podran ocasionar acciones de control inadmisibles.
En grandes y complejos sistemas, cada componente ha sido dise
nado para realizar una
tarea especfica y el sistema en forma global funciona correctamente si cada elemento realiza
su tarea de forma eficiente. Generalmente, una falla simple en un componente modifica el
rendimiento del sistema completo.
Para poder evitar el deterioro de la produccion y/o da
nos en la maquinaria y humanos,
es crucial la rapida detecci
on de las fallas y la correcta toma de decisiones para disminuir
el impacto de las fallas al propagarse. Estas medidas deben ser realizadas por un sistema de
control que tenga por objeto convertir al sistema en tolerante a fallos.
As, un sistema de control tolerante a fallos (SCTF) realiza las acciones correspondientes
para mantener el proceso bajo funcionamiento estable y con un grado aceptable de rendimiento,
a
un cuando la planta presente alguno de sus componentes bajo condiciones de falla. En general,
los pasos a seguir para que un sistema sea tolerante a fallos son (Blanke et al. (2006); Mahmoud
et al. (2003)):
diagn
ostico de falla: se debe detectar la presencia de fallas y estas deben ser estimadas,
re-dise
no del control: el controlador debe adaptarse para la planta en condiciones de falla,
y de esta forma garantizar los requisitos originales del proceso.
Existen en la literatura numerosos trabajos que presentan la estrategia de CTF y su dise
no.
Entre los mas destacados y precursores aparecen los de Sauter et al. (2002); van Schrick (2002)
y Zhou and Frank (1998), as como nuevas tendencias y actualizaciones en Mahmoud et al.
(2003); Christofides and El-Farra (2005); El-Farra (2006) y Blanke et al. (2006).
2.2.1.
Estructura de un sistema de CTF
La estructura general de un CTF puede observarse en la Fig. 2.3. Claramente se distinguen

dos niveles: 1- Supervisi
on: donde se llevan a cabo las tareas de diagnostico y re-dise
no del
controlador y 2- Ejecuci
on: donde se realizan las acciones propias del lazo de control.
En la Fig. 2.3 las se
nales estan representadas con lneas simples. Por otro lado, la conexi
on
entre re-dise
no y controlador esta representada por una flecha de mayor magnitud indicando
que este tipo de conexi
on vincula informacion en una estructura mas general. El re-dise
no
del controlador no s
olo implica una nuevo ajuste de los parametros del controlador, podra
involucrar tambien la reconfiguracion de la estrategia de control. Es decir, la estrategia de
control nueva y vieja difieren en las se
nales de entrada y salida que utilizan (u(k), y(k)).
En el caso que el proceso se encuentre libre de fallas el controlador nominal aten
ua el efecto
de las perturbaciones d(k) y asegura el seguimiento de la trayectoria de referencia, yref (k). Las
principales actividades de control ocurren en el nivel de ejecucion. En el nivel de supervision, el
sistema de diagn
ostico reconoce que no existen fallas y no hace falta ning
un tipo de re-dise
no
del controlador.
Si ocurre una falla f (k), el nivel de supervision transforma el lazo de control en tolerante
a fallos. El bloque de diagn
ostico identifica y estima la falla, f(k), mientras el bloque de redise
no actualiza el controlador al nuevo escenario. Luego solo el nivel de ejecucion se encarga
de satisfacer los objetivos de control.
23
Figura 2.3: Estructura general de un CTF

En una situaci
on idealizada se encuentra que f(k) = f (k). Generalmente, en la practica
resulta que f(k) s
olo es una versi
on aproximada de f (k) o que corresponde a un conjunto F
de posibles fallas. Esto es debido principalmente a las perturbaciones el proceso y las incertidumbres de modelado. La situaci
on ideal debe solo considerarse para explicar y entender las
ideas basicas del CTF.
Bloque de diagn
ostico
Las primeras tareas en control tolerante a fallas es la deteccion e identificacion de la
falla existente en el proceso. Generalmente estas tareas se encuentran basadas en modelos
cualitativos de la planta y en la generaci
on de residuos como ha sido comentado en la seccion
2.1.2.
La informaci
on obtenida del algoritmo de diagnostico sera utilizada por el bloque de redise
no del controlador. As, el proceso de diagnostico no solo debe indicar que alguna falla
existe en el proceso, si no que tambien su locacion y magnitud con precision suficiente. Estos
dos u
ltimos requisitos son esenciales para una estrategia de CTF activo.
Re-dise
no de controladores
El re-dise
no del controlador aborda el problema de cambiar la estructura y la ley de control
cuando una falla ocurre. Existen basicamente dos alternativas para el re-dise
no del controlador:
1. compensaci
on: tiene en cuenta la adaptacion de los parametros del controlador a la
nueva dinamica del proceso sujeto a fallas. Las entradas y salidas de la planta utilizadas
en el lazo de control siguen siendo las mismas que para el caso sin fallas. Este caso agrupa
la adaptaci
on de los parametros del controlador, la compensacion de mediciones erroneas
y la actualizaci
on de las trayectorias de referencia. Estas tareas pueden darse en forma
conjunta o individualmente. Algunos trabajos en esta area se presentan a continuacion.
En Zumoffen et al. (2006) y Zumoffen et al. (2007) se presenta una estrategia integrada
de DDF con una poltica de control adaptiva sobre un RTAC. Tanto los parametros del
controlador, modelo del proceso y trayectorias de referencia son actualizadas en lnea para
compensar el efecto de fallas en sensores y actuadores del tipo offset abrupto y retardos
respectivamente. Otra estrategia es presentada en Campos-Delgado and Zhou (2003)
donde se conmuta a un controlador robusto predise
nado en el caso de fallas en sensores o
incertidumbre de modelado. En Prakash et al. (2002) se propone una estrategia de CPBM
24
integrada a un sistema de DDF que compensa las mediciones y actuaciones erroneas

de elementos del proceso. En Mhaskar (2006) se presenta el problema nuevamente de
conmutar a un control predictivo multivariable robusto predise
nado, cuando ocurre offset
en los actuadores,
2. reconfiguraci
on: esto incluye la seleccion de una nueva estrategia de control, donde
entradas y salidas alternativas del proceso pueden utilizarse. La nueva ley de control
debe dise
narse en lnea. Este tipo de re-dise
no generalmente se utiliza cuando ocurren
fallas severas que modifican la estructura del proceso. Este es un problema realmente
complicado y mas a
un cuando las dimensiones del proceso se incrementan. Algunos
trabajos al respecto se discuten a continuacion. En Mhaskar et al. (2006) y Mhaskar
et al. (2007) se presenta el dise
no de CTF como una conmutacion entre estrategias
predefinidas de control. Actualizando de esta forma la estructura de control dependiendo
del tipo de falla ocurrida. Una estrategia similar es presentada en El-Farra et al. (2003)
para abordar el problema de fallas en actuadores y restricciones en la VM.
Existe un n
umero de cuestiones importantes en el dise
no de sistemas de CTF. Probablemente la mas significativa sea la integracion entre los bloques de DDF y de CTF/re-dise
no. La
mayora de los metodos existentes en la literatura estan focalizados en una de estas actividades,
ya sea por considerar la ausencia de una o por suponer funcionamiento ideal de la misma. Es
decir, muchos algoritmos de DDF no consideran la operacion a lazo cerrado del proceso y por
otro lado muchas estrategias de CTF suponen la disponibilidad de estimaciones perfectas de
las fallas dadas por el sistema de DDF (Kanev (2004)). Resulta sumamente importante que
los dise
nos de los sistemas de DDF y CTF/re-dise
no puedan ser integrados satisfactoriamente
teniendo en cuenta las limitaciones y virtudes de cada uno. Para hacer esto posible, se debe
primero investigar en detalle que informacion del sistema de DDF es requerida por el CTF
y a su vez que informaci
on actualmente puede ofrecer el sistema de DDF. Informacion imprecisa proveniente del sistema de DDF puede resultar en decisiones erroneas de sistema de
CTF/re-dise
no produciendo la perdida completa de estabilidad del proceso.
2.2.2.
M
etodos cl
asicos
La tolerancia a fallas tambien puede obtenerse sin la estructura de la Fig. 2.3 mediante
metodos de control ya conocidos.
Control robusto
Esta metodologa se basa en dise
nar un controlador fijo que tolera posibles cambios en la
dinamica del proceso. El sistema controlado satisface sus objetivos bajo cualquier escenario de
fallas. La tolerancia a fallas se obtiene sin modificar los parametros del controlador. Este es, por
lo tanto, el metodo llamado pasivo. Los controladores robustos trabajan de forma suboptima
cuando el proceso esta libre de fallas y como sus parametros son fijos, se debe considerar el
compromiso entre robustez y rendimiento (Kanev (2004)).
En Fekih and Pilla (2007) se presenta una estrategia pasiva de CTF basado en Lyapunov
para un n
umero de fallas especficas. El metodo se prueba mediante simulacion sobre un modelo
multivariable de un avi
on F-18. En Niemann and Stoustrup (2005) se dise
na un CTF robusto
pasivo donde el controlador nominal es aumentado para garantizar estabilidad y performance
ante fallas. La estrategia es aplicada a un doble pendulo invertido. En Stoustrup and Blonde
(2004) se presenta una estrategia similar para compensar fallas en sensores y actuadores. Una
propuesta basada en optimizaci
on y tratamiento de retardos en las entradas y los estados del
proceso puede observarse en Yu and Lien (2008). En Suplin and Shaked (2008) tambien se
25
aborda el tratamiento de retardos y dise

no robusto de controladores, pero en este caso con
retardos de salida y aplicado a una columna de destilacion.
Control adaptivo
Los parametros del controlador se actualizan seg
un los cambios de los parametros del
proceso. Si estos cambios son producidos por fallas el control adaptivo puede proveer una
tolerancia a fallas denominada activa. La teora de control adaptivo muestra que estos principios
son realmente eficientes para plantas representadas por modelos lineales y con parametros que
varan lentamente.
Desde un punto estructural el control adaptivo posee una similitud con la de control tolerante a fallos de la Fig. 2.3. El bloque de diagnostico es reemplazado por uno de identificacion en
lnea, que actualiza los parametros de la planta y el bloque de re-dise
no actualiza el controlador
con los resultados de la identificaci
on.
En esta area existe un gran aporte literario. Por ejemplo, libros como Sastry and Bodson
(1989) y trabajos precursores como Kofahl (1992); Jordan (1990) han definido las estrategias de
control adaptivo aplicado a procesos lineales como no lineales. En Jordan (1990); Jordan et al.
(2006); Zumoffen et al. (2006, 2007) se propone la mejora de algoritmos clasicos adaptivos
predictivos para compensar modificaciones en los parametros del proceso as como tambien
fallas en sensores y actuadores. En Tao et al. (2001, 2002) se propone la compensacion adaptiva del controlador cuando el proceso posee fallas en actuadores y las estrategias presentan
realimentacion de estados y de salida respectivamente. En Gao et al. (2005) se presenta una
estrategia de CAP para procesos con retardos variantes en el tiempo. La estimacion recursiva
del modelo del proceso, propuesto como funcion de transferencia, permite la identificacion del
retardo y luego mediante tecnicas regresivas se obtiene la prediccion optima. El problema de
control adaptivo en sistemas con retardos en los estados y perturbaciones acotadas en norma
es abordado en Mahmoud et al. (2008). La rutinas de optimizacion se resuelven en forma de
matrices de desigualdades lineales. Otro trabajo reciente de control adaptivo es el presentado
en Zhang et al. (2008) y es aplicado a una celda de combustible.
Un resumen de los tipos de CTF existentes puede encontrarse en la Fig. 2.4. Esta contempla
tambien las metodologas clasicas.
M
etodos de CTF
Pasivos
Control robusto
Activos
Compensacion
Control adaptivo
Ganancia tabulada
Reconfiguracion
Estructura variable
Figura 2.4: Clasificacion de los sistemas de CTF
2.2.3.
Aspectos temporales
En la implementaci
on de sistemas CTF deben tenerse en cuenta los siguiente perodos
temporales:
26
2.3. An
alisis de operabilidad y riesgos (AOR) - (HAZOP analysis)
1. Antes de la ocurrencia de una falla, el sistema nominal es controlado utilizando el controlador nominal y los objetivos de control se satisfacen.
2. Entre la ocurrencia de la falla y la compensacion de la misma, la planta sujeta a fallas es
controlada utilizando la ley de control nominal y los objetivos en general no se satisfacen
(el sistema podra volverse inestable).
3. Luego del instante de compensacion de la falla, el sistema sujeto a fallas es controlado mediante un controlador compensado o reconfigurado y en general los objetivos se
satisfacen (aunque sea a menor rendimiento).
El punto n
umero dos de la lista anterior resulta crtico y en general la longitud de dicho
perodo temporal esta asociado a las siguientes actividades: A- retardo en la deteccion y
aislamiento de las fallas, B- retardo en la estimacion de la falla, y C- retardo en el re-dise
no del
controlador. Los perodos temporales debidos a los puntos A y B son inevitables en estrategias
de CTF activas con reconfiguraci
on en lnea. El tiempo empleado en el punto C puede evitarse
dise
nando diferentes controladores fuera de lnea y conmutando al correcto en caso de fallas.
2.3.
An
alisis de operabilidad y riesgos (AOR) - (HAZOP analysis)
Generalmente el metodo mas utilizado en la industria qumica para realizar analisis de

riesgos es el AOR. Tpicamente es desarrollado por un conjunto de expertos que poseen
conocimientos y experiencia especfica en dise
no, operacion y mantenimiento de plantas.
La imaginaci
on del equipo de expertos es utilizada para perturbar el modelo del sistema en
estudio de forma metodol
ogica para identificar potenciales accidentes. El sistema es estudiado
de a un elemento por vez y comparado con una gua de palabras (Tabla 2.2). Las causas, consecuencias y formas de compensacion son discutidas y almacenadas. Existen algunos intentos
de automatizar el AOR, pero poseen la desventaja de generacion de un gran n
umero de causas
y consecuencias irrelevantes.
2.3.1.
AOR para un proceso continuo
El procedimiento se puede resumir como:

1. Estudiar el modelo del sistema y subdividir en elementos principales (nodos).
2. Seleccionar un elemento y su estado para analisis. La finalidad del elemento define la
actividad realizada por el mismo y sus lmites de analisis. La finalidad incluira detalles
respecto de parametros del proceso que pueden modificarse en el elemento. Parametros
tpicos son flujos, presi
on, nivel y tiempo.
3. Seleccionar un parametro para analisis e identificar sus desviaciones respecto de su finalidad.
4. Para cada desviaci
on identificada. estudiar las causas, efectos y formas de compensaci
on.
5. Decidir si la desviaci
on requiere cambio en el dise
no o accion correctiva y almacenar los
datos.
6. Una vez que todas las palabras gua han sido analizadas para el parametro seleccionado,
seguir con el pr
oximo parametro.
27
2.4. Monitoreo en procesos industriales
7. Repetir los pasos 3 a 6 hasta que todos los parametros son analizados para el sistema
en estudio.
8. Seleccionar el pr
oximo nodo y repetir los pasos 3 a 7 hasta terminar con los elementos
del sistema.
Tabla 2.2: Gua de palabras

Palabra
Desviaci
on tpica
No(o No hay)
Mas de
Menos de
Mas que
Menos que (o parte de)
Opuesto
Con excepci
on de
Mas pronto que
No hay flujo en un ca
no, no hay reactante en un tanque
Alta temperatura, alto nivel
Baja velocidad, baja densidad
Flujo bif
asico, contaminacion
Concentraci
on reducida, falta componente
V
alvula cierra en lugar de abrir, calienta en lugar de enfriar
Operaciones mantenimiento, limpieza, muestreo,
M
as/menos tiempo, operaciones fuera de secuencia
2.4.
Monitoreo en procesos industriales
Durante la u
ltima decada los metodos de proyeccion multivariados se han utilizados para
analizar grandes bases de datos acumulados en la industria para mejorar el rendimiento del
proceso y la calidad de los productos. El mejoramiento de las condiciones de operacion de
un proceso involucra desarrollo de mejores metodos para el analisis de polticas de operacion
historicas, resoluci
on de problemas, monitoreo del proceso, deteccion de situaciones anormales,
aislamiento de fallas y optimizaci
on del proceso y del producto.
Tradicionalmente, estos problemas eran abordados mediante la construccion de grandes
modelos de primeros principios y utilizando estos en optimizacion o para monitoreo de procesos
y deteccion de fallas. La construcci
on de tales modelos requiere tiempo y esfuerzo los cuales
son difciles de justificar en la industria. Por otro lado, los modelos desarrollados basados en
datos historicos pueden resultar mas simples desde el punto de vista algortmico, pero con la
desventaja que no siempre los parametros de dichos modelos representaran cantidades fsicas.
Ademas, generalmente pierden validez en determinados rangos operativos.
En la actualidad los procesos generalmente manejan grandes vol
umenes de datos historicos
almacenados en bases de datos. Estos datos provienen de cientos o miles de sensores en lnea
que muestrean variables del proceso cada segundo. La correcta explotacion de estas bases
resulta en un componente crtico para la operacion adecuada de los procesos industriales.
Debido a la naturaleza de dichas bases de datos, tales como gran dimension, alta correlacion,
pobre relacion se
nal/ruido y datos perdidos en muchas variables hacen su utilizacion dificultosa
expresadas de esta forma. Para su correcta utilizacion es necesario de un metodo de modelado
emprico capaz de sobrellevar estas dificultades. En general herramientas tales como ACP
y proyeccion en estructuras latentes permiten solucionar estos problemas otorgando ademas
herramientas de analisis de facil interpretacion y presentacion (Kourti, 2002).
2.4.1.
La naturaleza multivariada en la detecci

on de fallas
Durante la u
ltima decada la mayora de las industrias han utilizado diagramas univariados
(Shewhart) para realizar las tareas de monitoreo de las principales variables del proceso que de
28
alguna manera afectan la calidad final del producto. Algunas industrias a

un siguen utilizando
estos diagramas.
En la metodologa de diagramas univariados, los datos historicos correspondientes a una
correcta producci
on se utilizan para ajustar los valores de referencia y los lmites superiores e
inferiores. Generalmente, estos lmites son ajustados en 3 respecto de la referencia, donde
es la desviaci
on estandar de la variable bajo monitoreo en funcionamiento correcto.
Cuando la variable en cuesti
on supera algunos de estos lmites (o varias muestras consecutivas superan los lmites) una se
nal de alarma es ajustada. El problema con estos diagramas
univariados de control para monitorear variables principales separadamente es que la mayora
de las veces las variables no son independientes y ninguna de ellas define la calidad del producto adecuadamente por s sola. La calidad del producto esta definida por los correctos valores
en forma simultanea de todas las propiedades medidas. Esto pone en evidencia el caracter
multivariado.
2.4.2.
Control estadstico de procesos vs. control estadstico de calidad
Realizando el monitoreo solamente de las variables de calidad (control estadstico de calidad, CEC), se ignoran los cientos de variables del proceso que son medidas con mucho mas
frecuencia que los datos de calidad. Para un verdadero control estadstico de procesos (CEP),
se deben considerar todas las variables del proceso. Realizando el monitoreo del proceso con
estas variables es de esperar que se cuente con mas informacion respecto del estado de la planta. Por el contrario, el CEC s
olo indica que las propiedades del producto no son consistentes
con las especificaciones.
En algunos casos, las pocas propiedades medidas en un producto son insuficientes para
definir enteramente la calidad del producto y el rendimiento de diferentes aplicaciones. En estos
casos, los datos del proceso contienen mas informacion respecto de eventos que influencian
el producto y el rendimiento de las operaciones. Tradicionalmente, diagramas multivariados
(Hotelling, etc.) han sido utilizados para monitorear las variables del proceso y de calidad.
Para un gran n
umero de datos correlacionados del proceso estos diagramas son impracticables.
Ademas, ellos no ofrecen la posibilidad de vincular las variables del proceso con las variables de
calidad para formar un modelo. La mayora de las aplicaciones practicas de CEP multivariados
estan basados en variables latentes (ver seccion 3.1).
2.4.3.
Aplicaci
on industrial
Una de las experiencias de monitoreo multivariado en lnea aparece en la industria del acero,
Dofasco Inc., Canada. Citando directamente las palabras de los responsables de su dise
no e
implementaci
on:
Los beneficios de trabajar con tecnologa estadstica multivariada es que provee un
compromiso balanceado entre adecuada fidelidad, conocimiento del proceso, facil
desarrollo, y una excelente robustez en presencia de ruido o datos perdidos.
Desde la introducci
on a comienzo de los 90 de las tecnologas estadsticas multivariadas en
Dofasco, un gran n
umero de aplicaciones han sido desarrolladas. La primera aplicacion se
inicio en 1993 y desde entonces existen mas de 40 implementaciones para resolver problemas
en numerosas unidades de proceso. A continuacion se presenta una aplicacion en lnea de
monitoreo con patente pendiente.
29
Dofasco
Un esquema de monitoreo y detecci
on de fallas en lnea ha sido desarrollado por Dofasco.
El acero lquido es solidificado para tener una superficie delgada de 0.9 m de largo en un molde
enfriado por agua. El acero deja el fondo del molde y es contenido por su superficie creciente.
una ruptura o perdida de esta contenci
on se produce cuando el acero solidificado no se forma
uniformemente al dejar el molde enfriador y se rompe, permitiendo que el acero fundido se
escape. Una ruptura de este tipo resulta en un falla catastrofica en el proceso, potencialmente
peligrosa con perdida de producci
on y de equipos. El objetivo inicial o primario fue detectar y
prevenir las rupturas y por otro lado proveer de una deteccion temprana de otras condiciones
de operacion anormales. Desde la implementacion de este sistema en la primavera de 1997,
Dofasco ha disfrutado de sus niveles de produccion mas altos, con una reduccion del 50 % de
las rupturas en 1999. En general, este sistema ha dado confianza al personal para trabajar el
proceso a altas tasas de producci
on.
Varios modelos de ACP son necesarios para representar diferentes configuraciones de operacion y propiedades del acero. En la construccion de dichos modelos se han realizado la
correcta selecci
on de variables representativas, la incorporacion efectiva de los retardos para
capturar la dinamica y el apropiado pretratamiento de los datos para asegurar una buena representacion del conjunto de los datos. Se han utilizado dos diagramas de control, el estadstico de
Hotelling (T 2 ) y el ECP (Q), presentados adecuadamente en la pantalla principal del usuario,
en conjunto con otra informaci
on pertinente.
La estrategia de alarmas es simple. Si alguno de los estadsticos excede un valor de umbral
inicial el fondo del estadstico en cuesti
on cambia a color amarillo indicando al operador una
se
nal de precauci
on y que alguna desviaci
on se ha producido en el proceso. Si alguno de estos
estadsticos excede un valor de umbral final el fondo toma el color rojo y una alarma audible es
utilizada, indicando que una desviaci
on significante se ha producido. En estos casos el operador
puede tener acceso a la contribuci
on de las variables a dichos estadsticos en el formato de
grafico de barras. De esta forma puede visualizarse la combinacion de las variables del proceso
con mayor contribuci
on. La disposici
on de la informacion en la pantalla se realiza de forma tal
que el operador pueda rapidamente focalizar su atencion en las variables de interes y tomar
las acciones correctivas necesarias antes de producirse un da
no irreversible.
Qumicos Dow
Por otro lado en Chiang and Colegrove (2007) se presenta una aplicacion en Qumicos Dow
de estadsticos multivariados para monitoreo y deteccion de fallas en un proceso de produccion
de resinas solidas epoxy. Variables tales como, peso equivalente epoxy, viscosidad, y punto de
ablande son sumamente importantes para evaluar la calidad del producto. Se ha comprobado
que los diagramas univariados de control de calidad no necesariamente son un criterio valido
para asegurar la calidad del producto que los consumidores requieren. En un esfuerzo por
resolver estos problemas de especificaci
on del producto se propone la utilizacion de diagramas
de control multivaridos para cuatro productos de resinas epoxy solidas. En este caso particular
se han desarrollado modelos ACP para el monitoreo de las variables de calidad utilizando
estadsticos de Hotelling. La clasificaci
on y evaluacion del evento anormal es realizada por
medio de las contribuciones de las variables del proceso.
2.4.4.
Utilizando el conocimiento te
orico y del proceso
Estos metodos estadsticos se vuelven realmente poderosos cuando son combinados con
modelos de conocimiento relacionado a procesos y analticos. Utilizando esta base de conocimiento puede ayudar en la selecci
on de variables, calculo de nuevas variables, y decidir la frecuencia
30
2.5. Conclusi
on y objetivos de la tesis
del muestreo de datos. De todas formas es importante siempre que los mejores conocedores
del proceso tengan contacto con las personas que realizaran el analisis estadstico o que los
analistas conozcan el proceso en detalle. El conocimiento especfico del proceso, as como la
ingeniera de las unidades de operacion, balances de masa y energa, y frecuentemente sentido
com
un, pueden convertir variables de proceso r
usticas en sorprendentes variables utilizables
para modelado.
El conocimiento especfico del proceso determinara los intervalos de muestreo en un analisis
discontinuo, donde no es necesario tener los datos igualmente espaciados. Los datos pueden
recolectarse mas frecuentemente durante fases cruciales y menos frecuentemente en otras
etapas.
La inclusi
on o no de determinadas variables en el modelado dependera de la finalidad de
este. Si el objetivo es realizar predicciones sobre las variables de calidad seguramente aquellas
mediciones de propiedades con poca variabilidad no seran tenidas en cuenta. Pero esto resultara en un error significativo si la finalidad del modelo es realizar el monitoreo del proceso.
Modificaciones sobre dichas variables seran practicamente indetectables. De esta forma la correcta selecci
on de variables debe ser realizada con la ayuda de personal calificado y que posea
un conocimiento elevado del proceso o unidad.
2.4.5.
Productos comerciales existentes
Existen en la actualidad numerosos productos industriales que aportan en alguna medida

soluciones para un correcto MSA. De todas formas practicamente no existen tratamientos
integrados de DDF y CTF. Entre los mas destacados se pueden citar las siguientes propuestas:
X Gensysm (G2):
Predicci
on de eventos y gestion de rendimiento.
Reglas, ling
ustica, diagramas de flujo, RNA, optimizacion y simulacion.
X Honeywell:
Gesti
on de activos, seguridad, operaciones, alarmas y simulacion dinamica.
Herramientas estadsticas, modelado, deteccion de oscilaciones, interfaces graficas,
etc.
X HCS (Human Centered Solutions):
Sistemas de alarma, procedimientos e interfaces de usuario.
X Siemens (SIMATIC PCS7 y SIMATIC Safety Matrix):
Control avanzado, gestion de alarmas, monitoreo y simulacion.
L
ogica causa-efecto, monitoreo y soporte para la toma de decisiones.
2.5.
Conclusi
En las u
ltimas decadas el interes en sistemas de monitoreo en grandes procesos qumicos
se ha incrementado enormemente. Esto es debido esencialmente a condiciones de operaci
on
mas restrictivas de los procesos en cuanto a seguridad de equipos y personal, costos operativos
y restricciones ambientales. La creciente complejidad en cuanto al dise
no de grandes plantas
y su respectiva poltica de control hace que los sistemas de monitoreo deban contar cada vez
31
2.5. Conclusi
con mas caractersticas especiales (rapidez, robustez, facilidad de explicacion, requerimientos

de modelado y almacenamiento de datos, adaptabilidad, etc.). Esta enorme interaccion entre
informacion y acciones de control tiene lugar a traves de elementos tales como sensores y
actuadores. Estos son potenciales fuentes de fallas comunes en procesos industriales. El area
de sistemas de monitoreo integrados al control tolerante a fallos es a
un un camino no explorado
en detalle, brindando s
olo algunas soluciones particulares seg
un el caso de aplicacion (en general
academicos).
Los componentes importantes en el dise
no de todo sistema de soporte para la toma de
decisiones son: 1- la transformaci
on del espacio de medicion al espacio de comportamiento y
2- la transformaci
on del espacio de comportamiento al espacio de decision. El conocimiento a
priori del proceso es utilizado en la primera transformacion, mientras que diferentes estrategias
de b
usqueda son utilizadas en la segunda. Esto conduce a una discusion respecto del tipo de
representacion de este conocimiento a priori.
En la primera parte de este captulo se menciono una lista de caractersticas deseables
que todo sistema de DDF debera tener. Esto a su vez revela que no existen metodologas
individuales que puedan agrupar todas las caractersticas. El dise
no de sistemas hbridos de
DDF complementan las virtudes de los metodos individuales resultando en mejores sistemas
de diagnostico. El desarrollo de sistemas hbridos es la direccion futura de investigacion en
sistemas de DDF.
De la literatura existente en este campo se presenta otro problema que no ha sido abordado en detalle, el dise
no de estrategias generales de SDDF integrados. Sistemas que sean
independientes del tipo y complejidad del proceso. As como independientes del tipo de falla,
magnitud, evoluci
on y condiciones de operacion de la planta.
Por otro lado, desde el punto de vista del control, no se presenta una inclusion de un
SDDEF como parte integral del CTF. En general no existen aplicaciones a grandes y complejos
procesos, debido al tipo de dise
no utilizado. Dise
nos basados en modelos cualitativos como se
presento oportunamente s
olo pueden ser aplicables con cierto grado de validez a procesos de
peque
na escala y sin considerar diferentes condiciones de operacion. Ademas, las estrategias
activas de CTF existentes no estan focalizadas en proveer la correcta informacion necesaria
para el soporte en la toma de decisiones.
El objetivo de esta tesis es abordar el problema de dise
no de SDDEF integrados al CTF en
procesos qumicos. En particular dar solucion a la carencia de generalidades en la metodologa
de un correcto MSA. El desarrollo aqu propuesto esta focalizado en automatizar el MSA y
brindar una correcta interacci
on con el usuario y la poltica de control existente. Desarrollar una
metodologa general para el correcto MSA en grandes procesos basado en un SDDEF hbrido
y estrategias de integraci
on al CTF activo resulta esencial. As esta tesis tiene como finalidad desarrollar una estrategia de SDDEF integrado al CTF con las siguientes caractersticas
deseables:
1. Generalidad: que la implementaci
on resulte independiente de factores tales como, dimension, complejidad, operabilidad, tipo de los procesos y de sus estrategias de control.
2. Rapidez de detecci
on: que las detecciones de los eventos anormales se realicen lo mas
rapido posible considerando las dinamicas del proceso,
3. Aislamiento: permitir aislar la falla e identificarla,
4. Robustez: debe ser robusto a ruido y perturbaciones,
5. Identificaci
on de novedades: realizar la deteccion correcta en caso de nuevos eventos,
6. Estimar el error de clasificaci
on: generar una cuantificacion del error cometido en la
clasificaci
on,
32
2.5. Conclusi
7. Adaptabilidad: asegurar el correcto funcionamiento ante diferentes condiciones de operaci

on del proceso y eventuales fallas secuenciales,
8. Facilidad de explicaci
on: generar informacion entendible respecto del evento y su propagaci
on,
9. Requerimientos de modelado, almacenamiento y computo: que los requerimientos sean
los mnimos,
10. Estimaci
on del valor de la falla: generar una estimacion de la magnitud y direccion de la
falla,
11. Compensaci
on de las fallas: presentar una metodologa general de compensacion. Considerando el punto 1,
12. Sistema abierto: permitir incorporar cualquier tipo de informacion a priori o a posteriori,
13. Soporte para la toma de decisiones: generar la correcta informacion de soporte para los
usuarios de la forma mas eficiente.
33
2.5. Conclusi
34
CAPTULO
Herramientas y Tcnicas
En este captulo se presentaran las herramientas y tecnicas utilizadas a lo largo del desarrollo
de esta tesis. Las diferentes estrategias involucradas evidencian el caracter multidisciplinario de
este trabajo. La clasificaci
on inicial se basa en dos grandes subgrupos como A. Procesamiento
de la informaci
on y B. Control de procesos. As en el primero podemos encontrar herramientas tales como: Transformada Wavelet Discreta (TWD), Analisis de Componentes Principales
(ACP), Redes Neuronales Artificiales (RNA), Sistema Experto (SE) y de Logica-Difusa (LD)
e Identificaci
on de Sistemas (IS). Por otro lado, el segundo grupo involucra las herramientas
y tecnicas referentes a control de procesos tales como: Control Predictivo basado en Modelos
(CPM) y Control Predictivo Adaptivo (CPA) entre otros.
A. Procesamiento de la Informaci
on
3.1.
An
alisis de componentes principales (ACP)
Consideremos un matriz X de mn la cual contiene m muestras de n variables del proceso

recogidas bajo condiciones normales de operacion. Asumiremos que cada columna de X posee
a la versi
una distribuci
on normal de probabilidad de sus datos. Denominaremos con X
on
normalizada de X de forma tal que cada columna de X tenga media cero y varianza unidad,
es decir, sea una versi
on auto-escalada como muestra la Ec. 3.1.
= (X 1m b)/S
X
(3.1)
donde 1m = [1, 1, . . . , 1]T es un vector de unos de dimension m, b = [1 , 2 , . . . , n ] el vector

de valores medios y S = diag(1 , 2 , . . . , n ) la matriz diagonal de varianzas respectivamente
obtenidas de los datos bajo condiciones normales de operacion X, siendo i y i el valor
medio y la varianza para la variable de proceso i, con i = 1, 2, . . . , n. Notar que ()T indica el
operador transpuesta.
Podemos estimar la matriz de correlacion de los datos como
R=
X
T
X
m1
(3.2)
y realizando la descomposici
on en valores singulares (DVS) de R como se muestra en la Ec.
3.3
R = UD UT
(3.3)
35
3.1. An
obtenemos la matriz diagonal D = diag(1 , 2 , . . . , n ) conteniendo los n autovalores de R

ordenados en forma decreciente (1 > 2 > . . . > n ). Los autovectores correspondientes a
cada autovalor (columnas de la matriz U) son denominados componentes principales, pi con
i = 1, . . . , n, los cuales a su vez forman una base ortonormal en <n .
Los componentes principales pueden dividirse en dos conjuntos ortogonales (no correla = [pA+1 , pA+2 , . . . , pn ], el primero contiene la mayor
cionados), P = [p1 , p2 , . . . , pA ] y P
parte de la varianza (informaci
on) del proceso denominado subespacio de variacion dominante
(SVD) y es un espacio no correlacionado de baja dimension, el segundo describe la varianza
debido al ruido llamado subespacio residual (SR).
Puede lograrse una reducci
on dimensional entonces proyectando (combinando linealmente)
(k)T sobre el espacio de los compocada muestra normalizada de las variables del proceso x
(k)T para el
nentes principales P, obteniendo as el vector de variables latentes t(k) = PT x
(k) es un vector de dimensiones 1 n conteinstante de muestreo k. Debe notarse aqu que x
niendo las n variables medidas del proceso en el instante de muestreo k y normalizado respecto
de los parametros de escala (b y S), a su vez P es de dimension n A, con A el n
umero
de componentes principales retenidos, as el vector de variables latentes resulta de dimension
A 1 y la reducci
on dimensional es evidente ya que normalmente seleccionamos A n.
3.1.1.
Selecci
on de los componentes principales
Una buena revisi

on de las tecnicas ampliamente utilizadas se puede encontrar en trabajos
como el de Himes et al. (1994) o el de Li et al. (2000). La cantidad de componentes principales retenidos afectara directamente la varianza (informacion) que contendra nuestro modelo
respecto del funcionamiento normal. Algunos de los metodos mas populares son:
A- Punto de Quiebre (PQ) (o Scree Plot): graficando cada autovalor versus su correspondiente componente principal vemos que resulta en una curva rapidamente descendente en
sus primeros autovalores y luego de un punto de quiebre la curva decrece mas lentamente.
Este punto de quiebre sugiere la separacion entre informacion del proceso (varianza) y
ruido. Generalmente la cantidad de componentes principales que dan lugar a este punto
es seleccionada como A.
B- Promedio de los Autovalores (PA): esta estrategia selecciona los autovalores cuya magnitud sea mayor al valor medio de todos los autovalores y descarta los restantes. La
cantidad de autovalores que se encuentren por encima de dicho lmite determinan A.
C- Porcentaje de Varianza Acumulada (PVA): este ndice es una medida del porcentaje de
varianza capturada por los primeros l componentes principales y puede expresarse como:
Pl
j=1
pva(l) = Pn
j=1 j
100 %
(3.4)
de esta forma el n
umero de componentes principales retenidos A estara dado por el valor
l para el cual pva(l) alcanza o supera un lmite predeterminado, digamos por ejemplo
95 % de informaci
on.
En la Figura 3.1 podemos observar los tres metodos anteriormente discutidos. En este
caso se utilizan 40 mediciones de un proceso de produccion de pulpa y papel. Como podemos
apreciar la diferencia entre estrategias de seleccion no resulta sustancial. A lo largo de esta
tesis utilizaremos el ndice PVA para seleccionar los componentes principales.
36
3.1. An
Figura 3.1: Seleccion de componentes principales
3.1.2.
Estadsticos de control basados en ACP
Estadstico de Hotelling (T 2 )
Recordando que la matriz de componentes principales retenidos P fue generada considerando los datos del proceso en comportamiento normal (causas comunes de variacion), el comportamiento futuro del proceso puede ser referenciado a esta zona.
De esta forma el estado del proceso puede ser monitoreado en todo momento utilizando el
estadstico de Hotelling, el cual es una medida de la distancia Mahalanobis al origen del SVD y
puede ser expresada como se muestra en la Ec. 3.5 para el caso de A componentes principales
retenidos.
2

T
(k)T
(3.5)
T 2 (k) = D2
A P x
donde DA es la matriz diagonal de autovalores de la matriz de correlacion cuando solo han
sido seleccionados los primeros A de ellos.
Este monitoreo consiste en declarar funcionamiento normal del proceso solo si T 2 (k) T 2 ,
un tipo de evento anormal
donde T 2 es el lmite de confianza para T 2 . Podra ocurrir que alg
o falla no posea la variaci
on suficiente como para ser detectado sobre el SVD, produciendo que
T 2 se mantenga por debajo de su lmite de confianza. Para evitar esta perdida de detecci
on
este estadstico se complementa con uno adicional denominado error cuadratico de predicci
on
(ECP ) o Q.
Estadstico error cuadr
atico de predicci
on (ECP )
Este estadstico esta definido como la suma de los errores cuadraticos entre las mediciones
del proceso auto-escaladas y las predicciones efectuadas por el modelo ACP (reconstrucci
on
T
T
(k) tenemos que
de las se
nales reales). Es decir, recordando que t(k) = P x

x(k)T
T Pt(k) = x
T PPT x
(k)T = I PPT x
(k)T = C
x(k) = x
(3.6)
as podemos definir el estadstico ECP como

Q(k) = k
x(k)k = C
x(k)T
(3.7)
37
3.1. An
nuevamente aqu, si Q(k) Q el proceso se encuentra en funcionamiento normal, donde Q

es el lmite de confianza. Este estadstico complementa el de Hotelling permitiendo detectar
eventos nuevos no contenidos en el conjunto de causas mas comunes.
Lmites de confianza (T 2 y Q )
Los lmites de confianza pueden computarse considerando que los estadsticos siguen determinado tipo de distribuci
on. Para el caso de T 2 podemos utilizar la distribucion F (cociente
2
entre dos distribuciones ) (Lane et al. (2003)) y estimar una cota superior como muestra la
Ec. 3.8.
A(m 1)
T 2 =
FA,mA,
(3.8)
(m A)
donde como dijimos A es el n
umero de componentes principales seleccionados, m es la cantidad
de muestras utilizadas en la construcci
on del modelo, y FA,mA, es el valor de la distribucion
F para A y m A como grados de libertad y es un valor que indica el grado de confianza
(por ejemplo, = 0,05 para 95 % de confianza). Por otro lado, bajo la misma suposicion de
se
nales normalmente distribuidas, los residuos generados por el metodo ECP estan definidos
por seguir muy bien una forma cuadratica de una distribucion normal (Lane et al. (2003); Li
et al. (2000)) y en este caso la expresi
on del lmite de confianza viene dada por la Ec. 3.9.

Q = 1
donde
1 =
n
X
i=A+1
i ,
1/h
2 h(h 1) c 22 h2
1+
+
1
12
2 =
n
X
i=A+1
2i ,
3 =
n
X
i=A+1
3i ,
h=1
(3.9)
21 3
322
(3.10)
y c es la desviaci
on normal estandar para un dado .
Estos lmites generalmente se calculan para 95 % o 99 % de confianza, es decir, en condiciones normales de funcionamiento el 95 % o 99 % de los datos que conforman los estadsticos
se encuentran bajo estos lmites. Debe considerarse que esta forma de computar los lmites
es aproximada ya que se basa en suposiciones y simplificaciones tales como considerar distribucion normal de los datos, no correlacion temporal entre las variables y correlacion lineal.
Generalmente en la practica estos umbrales deben ser actualizados en lnea (Musulin (2005))
para obtener mejor rendimiento de monitoreo.
Por otro lado, existe una forma simple de aproximar dichos lmites de confianza basado en
la suposicion de que las mediciones del proceso se encuentran distribuidas en forma Gaussiana
(Wold (1994); Ruiz (2001)). As, el calculo del lmite superior de confianza resulta seg
un la
Ec. 3.11.
i = i + i ,
i = T 2, Q
= 2, 3
(3.11)
donde i hace referencia al lmite de confianza, i es el valor medio y i la desviacion estandar,
todo referido al estadstico i. En este caso = 2, 3 refiere a 95 %,99 % de confianza respectivamente.
Como un ejemplo, veamos el caso en que los datos normales del proceso X posee dimension
m = 1801 y n = 40. Utilizando la version auto-escalada de esta matriz se construye el
modelo estadstico mediante ACP considerando pva 90 %. Como resultado, se retuvieron
A = 12 componentes principales. La idea es comparar los lmites de confianza obtenidos por
los metodos anteriores resumidos en las Ecs. 3.8, 3.9 y 3.11. De esta forma llamaremos, como
se muestra el la Fig. 3.2, i,a , i,b y i,c respectivamente, siendo i = 99 %, 95 % de confianza.
En la Fig. 3.2 observamos la evoluci
on de los estadsticos T 2 y Q realizando tareas de
monitoreo en lnea del proceso. En este caso particular vemos el comportamiento cuando un
38
3.1. An
(a) Estadstico T 2
(b) Estadstico Q
Figura 3.2: Lmites de confianza Monitoreo en lnea

evento anormal se hace presente a los t = 1500 min.. No existen diferencias sustanciales
entre los metodos propuestos anteriormente para el calculo de los lmites de confianza. En
el caso de T 2 los lmites calculados mediante la estrategia de la Ec. 3.11 son un poco mas
conservadores que los calculados mediante la Ec. 3.8, esto robustece el monitoreo, evitando
falsas detecciones debido al ruido. Como dijimos anteriormente estos son metodos aproximados
de calculo y deberamos realizar alg
un tipo de actualizacion periodica en lnea si queremos mejor
rendimiento.
Pensando justamente en las caractersticas de actualizacion recursiva en lnea pueden ser
mas propicios algunos metodos sobre otros. En esta tesis en particular trabajaremos con la
estrategia presentada en la Ec. 3.11 y su version adaptiva en el futuro.
3.1.3.
Diferentes estrategias de ACP
ACP Din
amico
Cuando se construye un modelo ACP se asume que el proceso es estatico y lineal. A
un con
estas suposiciones en general el modelo sera capaz de monitorear el proceso correctamente
aunque algunas caractersticas de no correlacion se pierdan. Uno de los problemas principales
se evidencia en que los lmites de confianza deberan ser mas conservadores, para evitar falsas detecciones, con el inconveniente adicional de que el sistema no sera capaz de detectar
peque
nas fallas o perturbaciones (perdidas de deteccion). Para solucionar estos problemas se
ha desarrollado una versi
on dinamica del ACP (ACPD) (Ku et al. (1995); Li and Qin (2001)),
que consiste en aumentar la matriz de datos original X incluyendo datos del proceso con cierto
retardo (desplazamiento) temporal, es decir
X = [X(k), X(k 1), . . . , X(k l)]
(3.12)
donde l es el retardo sugerido y que debe ser conocido a priori. La variables del proceso son
decorrelacionadas entre s y con sus valores pasados.
39
3.1. An
ACP Multiresoluci
on
Los metodos presentados de dise
no son a simple escala. La mayora de los procesos qumicos
poseen efectos a multiples escalas por naturaleza:
Los eventos ocurren en diferentes locaciones a diferentes tiempos y frecuencias.
Las variables del proceso son medidas a diferentes tasas de muestreo o con perdidas de
datos.
Uno de los principales problemas del ACP clasico (simple escala) es su limitada capacidad
de eliminar ruido. Este problema se torna mas evidente en la deteccion de peque
nas fallas que
podran ser no detectadas y de algunas fallas de valor considerable que son detectadas con alg
un
retardo temporal. Un modelo ACP a multiples escalas (ACPME) es un metodo para manipular
la informacion generada en una descomposicion a m
ultiples escalas mediante transformada
wavelet (Misra et al. (2002); Wang and Romagnoli (2005); Maulud et al. (2006)). De esta
forma los diferentes eventos a diferentes tiempos y frecuencias pueden ser observados en las
diferentes escalas y detectados eficientemente.
ACP Adaptivo
Una de las limitaciones del ACP clasico es la naturaleza cambiante de los procesos industriales. En general estos procesos poseen diferentes condiciones y modos de operacion. La
metodologa clasica de ACP podra generar un excesivo n
umero de falsas alarmas o eventualmente perdida de detecci
on de las fallas (Tien et al. (2004)).
Existen tres direcciones para solucionar estos problemas
Desarrollar una estrategia de identificacion de los diferentes modos de operacion del
proceso y construir un modelo ACP para cada uno.
Actualizar el modelo ACP adaptivamente para reflejar los cambios en las condiciones y
modos de operaci
on.
Desarrollar un modelo ACP clasico teniendo en cuenta todos los posibles modos.
La primera estrategia sufre del inconveniente de obtener un sistema de identificacion de modos
confiable. La tercera estrategia propuesta puede resultar en un monitoreo del proceso demasiado
conservativo. La segunda es la estrategia mas explorada, y existen diferentes algoritmos:
ACP m
ovil (ACPM): los parametros de escala del modelo ACP se actualizan instante a
instante por medio de una ventana temporal movil sobre los datos en estado normal de
funcionamiento.
ACP adaptivo (ACPA): el modelo completo es actualizado en lnea, matriz de correlacion,
componentes principales, parametros de escala, lmites de confianza, etc..
ACP pesado exponencialmente (ACPPE): similar a ACPA pero poniendo enfasis en los
datos nuevos recolectados.
Wold (1994) propone la utilizaci
on de filtros de media movil pesados exponencialmente (MMPE)
con ACP y mnimos cuadrados parciales (MCP). En Li et al. (2000) se analizan algoritmos de
actualizacion recursiva de la matriz de correlacion de los datos, de la media, de los componentes principales seleccionados, de los lmites de confianza, etc.. Una aplicacion de ACPPE
puede encontrarse en Lane et al. (2003).
40
3.2. Sistemas de l
ogica difusa (SLD)
Figura 3.3: Sistema de logica difusa
3.2.
Sistemas de l
ogica difusa (SLD)
Un SLD es el u
nico que puede simultaneamente manejar conocimiento numerico y ling
ustico. Existe un gran n
umero de aplicaciones de logica difusa (LD) en diferentes areas como control, clasificaci
on de datos, sistemas expertos, optimizacion, modelado de procesos, procesado
de se
nal, etc. A continuaci
on se dara una breve descripcion de los aspectos mas relevantes
acerca de esta estrategia (MathWorks (2002); Musulin (2005)).
Esencialmente un SLD realiza un mapeo no lineal de un espacio de entrada dentro de un
espacio de salida. Esquematicamente esto puede observarse en la Figura 3.2. El proceso de
mapeo se encuentra dividido en tres zonas:
a- Mapeo de las variables de entrada en conjuntos difusos. Este procedimiento es conocido
como fuzzificaci
ona .
b- Proceso donde se lleva a cabo la inferencia. Aqu la logica difusa y la base de reglas son
aplicadas sobre los conjuntos difusos obtenidos previamente.
c- Finalmente la salida del SLD es obtenida utilizando metodos de defuzzificacionb . El
resultado de la inferencia (conjunto difuso agrupado) es convertido nuevamente en un
valor escalar representando la salida del sistema.
3.2.1.
Fuzzificaci
on de las entradas
La teora de LD comienza con la definicion de conjunto difuso. Un conjunto difuso es aquel

que no posee un lmite claramente definido y contiene elementos solo con un grado parcial de
pertenencia. Es decir, sea X un conjunto de objetos cuyos elementos son denotados por x, un
conjunto difuso A de X es denotado como un conjunto de pares ordenados:
A = {[x, fA (x)] |x X}
(3.13)
donde fA (x) es llamada la funcion de pertenencia (FP) de x en A. La FP es una curva

que mapea cada elemento del espacio de entrada X a un valor de pertenencia (o grado de
pertenencia) entre 0 y 1. Existen diferentes tipos de curvas de pertenencia, en forma general,
su construcci
on se basa en funciones lineales a trozos, funciones de distribucion Gaussiana,
curva sigmoidal y curvas polinomiales cuadraticas y c
ubicas. Algunas formas comunes de estas
funciones se muestran en la Fig. 3.4.
a
b
termino castellanizado del ingles fuzzification

termino castellanizado del ingles defuzzification
41
3.2. Sistemas de l
ogica difusa (SLD)
(a) Sigmoidal
(b) Trapezoidal
(c) Gaussiana
Figura 3.4: Funciones de pertenencia

De esta forma todas las entradas son mapeadas en conjuntos difusos teniendo en cuenta
las funciones de pertenencia requeridas por la base de reglas.
3.2.2.
Operaciones l
ogicas y base de reglas
Los conjuntos difusos y los operadores difusos conforman las declaraciones condicionales
que sustentan la l
ogica difusa. As una regla simple general puede estar conformada como se
muestra a continuaci
on,
si (x es A) Y (r es B) entonces (z es C)
donde A, B y C son valores ling
usticos definidos por los conjuntos difusos (fA , fB y fC ) que
mapean los espacios de X, R y Z respectivamente. La parte si (x es A) Y (r es B) es
denominada antecedente o premisa y la parte entonces (z es C) es llamada consecuente o
conclusion.
El antecedente es una interpretaci
on que devuelve un n
umero entre 0 y 1 como resultado
de operar logicamente sobre la fuzzificacion de las entradas, por otro lado el consecuente es
una asignacion de un conjunto difuso C a la variable de salida z, la cual sera posteriormente
defuzzificada, como veremos.
Por lo tanto el razonamiento l
ogico difuso esta basado en la logica Booleana estandar. Es
decir, si la fuzzificaci
on de las entradas se realizara seg
un sus extremos, 1 para completamente
verdadero y 0 para completamente falso, las operaciones logicas estandar se pueden aplicar.
Ahora bien, recordando que la defuzzificacion propuesta anteriormente donde a un espacio de
42
3.2. Sistemas de l
ogica difusa (SLD)
entrada le asignabamos un grado de pertenencia entre 0 y 1 dado por el tipo de FP, debemos
de alguna forma alterar las funciones logicas estandar para poder trabajar con valores en este
rango, de esta forma resultan las siguientes analogas tpicas (uno podra tambien crear sus
propios metodos):
1. la conjunci
on l
ogica [fA (x) Y fB (r)], es reemplazada por la conjuncion difusa
mn(fA (x), fB (r));
2. la disjunci
on l
ogica [fA (x) O fB (r)], es reemplazada por la disjuncion difusa
m
ax(fA (x), fB (r));
3. el complemento l
ogico NO(fA (x)), es reemplazado por el complemento difuso
[1 fA (x)].
De esta forma, utilizando la l
ogica difusa el antecedente puede ser evaluado resultando en
un valor escalar entre cero y uno. Este valor se denomina grado de soporte de la regla y permite
cuantificar el grado de verdad o falsedad de dicho antecedente (1 completamente verdadero,
0 completamente falso).
El consecuente de una regla es un conjunto difuso representado por una FP la cual es
elegida para representar las cualidades de las premisas. Una vez calculado el grado de soporte
de la regla, este valor es utilizado por el llamado metodo de implicacion para transformar la
FP de la salida. Existen dos formas diferentes para realizar esta modificacion:
1. utilizando la funci
on mn() que produce el truncamiento de la FP teniendo en cuenta
el valor de soporte de la regla;
on prod() que produce un escalado del conjunto difuso de salida.
Este proceso es repetido para cada una de las reglas. Los conjuntos difusos de salida
truncados por el metodo de implicacion son agrupados y combinados utilizando el llamado
metodo de agregaci
on. Este proceso puede llevarse a cabo mediante tres formas diferentes:
on m
ax() que agrupa los conjuntos difusos quedandose con los maximos;
on probor(fA (x), fB (r)) = fA (x) + fB (r) fA (x)fB (r) que produce
una especie de funci
on disjuncion difusa probabilstica;
3. o simplemente utilizando la funcion sum() que produce la suma de las FP truncadas de
salida.
3.2.3.
Defuzzificaci
on
El proceso por el cual el conjunto difuso resultante del metodo de agregacion es convertido a
un valor numerico simple es llamado defuzzificacion. As, dicho conjunto puede ser representado
por un escalar.
Existen diferentes metodos para llevar a cabo este proceso de defuzzificacion, los mas
populares son:
1. promedio de los maximos, mayor de los maximos y menor de los maximos: estos tres
metodos se aplican sobre los valores maximos de la funcion miembro agregada. Si el
conjunto difuso posee s
olo un valor maximo los tres metodos coincidiran;
2. centroide: calcula el centro del area bajo la curva (centro de gravedad);
43
3.3. Transformada wavelet discreta (TWD)
Figura 3.5: Estructura general de un SLD

3. bisector: calcula la lnea vertical que divide el conjunto difuso en dos subregiones de igual
area. A veces este metodo coincide con la lnea del centroide.
La metodologa utilizada y desarrollada a lo largo de esta seccion puede resumirse mediante
el diagrama de inferencia mostrado en la Fig. 3.5. El flujo de informacion (lnea a trazos)
es recogido de las entradas y en primera instancia fuzzificado teniendo en cuenta las FP
involucradas en cada regla (R1,R2), posteriormente las reglas son evaluadas mediante logica
difusa (premisas y conclusiones). El proceso contin
ua con el metodo de implicacion generando
los conjuntos difusos finales de cada regla. Cada uno de estos conjuntos son combinados en una
sola FP de salida mediante el metodo de agregacion para posteriormente ser defuzzificada. El
resultado de la defuzzificaci
on es el valor escalar correspondiente a nuestra salida en cuestion.
3.2.4.
Tipos de SLD
Los tipos de SLD ampliamente utilizados son los modelos Mamdami y Sugeno. En un
modelo difuso de Mamdami las entradas escalares son fuzzificadas de acuerdo con un conjunto
de FP. Los operadores l
ogicos difusos en las reglas se implementan mediante composiciones
de funciones m
axmn o variaciones de estas. El conjunto difuso obtenido es defuzzificado a
un valor escalar nuevamente mediante estrategias como centroide o medio de los maximos.
Por otro lado, los modelos difusos Sugeno han sido desarrollados para construir un metodo
sistematico para generar reglas desde una base de datos entrada-salida. Una regla tpica en un
modelo Sugeno posee la forma si (x es A)Y(r es B) entonces z = f (x, r), donde A y B son
conjuntos difusos del antecedente, mientras que z = f (x, r) es una funcion en el consecuente
que devuelve un escalar. Usualmente f (x, r) es un polinomio de las variables de entrada x y
r, pero podra ser cualquier funci
on que pueda describir correctamente la salida dentro de la
region difusa especificada por el antecedente de la regla.
3.3.
Transformada wavelet discreta (TWD)
Generalmente los datos obtenidos de fenomenos reales estan compuestos por una superposicion de comportamientos de baja y alta frecuencia localizados a lo largo del dominio tem44
poral. Estas se
nales contienen numerosas caractersticas no estacionarias o transitorias, como,
derivas, tendencias, cambios abruptos, informacion acerca de comienzo y finales de eventos,
etc..
Hist
oricamente existen diferentes herramientas en el area de procesado de se
nal. Por un
lado el analisis de Fourier nos permite descomponer nuestra se
nal mediante funciones base
compuestas por sinusoides de diferentes frecuencias. As, se puede realizar un mapeo amplitud
tiempo a amplitudfrecuencia. El principal problema que presenta esta estrategia es la perdida
de informaci
on relacionada con el tiempo. Es decir visualizando la transformada de Fourier de
una determinada se
nal es imposible determinar cuando un evento particular toma lugar. Una
version adaptada de la transformada de Fourier resulta de considerar peque
nas secciones de la
se
nal en el tiempo, constituyendo la conocida transformada de Fourier enventanada que mapea
la se
nal a un dominio tiempofrecuencia. Esto provee alg
un grado de informacion acerca de
cuando y a que frecuencia ocurren los eventos. La precision en tiempo y frecuencia no pueden
elegirse individualmente resultando en una relacion de compromiso. La dimension de la ventana
limita directamente la precisi
on y en este procedimiento es el mismo para todas la frecuencias.
Muchas se
nales requieren una metodologa mas flexible, es decir una herramienta que pueda
modificar la dimensi
on de la ventana ya sea para mejorar resoluciones en tiempo o en frecuencia
(Mallat (1989); Daubechies (1990); Misiti et al. (2002)).
3.3.1.
An
alisis wavelet
En analisis wavelet representa el paso logico en herramientas de procesado de se

nales:
una tecnica enventanada de dimension variable. As, utilizando grandes intervalos de tiempo
se hace mas precisa la informaci
on a baja frecuencia y con regiones peque
nas se focaliza la
informaci
on de alta frecuencia. El mapeo resultante es de la forma escalatiempo, estando la
frecuencia directamente relacionada con la escala.
En la transformada wavelet las funciones bases son peque
nas se
nales llamadas wavelets
(onditas). As la se
nal a analizar s(t) es descompuesta utilizando versiones escaladas y desplazadas temporalmente de una u
nica funcion (t) llamada wavelet madre. Este conjunto de
se
nales

1
tb
(a, b, t) =
(3.14)
a
a
conforman una base ortonormal (conformaran una representacion no redundante) de funciones,
donde a y b son los parametros de escala y desplazamiento temporal respectivamente. Sea s(t)
la se
nal a analizar, la TWD esta definida por el producto interno:
Z
C(a, b) = s(t)(a, b, t)dt
(3.15)
donde a = 2j y b = k2j con j, k Z, son los valores discretos de escalado y desplazamiento
conocidos como valores diadicos. El ndice j se conoce como nivel y 1/a o 2j como resoluci
on.
Desde un punto de vista intuitivo la descomposicion wavelet consiste en calcular un ndice de
semejanza C(a, b) entre la se
nal y la wavelet localizada en b y escalada por a.
De forma similar a las demas herramientas de procesado de se
nal existe una transformada
wavelet inversa. Es decir, una metodologa de sntesis por la cual se reconstruye la se
nal
original utilizando los coeficientes wavelets de la descomposicion. Esta transformada inversa
puede expresarse como:
XX
X
s(t) =
C(j, k)(j, k, t) =
Dj (t)
(3.16)
jZ kZ
jZ
45
Figura 3.6: Estructura de descomposicion mediante wavelets
Figura 3.7: Algoritmo de descomposicion de Mallat

P
donde Dj (t) =
nal original a nivel j.
kZ C(j, k)(j, k, t) se denomina detalle de la se
Tomando como referencia un nivel dado por ejemplo J podemos expresar:
X
Dj = D1 + D2 + . . . + DJ + DJ+1 + . . . + DN = DJ + AJ
(3.17)
jZ
donde AJ = j>J Dj se denomina aproximacion a nivel J y agrupa todos los detalles a niveles
superiores al J los cuales representan una aproximacion de P
la se
nal a menor resolucion. Los
detalles de mayor resoluci
on (j J) son agrupados en DJ = jJ Dj y se denominan detalles
de la se
nal a nivel J. As, podemos obtener una relacion entre niveles para las aproximaciones
y detalles de la forma
AJ = AJ+1 + DJ+1
(3.18)
dando una estructura de descomposici
on piramidal o arbol de descomposicion como se puede
observar en la Fig. 3.6, donde A0 = s(t) indica el comienzo de la estructura.
Un algoritmo eficiente para realizar la descomposicion wavelet fue desarrollado por Mallat
(1989). Este es un algoritmo popular en la comunidad de procesado de se
nales y esta basado
en reformular la descomposici
on wavelet como una estructura piramidal compuesta de convoluciones con filtros espejo en cuadratura (FEC) y tasa de muestreo variable dependiendo del
nivel j (filtrado multiresoluci
on). Una instancia de descomposicion puede observarse en la Fig.
3.7 para un nivel generico j. La se
nal discreta de aproximacion Aj+1 es convolucionada con
los filtros G y H para posteriormente ser diezmada en forma diadica (mantener a la salida una
muestra de dos).
Los filtros G (pasa-alto) y H (pasa-bajo) con respuestas al impulso g(k) y h(k) respectivamente son filtros espejo (g(k) = (1)1k h(1 k)) y estan directamente definidos por la
yH
poseen respuestas al
wavelet (t) y la funci
on de escala (t) seleccionadas. Los filtros G
impulso g(k) = g(k) y h(k) = h(k) respectivamente.

Una estrategia similar a la mostrada en la Fig. 3.7 puede utilizarse para realizar la reconstruccion de la se
nal. En este caso los filtros utilizados son G y H. Antes de la convolucion
46
3.4. Redes neuronales artificiales (RNA)
con los filtros las se

nales son aumentadas en forma diadica, insertando ceros entre las muestras. En la Fig. 3.8 puede observarse, por ejemplo, una wavelet y su funcion de escala cuando
se ha seleccionado la familia Daubechies y un orden de aproximacion de 3. Los filtros de
descomposici
on correspondientes pueden observarse en las Figs. 3.8(c) y 3.8(d).
(a) Funci
on wavelet (k)
(b) Funci
on de escala (k)
(c) Filtro h(k)
(d) Filtro g(k)
Figura 3.8: Familia Daubechies de orden 3

En la Fig. 3.9 se puede observar un ejemplo de descomposicion hasta el nivel j = 5 con
wavelet Daubechies de orden 9. La se
nal original bajo analisis s(t) esta compuesta por la
superposici
on de tres efectos seg
un se muestra en la Ec. 3.19 y en la Fig. 3.9(a)
s(t) = r(t) + sen(2f t) +
t2
10
(3.19)
donde r(t) es ruido uniformemente distribuido con media cero y varianza unidad; el segundo
aporte viene dado por una contribucion senoidal de frecuencia de f = 1 Hz. y finalmente
el tercer aporte representado por una evolucion cuadratica. El detalle a nivel 1, D1 (Fig.
3.9(b)) practicamente posee toda la informacion respecto del ruido aditivo. De forma similar
la aproximaci
on a nivel 5, A5 (Fig. 3.9(c)) resume la informacion de la contribucion cuadratica
y finalmente el detalle a nivel 5, D5 extrae el comportamiento de la contribucion seniodal.
3.4.
Redes neuronales artificiales (RNA)
Las RNA originariamente surgen como una tecnica para modelar (emular) una red neuronal
biologica. La mayora de los tipos de RNA pueden incluirse en la siguiente definicion (Nrgaard
et al., 2001), sistema de elementos de procesamiento simples, neuronas, que estan conectadas
47
(a) Se
nal original s(k)
(b) Detalle a nivel 1
(c) Aproximaci
on a nivel 5
(d) Detalle a nivel 5
Figura 3.9: Descomposici

on wavelet en 5 niveles con Daubechies de orden 9
mediante un conjunto de pesos formando una red. La funcion de la red queda determinada por
su topologa, magnitud de sus pesos, y modo de operacion de sus unidades de procesamiento.
3.4.1.
La neurona
La neurona (nodo o unidad) es un elemento de procesamiento que toma un n

umero de
entradas i , calcula su suma ponderada por los correspondientes pesos wij y utiliza este
resultado hi como argumento de entrada a una funcion escalar llamada funcion de activacion
f (). La topologa general puede observarse en la Fig. 3.10 y la expresion matematica en la
ec. 3.20 donde en este caso n = 3. Las entradas a una unidad pueden ser salidas de otras
unidades o entradas externas. El desplazamiento wi0 es llamado bias y puede ser interpretado
como el peso aplicado a una entrada cuyo valor esta fijo en 1.
n
X
yi = fi (hi ) = fi
j wij + wi0
(3.20)
j=1
La funcion de activaci
on puede tomar cualquier forma, pero existen un conjunto de funciones ampliamente utilizadas como la tangente hiperbolica, la funcion signo (escalon), la curva
48
Figura 3.10: Neurona (unidad de procesamiento)
Figura 3.11: Red de multiples capas

sigmoidal, una funci
on lineal, etc..
3.4.2.
Redes de multiples capas
Las unidades de procesamiento pueden combinarse en una red de numerosas maneras. La

forma mas com
un es ordenar la neuronas en capas, as las unidades de una determinada capa
toman como entrada s
olo las salidas de la capa anterior o entradas externas. En la Fig. 3.11 se
puede observar la estructura de una red neuronal formada por dos capas. La primera llamada
capa oculta contiene las neuronas encargadas de vincular las entradas externas con las unidades
de salida de la segunda capa conocida como capa de salida. En este caso particular se presenta
una red neuronal completamente conectada con tres entradas, dos neuronas en capa oculta y
dos neuronas de salida. Como en la estructura de la red no existen caminos de realimentaci
on
esta topologa tambien se conoce con el nombre de red de alimentacion hacia adelante.
La expresi
on matematica de las salidas de la red puede derivarse como:
!
n
nh
X
X
yi = gi (, ) = Fi
Wij fj
wjl l + wj0 + Wi0
(3.21)
j=1
l=1
donde nh es el n
umero de neuronas en capa oculta, n el n
umero de entradas externas, yi
la predicci
on realizada por la red para la salida i y = [wjl , Wij ] el vector de parametros
conteniendo todos los pesos y bias de la red.
49
3.4.3.
Aprendizaje de la red
Para determinar el valor de los pesos de la red es necesario contar con ejemplos (datos) de
como las salidas yi se relacionaran con la entradas l . La tarea de determinar los pesos utilizando estos ejemplos se denomina entrenamiento o aprendizaje de la red neuronal y basicamente
consiste en un problema convencional de estimacion de parametros. As, los pesos son estimados teniendo en cuenta alg
un tipo de metrica que permita cuantificar cuan aproximado es el
modelo respecto de los datos reales. La medida ampliamente utilizada es el error cuadratico
medio, definiendo as el funcional costo VN de la ec. 3.22.
VN (, Z N ) =
N
1 X
[y(k) y(k)]2
2N
(3.22)
k=1
donde Z N = [[1 , . . . , N ]T , [y1 , . . . , yN ]T ] es el conjunto de datos de entrenamiento conteniendo N muestras de las variables de entrada y salida respectivamente. La metodologa
entonces radica en entrenar la red neuronal (obtener el valor de los pesos) de forma tal que
minimice el criterio de la ec. 3.22, es decir
= arg mn VN (, Z N )
(3.23)
cuando el criterio es cuadratico en el error de prediccion el entrenamiento es tambien llamado

problema de mnimos cuadrados no lineales ordinario que es un caso particular de optimizacion
sin restricciones.
Una condici
on suficiente para que sea un mnimo de VN (, Z N ) es que el gradiente sea
igual a cero

dVN (, Z N )
(3.24)
=0
d
=
y que el Hessiano sea definido positivo

2

N
T d VN (, Z )
v
v>0
d2
=
(3.25)
para cualquier vector v distinto de cero. As, el mnimo es encontrado usualmente utilizando
alg
un metodo de b
usqueda iterativa. Estos tipos de metodos parten de una condicion inicial
(0) y toman la forma
(i+1) = (i) + (i) (i)
(3.26)
donde (i) especifica la iteraci
on actual (i), (i) es la direccion de b
usqueda y (i) la magnitud
(i)
del paso. Las iteraciones contin
uan hasta que se encuentre suficientemente cerca del
mnimo .
El criterio en forma general podra tener mas que un mnimo, desafortunadamente esta
metodologa no garantiza converger hacia el mnimo global. Que este mnimo global se alcance
dependera de las condiciones iniciales (0) .
Una gran cantidad de metodos existen para abordar este tipo de problemas. Entre ellos
podemos enumerar: el metodo del gradiente, el de Newton, el de Gauss-Newton, el PseudoNewton y el Levenberg-Marquardt. Esencialmente los metodos se diferencian en la forma de
seleccionar la ley de actualizaci
on para (i+1) , en particular la direccion de b
usqueda (i) y el
paso (i) (Nrgaard et al., 2001; Demuth and Beale, 2002).
50
3.5. Identificaci
on de sistemas (IS)
3.5.
Identificaci
on de sistemas (IS)
La idea central en identificaci

on de sistemas es tratar de vincular observaciones de un sistema dinamico con modelos matematicos. Entendiendose por sistema a un objeto en el cual
variables de diferentes formas interact
uan generando se
nales observables. Estas se
nales observables generalmente son denominadas salidas del sistema. El sistema es afectado por se
nales
externas que pueden ser manipuladas por el observador denominadas entradas, o no manipuladas denominadas perturbaciones. Estas u
ltimas a su vez pueden clasificarse en medibles o
no medibles.
3.5.1.
Procedimiento en IS
La construcci
on de un modelo desde datos observados de entrada-salida involucra tres
entidades basicas seg
un explica Ljung (1999),
Conjunto de datos
Los datos entrada-salida son a veces recolectados durante un experimento dise
nado especficamente para identificaci
on. El objetivo en el dise
no del experimento es seleccionar los
datos maximamente informativos. En otros casos no existe posibilidad de modificar el experimento y deben utilizarse datos recolectados de condiciones normales de operacion.
Estructura de modelo
La tarea mas importante y a la vez difcil del procedimiento de IS es la seleccion de la
estructura del modelo o el conjunto de modelos candidatos. A veces los modelos son construidos
basados en parametros fsicos desconocidos utilizando leyes fsicas basicas. En otros casos
pueden utilizarse modelos lineales sin ning
un fundamento fsico. Los modelos cuyos parametros
no reflejen consideraciones fsicas son denominados modelos caja negra.
Regla de evaluaci
on
Es necesario tambien una regla para determinar el mejor modelo en el conjunto. El metodo
de identificaci
on permite evaluar la calidad del modelo teniendo en cuenta como este reproduce
los datos observados.
3.5.2.
Problema cl
asico: Modelo ARX-Mnimos cuadrados lineales
Las entradas y salidas del sistema en un instante arbitrario k seran denotados como u(k)
e y(k) respectivamente. La relaci
on mas basica para vincular entrada y salida quizas sea una
ecuaci
on en diferencias lineal, del tipo
y(k) + a1 y(k 1) + + an y(k n) = b1 u(k 1) + + bm u(k m)
(3.27)
como los datos son recolectados generalmente por muestreo es mas conveniente representar el
modelo en tiempo discreto. El intervalo de muestreo se asume en una unidad para facilitar la
notaci
on. A este tipo de modelos se los conoce con el nombre de autorregresivo con entrada
externa (ARX) (Ljung (1999)).
Reordenando el modelo de la ec. 3.27 para expresar la salida en funcion de observaciones
previas podemos escribir:
y(k) = a1 y(k 1) an y(k n) + b1 u(k 1) + + bm u(k m)
= [y(k 1), , an y(k n), u(k 1), , u(k m)] [a1 , , an , b1 , bm ]T
(3.28)
51
3.5. Identificaci
on de sistemas (IS)
llamando a
(k) = [y(k 1), , an y(k n), u(k 1), , u(k m)]T
= [a1 , , an , b1 , bm ]T
(3.29)
el regresor lineal en las observaciones y el vector de parametros respectivamente, podemos

expresar la ec. 3.28 en forma compacta como
y(k) = (k)T
(3.30)
Suponiendo que desconocemos los valores del vector de parametros pero contamos con
datos de entrada-salida recolectados durante el intervalo temporal 1 k N
Z N = {u(1), y(1), . . . , u(N ), y(N )}
(3.31)
entonces podemos utilizar la estructura del modelo propuesto en la ec. 3.30, y(k) = (k)T ,
de forma tal que las predicciones y(k) se ajusten lo mas posible con las observaciones de la
base de datos, mediante el metodo de mnimos cuadrados, es decir

mn VN , Z N
(3.32)
donde
VN , Z
N
N
2
1 X
1 X
2
=
(y(k) y(k)) =
y(k) (k)T
N
N
k=1
(3.33)
k=1
de esta forma la estima de mnimos cuadrados puede representarse como

N = arg mn VN , Z N
(3.34)
donde N indica que se han utilizado N datos entrada-salida para su calculo.

Como el criterio VN es cuadratico en podemos encontrar facilmente el mnimo valor
igualando su derivada a cero

N

dVN , Z N
2 X
0=
=
(k) y(k) (k)T
d
N
(3.35)
k=1
reordenando
N
X
(k)y(k) =
k=1
N
X
(k)(k)T
(3.36)
k=1
o equivalentemente
"
N =
N
X
k=1
3.5.3.
#1
(k)(k)
N
X
(k)y(k)
(3.37)
k=1
Mnimos cuadrados recursivos (MCR)
Una variante a la estrategia mostrada anteriormente es la version recursiva de mnimos

cuadrados, es decir la posibilidad de actualizar el vector de parametros estimados a medida
que nuevos datos de entrada-salida son adquiridos desde el proceso (Ljung (1999); Jordan
(1990)).
52
3.5. Identificaci
on de sistemas (IS)
Definiendo ahora en la ec. 3.37

"
PN =
N
X
#1
(k)(k)
(3.38)
k=1
resulta que tambien podemos escribir

PN1
N
1
X
(k)(k)T + (N )(N )T = PN11 + (N )(N )T
(3.39)
k=1
y el vector de parametros estimado queda

"N 1
#
X
N =PN
(k)y(k) + (N )y(N )
k=1
i
=PN PN11 N 1 + (N )y(N )
h
i
=N 1 + PN (N ) y(N ) (N )T N 1
(3.40)
de esta forma se tiene el siguiente algoritmo recursivo:

h
i
N =N 1 + K(N ) y(N ) (N )T N 1
(3.41)
K(N ) =PN (N )
(N ) =y(N ) (N )T N 1
De las ecuaciones anteriores (N ) debe interpretarse como el error de prediccion de la salida

en el instante N calculado en funcion de la estima en el instante N 1. La primera de
las ecuaciones indica que la estima de los parametros en el instante N se calcula mediante
la estima en el instante anterior mas una correccion que depende del error de prediccion. El
termino K(N ) tiene por finalidad indicar en cuanto debe modificarse la estima anterior cuando
se produce la actualizaci
on de los datos.
El inconveniente que se observa de las anteriores ecuaciones es que para implementar
el algoritmo recursivo se debe realizar la inversion de una matriz para el calculo de PN en
cada instante de muestreo. Este problema puede evitarse recurriendo al lema de inversion de
matrices, el cual establece que:

1
[A + BCD]1 = A1 A1 B DA1 B + C 1
DA1
(3.42)
re-escribiendo la Ec. (3.38)

1
PN = PN11 + (N )(N )T
(3.43)
y aplicando el lema anterior, llegamos a que:

PN = PN 1
PN 1 (N )(N )T PN 1
1 + (N )T PN 1 (N )
(3.44)
que es una expresi

on recursiva para el calculo de PN . De esta forma llegamos a representar el algoritmo recursivo de mnimos cuadrados mediante las ecuaciones que se detallan a
continuaci
on:
h
i
N =N 1 + K(N ) y(N ) (N )T N 1
K(N ) =PN (N )
(N ) =y(N ) (N )T N 1
PN =PN 1
(3.45)
PN 1 (N )(N )T PN 1
1 + (N )T PN 1 (N )
53
3.6. Control predictivo basado en modelos (CPM)
Tambien se puede desarrollar una estrategia similar considerando los errores en el funcional
de la ec. 3.33 pesados de diferente forma teniendo en cuenta el instante temporal. As surge
el algoritmo de MCR con factor de olvido presentado en el apendice A.
B. Control de Procesos
3.6.
Control predictivo basado en modelos (CPM)
El control predictivo o control predictivo basado en modelos es la u

nica estrategia de
control avanzada que ha tenido un impacto significativo y extenso en el control de procesos
industriales. La raz
on principal es que es la u
nica tecnologa generica de control que puede
ocuparse rutinariamente del equipo y de las condiciones de seguridad.
La incorporaci
on del control predictivo dentro de la practica industrial ha sido sustentada
por caractersticas tales como:
* la idea detras de la estrategia es facil de entender;
* la formulaci
on basica es extendida a plantas multivariables practicamente sin modificaciones;
* es mas poderoso que una estrategia de control por PID, a
un en lazos simples sin restricciones sin ser mucho mas complicado de ajustar;
* puede tener en cuenta las limitaciones de los actuadores.
El control predictivo ha sido desarrollado y utilizado en la industria aproximadamente 20
a
nos antes de atraer la atenci
on de la comunidad academica de control. Por otra parte el
avance en la velocidad de las computadoras y las mejoras en los algoritmos de optimizacion
de los u
ltimos a
nos hacen aplicable esta estrategia de control no solo a procesos con dinamica
lenta (Maciejowski (2002)).
3.6.1.
La idea b
asica
La Fig. 3.12 muestra la idea basica del control predictivo. En esta presentacion basica
discutiremos el caso de controlar una planta simple entradasimple salida (SISO). Asumiremos
que trabajamos en tiempo discreto donde el tiempo actual es denominado con k. Para este
instante de tiempo la salida de la planta es y(k) mostrandose tambien en la figura la historia
previa de la salida y la trayectoria de set point s(k) que idealmente la variable medida de la
planta debera seguir.
Distinta de la trayectoria de set point es la trayectoria de referencia r(k). Esta comienza
desde la salida actual y(k) y define una trayectoria ideal a traves de la cual la planta debera
volver a la trayectoria de set point, en caso de perturbacion por ejemplo. Frecuentemente se
asume que la trayectoria de referencia tiende a la trayectoria de set point exponencialmente desde la actual salida del proceso, con una constante de tiempo denotada por Tref que definira la
velocidad de la respuesta. Definiendo entonces el error actual de seguimiento como
(k) = s(k) y(k)
(3.46)
entonces la trayectoria de referencia es seleccionada de forma tal que el error decaiga exponencialmente, as i muestras despues sera
(k + i) = eiTs /Tref (k) = i (k)
54
(3.47)
Figura 3.12: Idea basica del control predictivo

donde Ts es el tiempo de muestreo y = eTs /Tref .
De esta forma la trayectoria de referencia esta definida por
r(k + i) = s(k + i) (k + i) = s(k + i) eiTs /Tref (k)
(3.48)
Existen definiciones alternativas para la trayectoria de referencia, por ejemplo, una lnea
recta desde la salida actual que alcance el set point luego de un tiempo determinado.
Un control predictivo posee un modelo interno que es utilizado para predecir el comportamiento de la planta, comenzando en el instante actual, sobre un futuro horizonte de
predicci
on denotado por [Hw , Hp ]. Este comportamiento predicho depende de la trayectoria
de entrada asumida u
(k + i), con i = 0, 1, . . . , Hp 1, que ha sido aplicada sobre el horizonte
de predicci
on.
Generalmente es preferible imponer alguna estructura simple a la trayectoria de entrada
parametrizada por un n
umero peque
no de variables. Es decir podemos permitir solo Hu variaciones futuras de la se
nal de control y que el restante intervalo sobre el horizonte de predicci
on
dicha se
nal se mantenga constante (Maciejowski (2002); Jordan (1990)). Hu es conocido como
el horizonte de control. En el caso de la Fig. 3.12 la trayectoria de entrada vara las seis primeras
muestras y luego se mantiene constante, es decir u
(k + 5) = u
(k + 6) = . . . = u
(k + Hp 1),
as la trayectoria de entrada posee 6 parametros a seleccionar u
(k), . . . , u
(k + 5).
La obtenci
on de dicha trayectoria de entrada dependera de los objetivos de control. Basicamente podemos suponer que el modelo interno es lineal, que la funcion costo es cuadratica,
que las restricciones estan dadas en la forma de desigualdades lineales y que todo es invariante
en el tiempo. En particular podemos definir que el funcional costo penaliza la magnitud de la
trayectoria de control u(k) pero no a sus cambios 4u(k).
As podemos sugerir la funci
on costo mostrada en la Ec. 3.49 por ejemplo. Donde se
penalizan las desviaciones de las salidas controladas predichas y(k + i) respecto a la trayectoria
de referencia r(k + i). El horizonte de prediccion posee una longitud de Hp muestras pero no
es necesario comenzar la penalizacion inmediatamente (Hw = 1), en el caso de procesos con
tiempos muertos por ejemplo es conveniente ajustar Hw > Td para no forzar inicialmente
55
grandes cambios en la se
nal de control, donde Td es el tiempo muerto del proceso. Siempre
asumiremos que Hu Hp y que 4
u(k + i) = 0 para i Hu .
V (k) =
Hp
X
i2 [
y (k
+ i) r(k + i)] +
HX
u 1
i2 [
u(k + i)]2
(3.49)
i=0
i=Hw
donde i y i son coeficientes de penalizacion para el error de seguimiento y la se

nal de control
respectivamente (Jordan et al. (2006); Zumoffen et al. (2007)).
El inicio y el final del horizonte de prediccion (Hw y Hp ), el horizonte de control (Hu ), los
coeficientes i y i y la trayectoria de referencia r(k + i) todos afectan el comportamiento a
lazo cerrado entre planta y controlador.
El funcional costo tambien puede estar dotado de restricciones provenientes de las variables
manipuladas (VM) o de las variables controladas (VC). As el funcional costo puede completarse
con las desigualdades que conforman las restricciones en las Ecs. 3.50.
E [4
u(k), . . . , 4
u(k + Hu 1), 1]T [0, . . . , 0]T
F [
u(k), . . . , u
(k + Hu 1), 1]T [0, . . . , 0]T
G [
y (k + Hw ), . . . , y(k + Hp ), 1]T [0, . . . , 0]T
(3.50)
donde E, F y G son matrices de dimensi

on adecuada. Podemos utilizar esta estructura de las
restricciones para representar posibles limitaciones en la tasa de cambio en actuadores , rango
en actuadores y restricciones sobre las salidas controladas respectivamente.
3.6.2.
Modelo FIR
Suponiendo que el proceso se modela mediante un modelo lineal FIR

y(k) = g(1)u(k 1) + g(2)u(k 2) + . . . + g(N )u(k N ) =
N
X
g(i)u(k i)
(3.51)
i=1
donde [g(1), g(2), . . . , g(N )] son los coeficientes FIR y N el orden del modelo. La funcion
objetivo en la ec. 3.49 puede evaluarse en forma matricial como
J(k) = eT (k)A2 e(k) + u
T (k)B2 u
(k)
(3.52)
donde e(k) es el error de predicci

on sobre el horizonte [Hw , Hp ] y las matrices A = diag(Hw , . . . , Hp )
y B = diag(1 , . . . , Hu ) representan los coeficientes de penalizacion de las energas del error
de prediccion y de la se
nal de control, respectivamente.
e(k) = yr (k) y
(k) = yr (k) T1 GT2 u
(k) T3 ST4 (k) (k)
(3.53)
con yr (k) = [yr (k + Hw ), , yr (k + Hp )]T la trayectoria de referencia y

y
(k) = T1 GT2 u
(k) T3 ST4 (k) (k)
(3.54)
la prediccion del modelo FIR (ver apendice B), donde se puede apreciar claramente las tres
partes involucradas, la informaci
on futura, la pasada y la prediccion de la perturbacion
u
(k) = [
u(k), , u
(k + Hu 1)]T
(3.55)
(k) = [u(k 1), , u(k N + Hw )]T
(3.56)
(k) = [1, , 1] [y(k) y(k)]

56
(3.57)
respectivamente. Con T1 , T2 , T3 y T4 como matrices de transformacion que estan constituidas

por ceros y unos y que permiten seleccionar partes especficas de las matrices dinamicas G y
S que dependen del modelo FIR (Jordan (1990)).
Reemplazando la expresi
on de la ec. 3.53 dentro de la ec. 3.52 y operando podemos expresar
el funcional como

J(k) = CT (k)T A2 C(k) 2
uT (k)TT2 GT TT1 A2 C + u
T (k) TT2 GT TT1 A2 T1 GT2 + B2 u
(k)
(3.58)
con C(k) = yr (k) (k) T3 ST4 (k). Considerando el caso de trabajar sin restricciones
podemos hallar una soluci
on
optima para u
(k) haciendo J(k)/
u(k) = 0, as

1 T T T 2
u
(k) = TT2 GT TT1 A2 T1 GT2 + B2
T2 G T1 A [yr (k) (k) T3 ST4 (k)] (3.59)
notar que u
(k) es un vector de Hu componentes.
La filosofa del control predictivo sugiere que para el instante temporal k solo se aplique la
primera componente u
(k) de la ec. 3.59 al sistema controlado y que el procedimiento completo
se repita en el pr
oximo instante k + 1. De esta forma
u
(k) = [1, 0, . . . , 0]
u(k) = R [yr (k) (k)] D(k)
(3.60)
con
r1
r2
..
.
rHp Hw +1
T
d1
d2
.. =
.

1 T T T 2
[1, 0, . . . , 0] TT2 GT TT1 A2 T1 GT2 + B2
T2 G T1 A
(3.61)
[r1 , r2 , . . . , rHp Hw +1 ]T3 ST4
dN Hw
de esta forma la componente actual de control puede expresarse como
"
#
Hp Hw +1
Hp Hw +1
NX
Hw
X
X
ri z i1 [y(k) y(k)]
ri
u
(k) 1 +
di z i = z Hw yr (k)
i=1
i=1
i=1
(3.62)
denominando ahora
D (z 1 ) = 1 +
NX
Hw
i=1
Hp Hw +1
di z i ,
R(z) =
Hp Hw +1
ri z i1 ,
R(1) =
i=1
resulta entonces en terminos de la transformada Z que

R(1)
Hw R(z)
U (z) = 1 z
Yr (z) Y (z) Y (z)
D (z )
R(1)
ri
(3.63)
i=1
(3.64)
La ecuaci
on de control 3.64 necesitara compensacion estatica si queremos obtener cero
error de seguimiento en estado estacionario, as resulta la estructura de control de la ec. 3.65.

D (1)Kg Hw R(z)
U (z) = 1 z
Yr (z) Y (z) Y (z)
(3.65)
D (z )
R(1)
57
Figura 3.13: Estructura de control predictivo con modelo FIR

P
PN Hw
di y Kg = 1/ N
donde D (1) = 1 + i=1
i=1 g(i). La estructura de control anterior guarda
similitudes con el clasico control por modelo interno y puede representarse en diagrama de
bloques como muestra la Fig. 3.13. Donde F (z 1 ) es un filtro para suavizar el set point w(k)
y producir la trayectoria de referencia yr (k).
Existen numerosas aplicaciones y trabajos en esta area. En Jordan (1990); Jordan et al.
(2006) y Zumoffen et al. (2006, 2007) se presentan aplicaciones de control predictivo y control
predictivo adaptivo a un reactor qumico con camisa utilizando modelo FIR. Ademas, se incluye
una extensa revisi
on bibliografica en esta tematica.
3.6.3.
Modelo en ecuaciones de estado
En este caso el modelo esta representado mediante ecuaciones de estado en tiempo discreto
x(k + 1) = Ax(k) + Bu(k)
y(k) = Cx(k)
(3.66)
donde x(k) es el vector de estado de dimension n, u(k) es el vector de entradas de dimension

l e y(k) es el vector de salidas del proceso a ser controladas de dimension p.
Considerando la estructura de modelo propuesta en la ec. 3.66 y utilizando en este caso las
diferencias en la se
nal de control,
u(k + i) = u
(k + i) u
(k + i 1), en lugar de su valor,
u
(k + i), podemos obtener una expresi
on de las predicciones del modelo sobre un horizonte de
prediccion [1, Hp ] (ver apendice C)
Y(k)
=
x(k) + u(k 1) + U(k)
+ (k)
(3.67)
donde , y son matrices de dimensiones especficas y
Y(k)
= [
y(k + 1), . . . , y
(k + Hp )]T
U(k)
= [
u(k), . . . ,
u(k + Hu 1)]T
(3.68)
(k) = [1, . . . , 1] [y(k) y

(k)]
son las predicciones de las salidas, los movimientos futuros de la se
nal de control y la estimacion
de la perturbaci
on (error plantamodelo). La estimacion actual de los estados (cuando estos
no pueden ser medidos) vienen dados por x
(k) y el vector de se
nales de control aplicadas en
el instante pasado k 1 esta representado por u(k 1). Donde Hu representa el horizonte de
control.
Recordando el funcional costo de la ec. 3.49, este puede reescribirse de la forma
V (k) =
Hp
X
i=Hw
58
||
y(k + i) yr (k + i)||2Q(i) +
HX
u 1
i=0
||
u(k + i)||2R(i)
(3.69)
y matricialmente como
2
V (k) = ||Y(k)
T (k)||2Q + ||U(k)||
R
(3.70)
donde Y(k)
y U(k)
tienen la forma de las ecs. 3.68. Los restantes componentes de la
expresi
on anterior estan definidos como
yr (k + Hw )
..
T (k) =
.
yr (k + Hp )
Q=
R=
Q(Hw )
0
0
Q(Hw + 1)
..
..
..
.
.
.
0
0
R(0)
0
0
R(1)
..
..
..
.
.
.
0
0
0
0
..
.
0
0
..
.
(3.71)
Q(Hp )
R(Hu 1)
con
Q(i) =
q1 (i)
0
0
q2 (i)
..
..
..
.
.
.
0
0
0
0
..
.
R(j) =
qp (i)
r1 (j)
0
0
r2 (j)
..
..
..
.
.
.
0
0
0
0
..
.
(3.72)
rl (j)
como las matrices de peso para el error de prediccion y los movimientos de la se

nal de control
en el instante i y j respectivamente, siendo Hw i Hp y 1 j Hu , con p el n
umero de
salidas controladas y l el n
umero de variables manipuladas (Maciejowski (2002)).
Recordando las predicciones dadas por el modelo en la ec. 3.67 podemos expresar el error
de predicci
on sobre el horizonte como:
Y(k)
T (k) =
x(k) + u(k 1) + U(k)
T (k) + (k)
= U(k)
E(k)
(3.73)
donde E(k) = T (k)

x(k) u(k 1) (k).
Resultando el funcional de la ec. 3.69
2
V (k) = ||U(k)
E(k)||2Q + ||U(k)||
R

T
T T
T T Q + R U(k)
= E(k) QE(k) 2U(k) QE(k) + U(k)

T G + U(k)
T HU(k)
= E(k)T QE(k) U(k)
(3.74)
donde
G = 2T QE(k),
H = T Q + R
(3.75)
Considerando el caso de trabajar sin restricciones podemos encontrar una expresion analtica
para el
optimo U(k).
Computando entonces el gradiente de la funcion costo respecto de
U(k) e igualando a cero, obtenemos que
U(k)
V (k) = G + 2HU(k)
(3.76)
59
Figura 3.14: Estructura de control predictivo con modelo en espacio de estados

y de esta forma podemos obtener la trayectoria optima de control para este instante temporal,
dada por
1
(3.77)
U(k)
= H1 G
2
Recordar que s
olo utilizaremos parte de esta solucion correspondiente al primer elemento
de esta secuencia en relaci
on directa con la filosofa de horizonte deslizante o movil. De esta
opt , es
forma, si tenemos l se
nales de control s
olo utilizaremos las primeras l filas de U(k)
decir
u(k) = [I, 0, . . . , 0 ]U(k)

(3.78)
| {z }
(Hu 1)veces
donde I es la matriz identidad de dimension l l y 0 es la matriz cero de dimension l l.

En realidad la Ec. 3.77 se resuelve en sentido de media cuadratica utilizando la pseudo
inversa de la forma
1 T 1 T
U(k)
=
H H
H G
(3.79)
2
resultando entonces la se
nal de control
optima a aplicar a la planta como
1 T 1 T
H H
H G
2

1 T T
= [I, 0, . . . , 0] HT H
H QE(k)
u(k) = [I, 0, . . . , 0]
(3.80)
= KM P C E(k)
donde

1 T T
KM P C = [I, 0, . . . , 0] HT H
H Q
(3.81)
y E(k) = T (k)
x(k)u(k 1). Resultando entonces en el diagrama en bloques mostrado
en la Fig. 3.14.
En Maciejowski (2002) se puede encontrar una excelente recopilacion teorica y aplicaciones
de control predictivo basado en modelos de estados lineales. En Patwardhan et al. (2006) se
proponen nuevas estrategias de modelado en EE y control predictivo multivariable aplicado a
CTF.
60
3.7. Control adaptivo predictivo (CAP)
Figura 3.15: Estructura de un CPM con restricciones
3.6.4.
Efecto de las restricciones
Recordando el formato de las restricciones dada en la ec. 3.50

E [4
u(k), . . . , 4
u(k + Hu 1), 1]T [0, . . . , 0]T
F [
u(k), . . . , u
(k + Hu 1), 1]T [0, . . . , 0]T
G [
y (k + Hw ), . . . , y(k + Hp ), 1]T [0, . . . , 0]T
(3.82)
y el funcional de la ec. 3.58 (o la ec. 3.73) vemos que la estructura del problema a resolver
ahora resulta

1 T
T
(3.83)
mn + , sujeto a
2
que es un problema clasico de optimizacion conocido como Problema de Programacion Cuadratica
(PPC) y existen numerosos algoritmos disponibles para su resolucion. En este caso la estructura
general de control puede representarse como se muestra en la Figura 3.15.
3.7.
Control adaptivo predictivo (CAP)
Reescribiendo la expresi
on del modelo FIR de la seccion 3.6.2 como
+ (k)
y(k) = (k)T (k)
(3.84)
(k) = [u(k 1), . . . , u(k N )]T
(k)
= [
g (1, k), . . . , g(N, k)]T
(3.85)
donde
podemos aplicar una estrategia recursiva de IS como se muestra en la seccion 3.5.3 por ejemplo,
para contar con un modelo del proceso que se actualiza en cada instante de muestreo.
Retomando el caso de la seccion 3.6.2 donde se desarrollo un control predictivo basado
en modelo FIR simple entradasimple salida, podemos construir un CAP actualizando nuestro
modelo y las matrices del controlador, las cuales a su vez tambien dependen del modelo.
En este caso la estructura de control de la ec. 3.65 se modifica a

D (1, k)Kg (k) Hw R(z, k)
Yr (z) Y (z) Y (z)

U (z) =
z
(3.86)
D (z 1 , k)
R(1, k)
donde k hace referencia a la dependencia de las matrices del controlador con el modelo FIR
1 , k) = g(1, k)z 1 + g(2, k)z 2 + . . . + g(N, k)z N
G(z
(3.87)
61
3.8. Control con filtro robusto adaptivo predictivo (CFRAP)
Figura 3.16: Estructura de un CPM adaptivo

identificado en dicho instante temporal.
En esta area tambien existen numerosas publicaciones y trabajos. Un excelente tratamiento
de los aspectos de estabilidad, convergencia y robustez en CAP puede encontrarse en Sastry and
Bodson (1989). Por otro lado Kofahl (1992) y Jordan (1990) proponen nuevas estrategias de
CAP focalizados en monitorear las caractersticas de robustez y convergencia de los algoritmos.
Ademas, se presentan tanto aplicaciones academicas como experimentacion en laboratorio. Un
tratamiento de sistemas con retardo variable en el tiempo y CAP puede encontrarse en Gao
et al. (2005). Y versiones de CAP para procesos altamente no lineales se resumen en Luo et al.
(2005b).
3.8.
Control con filtro robusto adaptivo predictivo (CFRAP)
La idea basica en este tipo de controlador radica en modificar ligeramente la estrategia

mostrada en la secci
on 3.6.2 introduciendo una correccion adaptiva de la estimacion dada por
0 (z 1 ) estimado fuera de lnea.
el modelo FIR nominal G
Podemos considerar que el modelo FIR esta compuesto por un modelo nominal estable
0 (z 1 ) mas el efecto adaptivo G(z
1 , k) alrededor de dicho modelo, como se muestra en
G
la ec. 3.88,
1 , k) = G(z
1 , k) + G0 (z 1 ),
G(z
(3.88)
donde
1 , k) =
G(z
g (1, k)z 1 + +
g (N, k)z N
0 (z 1 ) = g0 (1)z 1 + + g0 (N )z N
G
(3.89)
donde los g0 (i) = [h(i) h(i 1)]/u(k), con h(k) la respuesta de la planta a una excitacion
0 (z 1 )) genera
del tipo escal
on en u(k) de magnitud u(k). Este modelo nominal estable (G
mediante la metodologa mostrada en la seccion 3.6.2 un controlador estable dado por D0 (z 1 ),
R0 (z).
Reescribiendo las predicciones de este modelo FIR como
y(k) =
N
X
i=1
62
g (i)u(k i) +
N
X
i=1
g0 (i)u(k i) + (k)
(3.90)
Figura 3.17: Estructura de un CFRAP

y considerando la estrategia de identificacion recursiva de la seccion 3.7 resulta que el filtro
puede actualizarse considerando
(k) = [u(k 1), . . . , u(k N )]T
(k)
= [
g (1, k), . . . ,
g (N, k)]T
(3.91)
como regresor en las entradas y vector de parametros respectivamente. Como se puede observar
de la ecs. 3.91 y 3.85 las estrategias CFRAP y CPA presentan en com
un el mismo regresor,
facilitando y promoviendo una futura interconexion.
En este caso la compensaci
on estatica resulta de
Kg (k) =
1
k) + G
0 (1)
G(1,
(3.92)
En Jordan (1990); Jordan et al. (2006) y Zumoffen et al. (2006, 2007) se presentan
aplicaciones de CAP y CFRAP basados en modelos FIR y aplicaciones tanto academicas como
experimentales.
63
64
CAPTULO
Aplicaciones de CAP como CTF

activo
En esta secci
on se resumen las estrategias de aplicacion del CAP y CFRAP visto en captulos previos como una metodologa directa de CTF activo. Inicialmente se presenta un marco
de referencia respecto de los tipos de fallas tratadas en esta tesis as como su representaci
on.
Basicamente, las estrategias recorren un camino incremental en complejidad resolviendo problemas concretos que se presentan en procesos industriales. Los casos de aplicacion de estas
estrategias parten de un caso academico simple hasta llegar a un reactor qumico con camisa.
De forma incremental las metodologas CAP y CFRAP son integradas para contar con ambos
beneficios bajo una estructura denominada CAPFRA, para posteriormente ser complementadas con un sistema de detecci
on y estimacion de fallas (SDEF). El SDEF propuesto como
soporte del CAPFRA esta dise
nado mediante herramientas de identificacion de sistemas y de
procesamiento de la informaci
on como la transformada wavelet discreta. Los eventos anormales
propuestos aqu estan definidos como modificaciones del proceso en s mismo como cambios en
la ganancia, dinamica y retardo temporal entre entrada/salida, y por fallas de los elementos del
proceso tales como sensores y actuadores. Este captulo resume una alternativa de aplicaci
on
en lazos simples de control de CAP integrado al CTF activo, generando la base de trabajo de
posteriores desarrollos en el area de SDEF integradas al CTF en procesos multivariables.
4.1.
Clasificaci
on de las fallas
Las fallas son eventos que pueden ocurrir en diferentes partes del proceso controlado. Los
elementos mas importantes involucrados en todo lazo de control son los sensores y actuadores.
En esta tesis en general se consideraran los siguientes posibles eventos: fallas en sensores, fallas
en actuadores, perturbaciones y cambios de puntos operativos. En particular se definiran las
fallas como:
Fallas en actuadores: pueden representar una perdida parcial o total de las acciones de control. Un ejemplo de perdida total de acciones de control es un bloqueo del actuador. Este
tipo de falla puede ocurrir por problemas de cableado o por problemas mecanicos. Las
fallas del tipo parciales, degradan las acciones de control, como su nombre lo indica en
forma parcial, dependiendo de la magnitud de dicha falla pueden resultar en incorrectas
acciones de control hasta la perdida total de estabilidad del lazo. Pueden incluir errores
en regimen (offset), retardos de accion (delay) o efectos no lineales (histeresis). En gen65

on No 1: Caso acad
emico
eral estas fallas se deben a perdidas hidraulicas o neumaticas o a problemas mecanicos.

Incrementar la redundancia de hardware duplicando los actuadores para mejorar las condiciones de tolerancia a fallos puede resultar en costos extremadamente altos.
Falla en sensores: este tipo de fallas corresponden a errores de lectura de las variables del
proceso. En este caso tambien se pueden dividir las fallas como parciales y totales.
Las fallas en sensores del tipo total producen informacion que no esta relacionada con
las variables fsicas, y en general son debidas a problemas de cableado, perdidas de
contacto, etc. Para el caso de fallas parciales , las lecturas del sensor son influenciadas
por una reducci
on de ganancia, errores (offset), retardos (delay) o ruido. Incrementar la
redundancia duplicando o triplicando sensores no resulta en un dise
no economicamente
eficiente.
A lo largo de esta tesis se propone analizar y compensar los efectos producidos por fallas
en sensores del tipo parcial y en actuadores del tipo total y parcial. Los sensores se consideran
sujetos a ruido de medici
on y/o a posibles offset (error de medicion constante) abruptos como
fallas habituales. Es decir, siendo y(t) la variable real del proceso que se quiere medir e ym (t)
su medicion, una falla que ocurre en un instante temporal Tf en el sensor puede representarse
como:

y(t) + r(t)
, si t < Tf
(4.1)
ym (t) =
y(t) + r(t) + of f , si t Tf
siendo of f el error constante introducido por el sensor y r(t) el ruido de medicion.
Para los actuadores se considera como posibles fallas su bloqueo y eventos parciales como
adicion de retardo en las acciones de control. Es decir, si u(t) es la accion efectiva de control
entregada por el actuador al proceso y uc (t) la correspondiente se
nal entregada por el algoritmo
de control, una falla del tipo parcial, en este caso retardo extra en el lazo de control, en un
instante Tf puede representarse como:

uc (t)
, si t < Tf
(4.2)
u(t) =
uc (t td ) , si t Tf
es decir, la se
nal entregada a la planta es una version retrasada de la obtenida por el controlador,
siendo td el retardo involucrado. En el caso de fallas totales en actuadores, como un bloqueo,
simplemente la se
nal de control entregada al proceso de repente toma un valor constante, u0 .
Las fallas propuestas aqu siempre seran analizadas bajo influencia de los lazos de control, ya
sea decentralizado como multivariable. Ademas, estos eventos anormales han sido recopilados
de informacion existente otorgada por diferentes tipos de industrias al consorcio ASM y la
cancillera de la industria qumica europea (CEFIC).
4.2.
Caso de aplicaci
on No 1: Caso acad
emico
Con el fin de poder visualizar concretamente el efecto producido por las fallas en un lazo
de control y familiarizarse con algunos conceptos, se presenta un proceso lineal definido por la
funcion de transferencia en el dominio transformado de Laplace de la ec. 4.3.
G(s) =
(1 + 2s)
(1 + 10s)(1 + 7s)(1 + 3s)
(4.3)
Se pretende entonces desarrollar inicialmente un controlador predictivo basado en modelo FIR

como se muestra en la secci
on 3.6.2. Para ello, se excita la planta con una entrada del tipo
escalon de magnitud u y se observa la respuesta del sistema denominada con h(k) a instantes
66

on No 1: Caso acad
emico
(a) Respuesta al escal

on
(b) Modelo FIR
Figura 4.1: Respuesta del proceso y FIR estimado

Tabla 4.1: Parametros del controlador predictivo
Ts
(seg.)
Hw
(mues.)
Hp
(mues.)
Hu
(mues.)
20
0.4
0.05
regulares denominados instantes de muestreo Ts = 4 segundos, como se observa en la Fig.

4.1(a).
El modelo FIR nominal, G0 (z 1 ) = g0 (1)z 1 + g0 (2)z 2 + . . . + g0 (N )z N , de la Fig.
4.1(b) puede estimarse de forma aproximada de la respuesta al escalon h(k) experimental
mediante [g0 (1), g0 (2), . . . , g0 (N )] = [h(2) h(1), . . . , h(N + 1) h(N )]/u, donde N es el
orden seleccionado del modelo (Jordan et al. (2006); Zumoffen et al. (2006)).
Resolviendo el funcional de la Ec. 3.49 del captulo anterior se obtiene la ley de control
de la Ec. 3.65 en el dominio de la transformada Z y el diagrama de bloques de la Fig. 3.13.
Los parametros del controlador predictivo se resumen en la Tabla 4.1, siendo Ts el tiempo
de muestreo medido en segundos, Nw y Np el inicio y final del horizonte de prediccion del
modelo medidos en cantidad de muestras, Nu el horizonte de control, N el orden del modelo
FIR, i los coeficientes de peso para el error planta-modelo, con i = Hw , . . . , Hp , y finalmente
j los coeficientes de peso para la magnitud de la se
nal de control, con j = 1, ldots, Hu . El
parametro r define el coeficiente de suavizado del filtro pasa bajos que se aplica sobre la se
nal
de referencia w(k) resultando en yr (k) = r yr (k 1) + (1 r )w(k).
En la Fig. 4.2 se muestra el comportamiento de la planta de la ec. 4.3 controlada mediante
un control predictivo fijo cuyos parametros se definen en la Tabla 4.1. En la Fig. 4.2(a) se
puede observar la evoluci
on temporal de la variable controlada (VC) siguiendo las variaciones
de la trayectoria de referencia. En este caso se supone que no existen fallas afectando a la
planta. Por otro lado, en la Fig. 4.2(b) se presenta la evolucion de la variable manipulada
(VM), se
nal de control.
A continuaci
on se presentara el efecto que tienen las fallas definidas en las ecs. 4.1 y 4.2
sobre el proceso controlado visto anteriormente.
67

on No 1: Caso acad
emico
(a) Salida
(b) Entrada
Figura 4.2: Comportamiento a lazo cerrado
(a) VC
(b) Ampliaci
on
Figura 4.3: Variable controlada con diferentes valores del retardo

Inicialmente propondremos que el actuador que tiene su efecto sobre la planta no es ideal
y que debido a un mal funcionamiento mecanico introduce un retardo extra en el lazo de
control. Siendo, Tf = 300 seg. el instante en que aparece la falla y td = 4, 8, 12 seg. tres
valores diferentes del retardo introducido. En la Fig. 4.3 se presenta la evolucion temporal de
la VC cuando el retardo introducido por la valvula toma los valores definidos anteriormente en
un instante temporal td . Se puede observar de la Fig. 4.3(a) como claramente el lazo de control
se torna cada vez mas oscilante (inestable) a medida que el retardo aumenta, decreciendo a su
vez el rendimiento en cuanto al seguimiento de la trayectoria de referencia. En la Fig. 4.3(b)
se presenta una ampliaci
on de una zona particular para poder apreciar con mas detalles las
diferencias en las evoluciones de la VC. Por otro lado, en la Fig. 4.4 se puede observar la
evolucion temporal de la VM para los tres valores de retardo extra en el lazo (4, 8, 12 seg.) en
68

on No 1: Caso acad
emico
(a) VM, td = 4 seg.
(b) VM, td = 8 seg.
(c) VM, td = 12 seg.
Figura 4.4: Variable manipulada con diferentes valores del retardo

comparaci
on con el caso en que el actuador es ideal (libre de retardo). Claramente de las Figs.
4.4(a,b,c), muestran la tendencia a la inestabilidad cuando el retardo aumenta, ocasionando
acciones de control inadmisibles.
Por otro lado, tambien se analiza el efecto de las fallas en sensores definidas en la ec. 4.1
cuando se encuentran en lazos de control. En este caso se supone que el sensor que mide la
variable de salida no es ideal y esta sujeto a posibles errores del tipo bias de valor fijo of f y
que no existe ruido de medici
on r(t) = 0, siendo nuevamente Tf el instante en que ocurre la
falla.
En la Fig. 4.5 se resumen la simulaciones realizadas para dos valores diferentes de offset
en el sensor. Por un lado, en las Figs. 4.5(a) y 4.5(b) la falla posee una magnitud positiva
de of f = 1, y aparece en un instante temporal de Tf = 300 seg. Mientras que en las Figs.
4.5(c) y 4.5(d) la falla posee una magnitud negativa de of f = 1, y aparece en el mismo
instante temporal. En ambos casos se puede observar que la VC, que es la variable medida
(observada), ym (t), parece operar normalmente luego de un peque
no transitorio ocasionado
69

on No 1: Caso acad
emico
(a) VC, of f = 1
(b) VM, of f = 1
(c) VC, of f = 1
(d) VM, of f = 1
Figura 4.5: Evoluci

on a lazo cerrado y fallas en el sensor
por la aparici
on de la falla. En realidad ese supuesto buen funcionamiento no es tan cierto,
si se observa la variable real del proceso y(t) que se esta intentando controlar en realidad se
encuentra desplazada hacia otro punto operativo (Figs. 4.5(a) y 4.5(c)). Es decir, el lazo de
control act
ua de forma tal de rechazar la falla aditiva en el sensor como si se tratara de una
perturbacion de salida. Para llevar esto a cabo la VM debe modificarse de forma proporcional
(Figs. 4.5(b) y 4.5(d)) al valor de dicho evento (respecto de la condicion normal de operacion)
y como resultado el proceso se ve desplazado hacia un nuevo punto de trabajo.
Como se observa de las simulaciones anteriores (Figs. 4.3, 4.4 y 4.5), las estrategias de
control clasicas no pueden solucionar el problema de eventuales fallas en los elementos del
proceso. No poseen los medios necesarios para detectar ni compensar sus efectos. En estos
casos particulares de fallas en sensores y actuadores, se puede apreciar como un retardo extra en el lazo de control puede traer aparejado problemas importantes en la estabilidad del
proceso y en consecuencia poner en riesgo, la integridad de equipos, humanos, medio ambiente, rendimiento, etc.. Estos retardos extras introducidos pueden ser variables en el tiempo,
70

on No 1: Caso acad
emico
pudiendo tomar cualquier valor dentro de un rango determinado, lo que dificulta a

un mas su
posible detecci
on y compensaci
on. Por otro lado, las fallas en sensores vistas anteriormente,
producen el desplazamiento de la planta hacia un nuevo punto operativo, generando problemas
de rendimiento en la producci
on y dependiendo de la magnitud de la falla podra ocasionar la
saturaci
on de la VM y poner en riesgo la controlabilidad del lazo.
Dise
nar sistemas de control avanzados y supervisores que tengan en cuenta estos y otros
factores posibles resulta de crucial importancia. Poder compensar el efecto de potenciales fallas
en elementos del proceso tan rapido como sea posible resulta de sumo interes si se pretende
garantizar calidad en la producci
on, integridad de equipos y personal y mantener las condiciones
ambientales. Todo esto resulta en una complejidad creciente si pensamos en grandes procesos
qumicos donde existe una cantidad considerable de lazos de control, unidades de proceso,
realimentaciones, etc.
4.2.1.
Control adaptivo predictivo
El primer paso l
ogico para tratar de dar solucion al problema planteado en la seccion anterior, es pensar en alg
un tipo de sistema que pueda incorporar informacion de las modificaciones
sufridas por el proceso durante su operacion. Todas las miradas recaen sobre el popular control adaptivo. En esta secci
on se presentara una estrategia de control predictivo adaptivo para
tratar de dar soluci
on a los problemas planteados con fallas en sensores y actuadores.
Retomando las ideas y conceptos desarrollados en las secciones 3.6 y 3.7, y considerando
el modelo FIR de la planta de la ec. 4.3, podemos reescribir las predicciones de dicho modelo
en un instante k como:
y(k) =
N
X
g(j) [u(k j) u00 ] + y00 + (k)
j=1+d
N
X
(4.4)
g(j)u(k j) + ppo
+ (k)
j=1+d
donde g(j) son estimaciones de los coeficientes del modelo FIR de la planta, u(k) es la se
nal
de control real aplicada al proceso, y(k) la prediccion de modelo,
(k)
=
y(k)
(k)
el
error
P
(j)u00 es el denominado
planta-modelo (estimaci
on de perturbacion), ppo
= y00 N
j=d+1 g
parametro de punto operativo (ppo), que tiene en cuenta el punto de operacion [y00 , u00 ], y d
es el tiempo muerto estimado fuera de lnea del proceso.
La ec. 4.4 puede escribirse de la forma
y(k) = au (k)T au (k) + (k)
(4.5)
au (k) = [u(k 1), . . . , u(k N ), 1]T

au (k) = [
g (1, k), . . . , g(N, k), ppo]
T
(4.6)
donde
son las versiones aumentadas del regresor y el vector de parametros de las mostradas en la
seccion 3.7 para considerar ahora el parametro de punto operativo ppo.
Recordando ahora la estima de mnimos cuadrados con factor de olvido dada por la ec.
a.2 y la expresi
on de la matrix de covarianza de los datos de la ec. a.3, del apendice A, se
puede representar dicha matriz como una factorizacion del tipo PN = U D UT , denominada
factorizaci
on UD (ver apendice D). De esta forma, se evitan problemas con matrices mal
condicionadas dando mayor robustez al algoritmo. La actualizacion recursiva de la matriz
71

on No 1: Caso acad
emico
de covarianza se realiza mediante la actualizacion recursiva de su factorizacion, una version

resumida del algoritmo de factorizaci
on UD aplicado a mnimos cuadrados resulta
h
i
au (k) = au (k 1) + U (k)D (k)U (k)T au (k) y(k) au (k)T au (k 1)
(4.7)
U (k) = fU (U (k 1), au (k), )

D (k) = fD (D (k 1), au (k), )
Es conocido que los algoritmos de estimacion recursiva sufren algunas dificultades cuando
el regresor no es una excitaci
on lo suficientemente persistente. Con la finalidad de evitar
actualizaciones indeseadas de la estima de parametros en momentos donde esta persistencia se
ha perdido, Kofahl (1992) y Jordan (1990) desarrollan y aplican ndices de monitoreo para la
excitacion. De esta forma el indicador zn (k) definido en la ec. 4.8 y su version filtrada, s1 (k)
de la ec. 4.9 conformaran la ley de conmutacion de la ec. 4.10, que permitira actualizar la
estima y redise
nar el controlador.
zn (k) =
+ T (k)U (k 1)D (k 1)U (k 1)T (k)
(4.8)
donde 0 zn (k) 1, indicando que un sistema esta suficientemente excitado cuando este
ndice esta cercano a 0 y pobremente excitado cuando se encuentra cercano a 1. Su version
filtrada viene dada por
(
, si s1 (k 1) 0,8zn (k)
0,7s1 (k 1) + 0,3zn2 (k)
s1 (k) =
(4.9)
2
0,99s1 (k 1) + 0,01zn (k) , en otro caso.
de esta forma se habilitara la actualizacion de la estima de parametros y el redise
no del
controlador cuando
zn (k) < s1 (k)
(4.10)
ademas el redise
no del controlador permanecera en ese estado de actualizacion durante N
instantes de muestreo, donde N es el orden del modelo FIR. As, las matrices que definen el
controlador predictivo (ver secciones 3.6 y 3.7) se actualizaran correctamente acorde al nuevo
modelo del proceso identificado.
Inicialmente en la Fig. 4.6 se observa la evolucion temporal de la variable controlada (Fig.
4.6(a)) y su respectiva variable manipulada (Fig. 4.6(b)) cuando una falla en el actuador
ocurre en el instante Tf = 300 seg. de una magnitud de td = 12 seg.. En la Fig. 4.6(a) se
pueden apreciar dos comportamientos utilizando CAP, en una primera instancia el algoritmo
de estimacion recursiva actualiza el modelo FIR y las matrices del controlador manteniendo
fijo el inicio del horizonte de predicci
on, Hw . De esta forma se logra la estabilizacion del lazo
de control si comparamos esta figura con la Fig. 4.3. Una forma de mejorar el rendimiento
de dicho lazo de control cuando existen tiempos muertos es incluir esta informacion en el
algoritmo de control, mediante la actualizacion de Hw . Esto modifica las dimensiones de las
matrices del controlador, de forma tal que solo se consideran las predicciones en el intervalo
[Hw (k), Hp (k)], donde d(k)

es el tiempo muerto estimado utilizando las actualizaciones del
modelo FIR y esta definido como se muestra en la ec. 4.11.
= m
d(k)
ax (i : g(i, k) < ) ,
con
i = 1, . . . , N
(4.11)
donde es un valor de umbral. El inicio del horizonte de prediccion puede actualizarse como
+ 1, as las predicciones se eval
Hw (k) = d(k)
uan sin considerar las d(k)
muestras en el
funcional de la ec. 3.49 y se evita generar excesivas magnitudes en las acciones de control. La
incorporacion de esta estrategia de actualizacion y estimacion del retardo puede observarse en
72

on No 1: Caso acad
emico
(a) VC
(b) VM
Figura 4.6: CAP ante falla en el actuador
(a) Coeficientes, g(1, k), g(2, k), g(3, k) y g(6, k)
0 (z 1 ) y G(z
1 , k)
(b) Modelo FIR, G
Figura 4.7: Actualizacion del modelo FIR

la Fig. 4.6, claramente se detecta una mejora en el rendimiento de seguimiento de la trayectoria
de referencia.
En la Fig. 4.7(a) se puede apreciar la evolucion temporal de algunos de los coeficientes
estimados en forma recursiva del modelo FIR, en este caso particular, g(1, k), g(2, k), g(3, k)
y g(6, k). Se observa claramente como los primeros tres coeficientes se adaptan tomando un
valor pr
oximo a cero y por consiguiente indicando el retardo presente en el lazo, d = 3 muestras
y como el tiempo de muestreo se ha seleccionado en Ts = 4 seg., efectivamente el retardo
identificado representa los 12 segundos de tiempo muerto introducido por el actuador. Esto
puede apreciarse tambien en la Fig. 4.7(b), donde se compara el modelo FIR original (antes
de la falla) y el modelo FIR adaptado en el instante t = 653 seg..
En la Fig. 4.8(a) se pueden observar los indicadores de persistencia a la excitacion definidos
73

on No 1: Caso acad
emico
(a) Indicadores, zn (k) y s1 (k)
(b) Actualizaci
on/reconfiguraci
on
(c) Kg (k), Hw (k) y ppo(k)
Figura 4.8: Indicadores y parametros del CAP ante falla en el actuador

Tabla 4.2: Parametros del CAP
Ts
(seg.)
Hw0
(mues.)
Hp (k)
(mues.)
Hu
(mues.)
Hw (k) + 2
20
0.4
0.05
0.9
0.04
en la ecs. 4.8 y 4.9. La ley de actualizaci

on del modelo y de redise
no del controlador en la Fig.
4.8(b), y tres parametros de importancia como son la actualizacion del inicio del horizonte de
prediccion Hw (k), la compensaci
on estatica del lazo de control Kg (k) que otorga error estatico
nulo y finalmente el parametro de punto operativo ppo(k)
que brinda informacion respecto de

las modificaciones en el punto de trabajo.
La Tabla 4.2 resume el ajuste de los parametros mas importantes del CAP. Los valores
de inicializaci
on (k = 0) del horizonte de prediccion se encuentran definidos por [Hw0 , Hp0 ].
74

on No 1: Caso acad
emico
(a) VC
(b) VM
Figura 4.9: CAP ante falla en el sensor

Tambien podemos encontrar el tiempo de muestreo Ts , el horizonte de control Hu , el coeficiente
de suavizado de la trayectoria de referencia r , los coeficientes de peso en las energas de
error de predicci
on y se
nal de control, i y j respectivamente, con i = Hw (k), . . . , Hp (k) y
j = 1, . . . , Hu , el factor de olvido y el parametro de umbral .
Antes de abordar el problema de offset en el sensor, como vimos anteriormente, es necesario
recordar algunas expresiones. Inicialmente retomando la solucion del problema de minimizaci
on
sin restricciones como fue presentado en la seccion 3.6 para el caso FIR, se tena que el
movimiento actual de la se
nal de control era
u
(k) = [1, 0, . . . , 0]
u(k) = R(k) [yr (k) (k)] D(k)(k)
(4.12)
recordando ahora que la estimacion de la perturbacion estaba definida como la diferencia

planta-modelo, (k) = y(k) y(k) y la definicion del modelo FIR de la ecs. 4.5 y 4.6, se puede
escribir que

T
(k)au (k) D(k)(k)
u
(k) = R(k) yr (k) [1, . . . , 1]T y(k) au

= R(k) yr (k) [1, . . . , 1]T y(k) T (k)(k) ppo(k)
D(k)(k)

= R(k) yr (k) + [1, . . . , 1]T ppo(k)
[1, . . . , 1]T y(k) T (k)(k) D(k)(k)

(4.13)
Como se observ
o en las Figs. 4.5 una falla en sensor del tipo offset abrupto produce que
el lazo de control la identifique como una perturbacion de salida y trate de rechazarla, a su
vez este comportamiento produce efectivamente que la variable real del proceso que se quiere
controlar se desplace hacia otro punto operativo. Como vemos de la u
ltima ecuacion en 4.13
el CAP en este caso permite incorporar esta informacion del desplazamiento va el parametro
de punto operativo ppo(k).
El efecto producido por dicha modificacion es semejante a la

de modificar la trayectoria de referencia en forma proporcional yr (k) + [1, . . . , 1]T ppo(k)
y
utilizar como modelo FIR la version no aumentada para computar el error planta modelo
[1, . . . , 1]T y(k) T (k)(k) .
En la Fig. 4.9 se puede observar el comportamiento de la variable controlada (Fig. 4.9(a))
y manipulada (Fig. 4.9(b)) cuando una falla en el sensor de valor of f = 1 aparece en forma
75

on No 1: Caso acad
emico
(a) Indicadores, zn (k) y s1 (k)
(b) Actualizaci
on/reconfiguraci
on
(c) Kg (k), Hw (k) y ppo(k)
Figura 4.10: Indicadores y parametros del CAP ante falla en el sensor

abrupta a los Tf = 300 seg.. Las modificaciones anteriores en el algoritmo de CAP muestran
como la variable real del proceso y(k) se mantiene entorno a su trayectoria de referencia original
(a diferencia de la versi
on mostrada en las Figs. 4.5(a) y 4.5(b)). La inclusion de la estimacion
del parametro de punto operativo proporciona un efecto de actualizacion de la poltica de
referencia por medio de yr (k) + [1, . . . , 1]T ppo(k),
generando que la variable medida ym (k)

siga esta nueva trayectoria y compense el error ocasionado por el sensor.
La Fig. 4.10 resume la evoluci
on de los parametros mas importantes del CAP en este caso.
Se puede observar el comportamiento de los indicadores de persistencia a la excitacion zn (k)
y s1 (k) de la Fig. 4.10(a) que generan oportunamente las se
nales de actualizacion del modelo
FIR y del controlador (Fig. 4.10(b)). En la Fig. 4.10(c) se puede apreciar la actualizacion del
inicio del horizonte de predicci
on Hw (k), el cual permanece entorno a 1 muestra ya que no
existen modificaciones en el tiempo muerto del lazo. Por otro lado, claramente se observa como
el parametro ppo(k)
converge hacia el nuevo punto operativo generado por la falla en el sensor,

partiendo de su valor cero para el caso sin fallas. A su vez, la compensacion estatica Kg (k)
76

on No 1: Caso acad
emico
Tabla 4.3: Parametros del CFRAP

Ts
(seg.)
Hw0
(mues.)
Hp (k)
(mues.)
Hu
(mues.)
Hw (k) + 2
20
0.01
0.9
0.04
permanece entorno a su valor original de 1 ya que no existen modificaciones en la ganancia.
4.2.2.
Modificaciones en el proceso (CAP, CFRAP y CAPFRA)
Los resultados mostrados anteriormente corresponden a los casos de un mal funcionamiento en los elementos del proceso tales como sensores y actuadores. En esta seccion se trata
de comprobar el funcionamiento de algunos algoritmos de control avanzado sujetos a modificaciones propias del proceso. Considerando que la planta puede evolucionar y modificar su
comportamiento se proponen los cambios de la ec. 4.14.
(1+2s)
(1+10s)(1+7s)(1+3s) , si t < tf 1 ;
(1+2s)e16s
(1+10s)(1+7s)(1+3s)
, si t tf 1 ;
G(s) =
(4.14)
(1+2s)e16s 1,5
,
si
t
t
;
f2
(1+10s)(1+7s)(1+3s)
(15s)e16s 1,5
, si t t .
(1+10s)(1+7s)(1+3s)
f3
Se pueden identificar 3 modificaciones sucesivas del proceso. Para t < tf 1 = 160 seg. la
planta se encuentra bajo funcionamiento normal y en este estado se realiza el dise
no de los
controladores respectivos. Para t tf 1 seg., la planta presenta un tiempo muerto extra de 16
seg., a su vez en el intervalo t tf 2 = 420 seg. su ganancia se ha modificado por un factor de
1.5 y finalmente para t tf 3 = 700 seg. el proceso presenta una modificacion en su dinamica
cambiando un cero de mnima fase (-1/2) por uno de no mnima fase (1/5).
En primer termino se analizara el comportamiento del CAP. En la Fig. 4.11 se muestran las
evoluciones de los parametros mas representativos en este caso. Por un lado, se puede observar
como el algoritmo tiende a inestabilizarse en la Fig. 4.11(a) provocando la saturacion de la
variable manipulada (Fig. 4.11(b)). A su vez, en la Fig. 4.11(c) puede apreciarse el modelo FIR
resultante de la identificaci
on recursiva, claramente pueden distinguirse las cuatro muestras de
retardo (Ts = 4 seg.) y la respuesta inversa debido al cero de no mnima fase. En la Fig. 4.11(d)
se observa la actualizaci
on del inicio del horizonte de prediccion acorde al retardo identificado
y la evoluci
on de la ganancia estatica de compensacion Kg (k) que ahora se ha modificado
para alcanzar el valor 0,6667 = 1/1,5.
En la secci
on 3.8 se present
o la estrategia de control mediante filtro robusto adaptivo
predictivo (CFRAP), como una alternativa a el CAP y como una peque
na modificacion de
este. Como se vi
o oportunamente el CFRAP se basa en utilizar un modelo FIR nominal fijo,
mediante el cual se dise
na un controlador predictivo fijo. Esencialmente las actualizaciones del
modelo vienen dadas por la ec. 3.88. A continuacion se presentaran los resultados de aplicar
CFRAP a este caso particular.
Como se puede apreciar de la Fig. 4.12 la estrategia de CFRAP resulta ser mas estable que
la CAP. En Jordan (1990) y Jordan et al. (2006) se han analizado en detalle las cuestiones
relacionadas con la estabilidad de los algoritmos. Basicamente, la actualizacion progresiva
77

on No 1: Caso acad
emico
(a) VC
(b) VM
1 , k)
(c) Modelo FIR, G(z
(d) Hw (k), Kg (k)
Figura 4.11: Cambios en el proceso, CAP

del modelo en torno a uno nominal y el dise
no del controlador predictivo fijo estable inicial,
otorgan condiciones mas favorables de operacion. En las Figs. 4.12(a) y 4.12(b) se puede
observar la VC y la correspondiente VM, las modificaciones en la planta introducen efectos
transitorios pero de ninguna manera tienden a inestabilizar el sistema ni provocan saturacion
en la variable de control. En la Fig. 4.12(c) se muestra la actualizacion del modelo FIR en
este caso realizada seg
un la ley de la ec. 3.88 y el algoritmo de estimacion recursiva basado
en factorizaci
on UD, pudiendose observar efectivamente las cuatro muestras de retardo (16
seg.) y la respuesta inversa del cero no mnima fase. En la Fig. 4.12(d) se puede observar dos
parametros fundamentales en este algoritmo de control, por un lado la actualizacion del inicio
del horizonte de predicci
on Hw (k), acorde al retardo identificado seg
un la ley de la ec. 4.11
y en segundo termino la estimaci
on de la compensacion estatica Kg (k), que efectivamente
alcanza el valor 0,6667 = 1/1,5. Los parametros del controlador, para este caso, se encuentran
resumidos en la Tabla 4.3.
Comparando las Figs. 4.11(a) y 4.12(a) se observa que el algoritmo de CFRAP posee
78

on No 1: Caso acad
emico
(a) VC
(b) VM
1 , k)
(c) Modelo FIR, G(z
(d) Hw (k), Kg (k)
Figura 4.12: Cambios en el proceso, CFRAP

mayores propiedades de robustez respecto del CAP. A su vez, luego que las modificaciones
del proceso ocurrieron el CAP presenta mejores caractersticas de rendimiento respecto del
seguimiento de la trayectoria de referencia que el CFRAP. Para poder ver mas claramente
esto, se propuso simular un tiempo total de 2000 seg. y analizar el error de seguimiento para
los dos algoritmos utilizando la integral del valor absoluto del error definido como se observa
en la ec. 4.15.
Z
IAE =
|yr (t) ym (t)|dt
(4.15)
T
donde T es el perodo temporal considerado, yr (t) la trayectoria de referencia, e ym (t) la salida

medida del proceso que se quiere controlar. Se analizo un perodo temporal inmediatamente
posterior a la ocurrencia de los cambios del proceso de T = 1000 seg.. Para el caso de CAP
present
o un IAE = 166,5 comparado con un IAE = 186,5 para el caso de CFRAP. Indicando
que, a pesar de que el CAP es menos robusto en caso de modificaciones abruptas del proceso,
posee mejor rendimiento en el seguimiento de la referencia. Esto es debido a que el CAP se
79

on No 1: Caso acad
emico
Figura 4.13: Estructura del CAPFRA

adapta mucho mas rapido y mejor, en condiciones normales de operacion, que el CFRAP. El
CFRAP posee mayor robustez frente a cambios bruscos.
Control adaptivo predictivo con filtro robusto adaptivo (CAPFRA)
La idea de poder tener ambas caractersticas en un solo algoritmo de control resulta indispensable. Buena robustez a cambios del proceso e incertidumbres otorgadas por el CFRAP y
buen rendimiento de seguimiento de la trayectoria de referencia y rapida convergencia del CAP
en condiciones normales de operaci
on. De esta forma resulta el algoritmo de control predictivo adaptivo con filtro robusto adaptivo (CAPFRA) (Jordan (1990); Zumoffen et al. (2006);
Jordan et al. (2006); Zumoffen et al. (2007)), el cual se basa en los algoritmos de control
presentados en las secciones 3.6.2, 3.7 y 3.8 mas un sistema de sincronizacion.
La estructura del controlador puede observarse en la Fig. 4.13. El bloque de identificacion
recursiva esta basado en factorizaci
on UD y otorga informacion respecto de las actualiza 1 , k), as como tambien los indicadores de persistencia
ciones del modelo necesarias G(z
de la excitaci
on del regresor zn (k) y s1 (k). Dicha informacion es analizada por el bloque
de sincronizaci
on/actualizaci
on para decidir sobre que algoritmo de control aplicar y si los
controladores deben ser reconfigurados o no.
El bloque de sincronizaci
on/actualizacion es presentado en la Fig. 4.14 y muestra la estrategia de interconexi
on. En la inicializaci
on (k = 0) toma lugar la identificacion de la planta fuera
de lnea y el ajuste de los parametros y matrices de los CAP y CFRAP mediante dicho modelo.
La variable binaria modo define el algoritmo de control que se esta ejecutando, as cuando
modo = 0 indicara que esta siendo utilizado el algoritmo de CAP y cuando modo = 1 el
algoritmo de CFRAP. Inicialmente se define modo = 0. En cada iteracion la variable modo
es analizada, si modo = 0 entonces significa que en la iteracion anterior ha sido ejecutado el
CAP, de esta forma el analisis contin
ua con una evaluacion de la estabilidad del polinomio del
controlador D (z 1 , k). En este punto es necesario recordar el origen de dicho polinomio. Retomando la estructura del control predictivo basado en modelo FIR de la Fig. 3.13, y asumiendo
(k) = 0, podemos expresar:
U (z) =
80
D (1)Kg Yw (z)
i
1 ) D (1)Kg
D (z 1 ) + G(z 1 ) G(z
h
(4.16)

on No 1: Caso acad
emico
Figura 4.14: Algoritmo de sincronizacion/actualizacion del CAPFRA

siendo Yw (z) = z Hw F (z 1 )R(z)w(z)/R(1) la version filtrada y adelantada de la trayectoria
de referencia w(z). As vemos que la estabilidad del controlador depende de las races del
polinomio:
h
i
1 ) D (1)Kg
D (z 1 ) + G(z 1 ) G(z
(4.17)
suponiendo que las actualizaciones del modelo adaptivo son correctas, la diferencia planta 1 )] 0 cuando t , es decir, puede despreciarse resultando la
modelo, [G(z 1 ) G(z
estabilidad directamente vinculada con el polinomio D (z 1 ). Pero esta es una conclusi
on
aproximada, puede que este polinomio resulte estable y debido a las grandes diferencias entre
planta y modelo el polinomio de la ec. 4.17 se convierta en inestable. Para evitar esto, se
agrega una condici
on adicional sobre el requerimiento de estabilidad de D (z 1 ), es decir
garantizar ademas que las estimaciones del modelo sean confiables. En el caso de que este
polinomio resulte estable una nueva evaluacion se realiza pero ahora sobre el grado de excitaci
on
del regresor, mediante la condici
on zn (k) < s1 (k), si esto resulta afirmativo, el sistema de
sincronizaci
on/actualizaci
on decide seguir aplicando el algoritmo de CAP y las matrices del
controlador y el modelo son actualizados oportunamente. En el caso en que el polinomio
D (z 1 , k) resulte inestable o que el grado de excitacion del regresor no sea suficiente, el
algoritmo de CAP es desactivado y se conmuta hacia el algoritmo de CFRAP con la variable
modo = 1 indicando esta situaci
on. El algoritmo de CFRAP permanece activado durante N
muestras antes de retornar al algoritmo de CAP y actualizar los parametros del controlador.
Esto garantiza que las matrices seran correctamente actualizadas con datos estables.
En el caso del algoritmo de CAP las estimaciones recursivas del modelo seran actualizadas
si se cumplen los requisitos de riqueza en la excitacion. En el caso del algoritmo de CFRAP
estas estimaciones son siempre actualizadas sin considerar estos requisitos. Esto es debido a
que en el primer caso (CAP) las matrices del controlador (R(z, k) y D (z 1 , k)) dependen de
1 , k), grandes errores en el modelo ocasionaran ajustes
dicho modelo estimado en lnea G(z
81

on No 1: Caso acad
emico
(a) VC
(b) VM
Figura 4.15: Cambios en el proceso, CAPFRA

Tabla 4.4: Parametros del CAPFRA
Ts
(seg.)
Hw0
(mues.)
Hp (k)
(mues.)
Hu
(mues.)
Hw (k) + 2
20
0.01
0.9
0.04
erroneos de los controladores y la consecuente inestabilidad del lazo. Por otro lado, el caso
0 (z 1 )) y un controlador (R0 (z) y D (z 1 )) ambos
de CFRAP esta basado en un modelo (G
0
1 , k)
estables y calculados fuera de lnea. Las estimaciones de los residuos del modelo G(z
estan permitidas a actualizarse en todo momento ya que introducen mnimas modificaciones
1 , k) = G
0 (z 1 ) + G(z
1 , k)).
en torno al modelo nominal (G(z
En la Fig. 4.15 puede observarse el comportamiento de las variables controlada y manipulada cuando la estrategia de CAPFRA es aplicada a la planta sujeta a cambios de la ec. 4.14.
A su vez los parametros involucrados en el dise
no de este controlador se pueden apreciar en la
Tabla 4.4.
Se puede observar como este algoritmo se adapta frente a los cambios del proceso, manteniendo la estabilidad, evitando saturaciones en la VM y brindando un buen seguimiento de la
trayectoria de referencia. De forma similar a los ejemplos mostrados en las Figs. 4.11 y 4.12,
en este caso se propuso aumentar la simulacion a 2000 seg. y analizar el error de seguimiento
en los u
ltimos 1000 seg. luego de las modificaciones del proceso, resultando el IAE = 130,9,
mostrando mejor rendimiento que los casos de CAP y CFRAP individualmente.
En la Fig. 4.16(a) se puede apreciar la actualizacion del modelo FIR en este ejemplo,
indicando la correcta identificaci
on del retardo (4 muestras) y el correspondiente efecto de
respuesta inversa del cero de no mnima fase. Por otro lado en la Fig. 4.16(b) puede observarse
el comportamiento de los indicadores de persistencia de la excitacion que habilitan o no la
actualizacion de la estima. A su vez en la Fig. 4.16(c) se presenta la evaluacion de la estabilidad del polinomio D (z 1 , k) y la variable modo indicando en que momento son activados
los algoritmos de CAP y CFRAP. Finalmente, en la Fig. 4.16(d) se resumen las evoluciones
del inicio del horizonte de predicci
on Hw (k) actualizado con la estimacion del retardo y la
estimacion de la ganancia estatica de compensacion Kg (k) que converge a su correcto valor
82

on No 1: Caso acad
emico
1 , k)
(a) Modelo FIR, G(z
(b) Indicadores, zn (k) y s1 (k)
(c) Estabilidad y modo
(d) Hw (k) y Kg (k)
Figura 4.16: Indices y parametros, CAPFRA

de 0,6667 = 1/1,5.
4.2.3.
Sinopsis
En primera instancia y en base a los resultados obtenidos la estrategia de CAPFRA propuesta aqu parece dar un abordaje adecuado al problema de fallas en elementos de proceso. Esta
metodologa permite integrar el monitoreo de procesos con un mecanismo de readaptaci
on
para transformar el lazo de control en uno tolerante a fallos, as como tambien otorgar un
correcto tratamiento de posibles modificaciones propias del proceso. De todas formas, estos
resultados satisfactorios obtenidos sobre un proceso lineal y SISO deben ser analizados mas
en detalle sobre plantas mas complejas. En la seccion siguiente se propone esta estructura de
control sobre un reactor de tanque agitado continuo con camisa. Si bien el modelo de la planta
es simple presenta no linealidades tpicas de procesos qumicos.
83

on No 2: Reactor de tanque agitado continuo (RTAC) con camisa
4.3.
Caso de aplicaci
on No 2: Reactor de tanque agitado continuo
(RTAC) con camisa
En este caso particular se propone trabajar con un proceso mas realista que una simple
funcion de transferencia. Se definen dos tipos de fallas especficas en elementos del proceso
como fallas en sensores del tipo offset abrupto y retardos extra introducidos por el actuador
en el lazo de control. Mientras la primera ha sido ampliamente analizada en la literatura los
retardos variables en procesos no han tenido igual suerte. Solo algunos trabajos abordan este
problema como por ejemplo Richard (2003); Bjorklund and Ljung (2003), Gao et al. (2005) y
Jiang and Zhou (2005) en casos simples y academicos. Muchos procesos qumicos presentan
este efecto debido ya sea a mal funcionamiento de los actuadores/valvulas como tambien por
transporte de materia, retardos de comunicacion, etc.
Existen algunos trabajos que abordan la compensacion de fallas en elementos de proceso
considerando s
olo alg
un caso particular y sin proponer fallas secuenciales y perturbaciones no
medidas del proceso. Este hecho limita demasiado el marco de aplicacion de tales estrategias.
Por ejemplo en Tao et al. (2002); El-Farra (2006) abordan el problema de compensacion solo
de fallas en actuadores del tipo offset abrupto. El primero por una metodologa adaptiva y el
segundo por conmutaci
on de estrategias de control. Por otro lado, en Patwardhan and Shah
(2005); Patwardhan et al. (2006) se aborda el problema de compensar offset en sensores y
actuadores para procesos multivariables con estrategia basada en modelos en ecuaciones de
estados.
La propuesta presentada en esta secci
on es una nueva estrategia de CTF (Zumoffen et al.,
2006, 2007) para compensar los efectos de fallas en sensores y actuadores, a
un cuando estan
presentes perturbaciones no medidas del proceso y ruido de medicion. La idea general es desarrollar un SDEF que brinde apoyo a una poltica de CAP y CAPFRA. Basicamente la estrategia
CPAFRA amalgama los beneficios de CAP y CFRA individualmente. El SDEF se encuentra
desarrollado en torno a herramientas de procesado de se
nal como la transformada wavelet
discreta e identificaci
on de sistemas. La integracion SDEF/CAPFRA mejora los rendimientos
de CAP individual y de la integraci
on SDEF/ CAP.
En este caso el proceso consiste de un reactor de tanque agitado continuo (RTAC) refrigerado mediante una camisa (Primucci and Basualdo (2002)). En dicho reactor toma lugar una
reaccion irreversible y exotermica de la forma A B. El modelo, si bien es simple, presenta
aspectos relevantes respecto del dise
no de un lazo de control para sistemas no lineales. En la
Fig. 4.17(a) puede observarse la estrategia de control y el esquema de la planta. El proceso se
encuentra rigurosamente modelado por un balance de componentes y un balance de energa
representados en la ec. 4.18,
dCA
FinA
= k0 eP/T1 CA +
(CinA0 CinA )
dt
V1
dT1
FinA
QJP
=k1 eP/T1 CA +
(TinA T1 ) +
dt
V1
P cP V1
(4.18)
y un balance de energa de la camisa de refrigeracion,

dTJ
FJ0
QJP
=
(TJ0 TJ )
dt
VJ
J cJ VJ
(4.19)
donde QJP es el calor intercambiado. Las definiciones de las variables se muestran en la

Tabla 4.5. La estrategia de control mantiene la temperatura de reaccion, T1 en un punto
operativo especfico manipulando el flujo de refrigerante que ingresa a la camisa, FJ0 . Ademas,
como la temperatura T1 esta directamente relacionada con la composicion del producto CA ,
esta u
ltima puede controlarse indirectamente con esta estrategia. Tambien el proceso esta
84

Tabla 4.5: Variables en RTAC con camisa

Variables
FinA , FJ0 , FJ , F1
TinA , TJ0 , TJ , T1
CinA , CA
Definicion
Unidades
Flujos
Temperaturas
Concentraciones
m3 /sec.
oK
mol/m3
(a) Proceso y estrategia de control
(b) Modelo FIR
Figura 4.17: RTAC con camisa y modelo FIR identificado

expuesto a perturbaciones tales como la concentracion CinA , la temperatura TinA y el flujo
FinA asociados al reactante A cuando ingresa al reactor. Estas caractersticas pueden variar a
lo largo del perodo de operaci
on y ocasionar grandes cambios en el punto operativo. Detalles
especficos respecto del proceso pueden encontrarse en Primucci and Basualdo (2002).
Como se defini
o en secciones anteriores es necesario identificar fuera de lnea un modelo FIR
del proceso entorno a el punto operativo mas habitual, de la forma [g0 (1), g0 (2), . . . , g0 (N )] =
[h(2) h(1), . . . , h(N + 1) h(N )]/u, donde N es el orden seleccionado del modelo. En la
Fig. 4.17(b) pueden observarse los modelos FIR identificados cuando u = 0,5 y u = 0,5
respectivamente. Claramente queda en evidencia el caracter no lineal de la relacion entradasalida entre flujo de refrigerante que ingresa a la camisa y temperatura del reactor. En este
caso se adopt
o el modelo obtenido con u = 0,5.
Se pretende analizar el comportamiento de los algoritmos CAP y el recientemente propuesto
CAPFRA para esta planta no lineal ya sea bajo comportamiento normal o ante fallas. Los
parametros de ajuste para dichas estrategias de control pueden observarse en la Tabla 4.6.
En primer lugar se presenta en las Figs. 4.18(a) y 4.18(b) la comparacion de ambos algoritmos de control cuando el funcionamiento es el normal. Se observa la evolucion temporal de la
VC y la VM respectivamente cuando la trayectoria de referencia tiene una poltica determinada. Por otra parte, las Figs. 4.18(c) y 4.18(d) resumen el comportamiento de los controladores
cuando una perturbaci
on del tipo escalon ocurre en un tiempo t = 400 de valor 4TinA = 2
o K en la temperatura de ingreso del reactante A. La estrategia de CAP demuestra ser un poco
mas agresiva que la de CAPFRA, presentando ambas buen rechazo a perturbaciones.
Las fallas en elementos del proceso propuestas aqu son las mismas que se han definido en
las ecs. 4.1 y 4.2. La aparici
on abrupta de un error del tipo bias en el sensor de temperatura de
reacci
on T1 y la presencia de un retardo extra en el lazo de control por un mal funcionamiento
de la valvula que manipula la entrada de lquido refrigerante a la camisa del reactor Fj0 ,
85

Tabla 4.6: Parametros de los controladores

Algoritmo
Ts
Hw
HP
Hu
CAP
CAPFRA
2
2
20
20
3
3
7
7
1
1
0.001
0.001
diag(1, ..., 1)
diag(1, ..., 1)
0.65
0
0.99
0.95
(a) Funcionamiento normal, VC (T1 )
(b) Funcionamiento normal, VM (FJ0 )
(c) Perturbaci
on TinA , VC (T1 )
(d) Perturbaci
on TinA , VM (FJ0 )
Figura 4.18: Respuesta de los algoritmos de CAP y CAPFRA

respectivamente. Bajo funcionamiento normal tanto la valvula como el sensor presentan un
retardo de 1 seg., es decir, el lazo de control en cuestion presentara 2 segundos de tiempo
muerto mas el tiempo muerto propio del proceso.
La Fig. 4.19 resume el comportamiento de ambas estrategias de control cuando una falla en
el actuador se produce en Tf = 0. Para el caso de CAP la falla posee una magnitud de td = 10
seg. y para el caso de CAPFRA una de tf = 15 seg., esto es debido a que por construccion el
algoritmo CAPFRA posee mayor robustez que el CAP.
86

(a) VC, T1
(b) VM, FJ0
Figura 4.19: Algoritmos CAP y CAPFRA ante fallas en el actuador

Como se puede apreciar, al tratarse de un proceso no lineal, las actualizaciones del inicio
on Hw no son lo suficientemente correctas para evitar la inestabilidad
del lazo de control y las bruscas acciones de la VM que podran ocasionar saturaciones. Las
estimaciones recursivas del modelo FIR no son lo suficientemente buenas en caso de sistemas
no lineales, provocando que la estimacion del retardo por umbralizacion genere valores notoriamente diferentes al valor real. Pensando en deteccion y diagnostico de fallas, este problema
podra ocasionar falsas alarmas o perdida de deteccion en algunos casos, ademas el instante
de detecci
on se ve fuertemente influenciado por la tasa de convergencia de las estimaciones
recursivas.
Siguiendo con el analisis, en la Fig. 4.20 se observa el comportamiento de ambas estrategias
de control cuando una falla ocurre en el sensor de temperatura en un instante Tf = 400 seg.
con un valor de of f = 2 o K. Se puede observar en las Figs. 4.20(a) y 4.20(b) como ambos
algoritmos de control no logran compensar la modificacion en el punto operativo generada por
la falla. Si bien la variable medida se encuentra trabajando proxima a su referencia, la variable
real se aparta de ella significativamente. Esto puede apreciarse mas claramente en la Fig.
4.20(c) donde la variable controlada indirectamente (composicion del producto A) se desplaza
efectivamente fuera del punto operativo original. Nuevamente las no linealidades del proceso
generan problemas en la correcta estimacion de los parametros del modelo FIR. En este caso
los errores ocasionados en las estimaciones del parametro de punto operativo ppo
no permiten
la correcta compensaci
on de la falla. Como se dijo anteriormente, este tipo de errores podran
ocasionar falsa diagnosis y a
un diagnosticando correctamente el evento las estimaciones son
tan pobres que las acciones de compensacion no logran su cometido.
De todo lo visto anteriormente, parece indispensable contar con alg
un tipo de sistema de
diagnostico y estimaci
on de fallas (SDEF) que complemente el algoritmo de control. Un SDEF
confiable y preciso puede mejorar las condiciones de estabilidad, robustez y rendimiento de
dicho lazo de control, permitiendo a su vez un correcto monitoreo en lnea de las variables mas
importantes del proceso.
87

(a) VC, T1 - CAP
(b) VC, T1 - CAPFRA
(c) VC indirectamente, CA
Figura 4.20: Algoritmos CAP y CAPFRA ante fallas en el sensor
4.3.1.
Dise
no del SDEF
La idea basica es desarrollar un sistema hbrido que permita la correcta actualizacion del
controlador y compense los efectos producidos por las fallas funcionando en lnea con el proceso.
Para el caso de fallas en valvulas (tiempo muerto extra), la correcta actualizacion del inicio
on Hw , permite redise
nar las matrices de transformacion T1 , T2 , T3
y T4 del controlador y lograr un ajuste correcto acorde a las modificaciones dinamicas del
proceso. Por otro lado, las fallas en sensores producen la modificacion del punto operativo
real de la planta y su efecto en las variables medidas es un transitorio de corta duracion, esto
implica que el SDEF debera ser lo suficientemente rapido para no perder esta informacion. La
correcta estimaci
on de la magnitud de la falla en el sensor permitira realizar la correspondiente
compensacion mediante la estrategia mostrada anteriormente utilizando el parametro de punto
operativo ppo,
que puede ser visto como una actualizacion de la trayectoria de referencia.
88

Detecci
on y estimaci
on de fallas en v
alvulas
El problema de estimar el tiempo muerto en procesos ha sido ampliamente estudiado.
Durante los u
ltimos a
nos diferentes estrategias con variados resultados se han aplicado dependiendo del caso en estudio. Estos metodos pueden clasificarse seg
un propone Bjorklund and
Ljung (2003) como:
1. modelo de aproximaci
on del retardo temporal;
2. parametro explcito del retardo temporal;
3. area y momento;
4. estadsticos de orden elevado;
cada una de estas estrategias estan basadas en identificacion fuera de lnea.
Como se observ
o anteriormente el modelo FIR esta encargado de modelar la dinamica
entrada-salida completa (actuador-planta-sensor) del proceso. Debido a las fuertes no linealidades este modelo puede no actualizarse correctamente, es decir, no resulta ser lo suficientemente preciso para realizar la estimacion del retardo directamente por umbralizacion.
En este caso se propone utilizar una estrategia local sobre el actuador en cuestion y aplicar
el metodo basado en parametro explcito del retardo temporal en lnea. De esta forma se
podra detectar e identificar eficientemente el retardo producido por un mal funcionamiento
del actuador. En primer lugar se propone un modelo autoregresivo con entrada externa (ARX)
para modelar el comportamiento del sistema actuador-valvula. Este modelo vincula mediante
una relaci
on lineal la se
nal de control (entrada) y la medicion efectiva del flujo de refrigerante
que ingresa la camisa (salida). Cuando la valvula trabaja normalmente dentro de un rango
especfico su comportamiento se asemeja a un sistema lineal facilitando obviamente las tareas
de detecci
on y estimaci
on. De esta forma las estimaciones del retardo generadas por el modelo
ARX seran utilizadas para actualizar el controlador en lnea.
El modelo discreto del sistema actuador/valvula puede observarse en la ec. 4.20, donde y(k)
es la medici
on del flujo refrigerante, u(k) es la se
nal de control calculada por el controlador,
y y(k) es la estimaci
on del flujo refrigerante dada por el modelo ARX.
Gvm (z 1 ) =
b1 + b2 z 1 + + bnb z nb +1 d
z
1 + a1 z 1 + + ana z na
(4.20)
donde na y nb son los

ordenes del denominador y numerador respectivamente, y d es el retardo
presente. Una identificaci
on fuera de lnea puede plantearse utilizando mnimos cuadrados (ver
seccion 3.5.2) y obtener el modelo ARX en ausencia de fallas.
Por la definici
on de las fallas propuestas al comienzo de este captulo un mal comportamiento en el actuador s
olo produce una modificacion en el retardo presente entre entrada
y salida. El objetivo de la metodologa propuesta aqu es adaptar la estrategia de parametro
explcito del retardo temporal (que se aplica fuera de lnea) para poder realizar una b
usqueda
en lnea del retardo en tiempo discreto en una ventana temporal movil, llamada Nw . Es decir,
minimizar el error cuadratico medio entre la medicion del flujo refrigerante y la prediccion del
modelo ARX como se muestra en la ec. 4.21, sobre dicha ventana temporal y sobre todos los
posibles retardos discretos. Cualquier modificacion del retardo existente en el lazo de control es
solo detectado e identificado en un comportamiento transitorio (seguimiento de la referencia
o rechazo de perturbaciones), analizando los datos desde el momento actual y sobre las Nw
muestras anteriores.
V (k, d) =
Nw

2
1 X
FJ0 (k i) Gvm (z 1 , d)u(k i)
Nw
(4.21)
i=1
89

donde
Gvm (z 1 , d) =
b1 z d
(1 + a1 z 1 )
(4.22)
es el modelo del sistema actuador/vbalvula. La identificacion fuera de lnea con datos historicos
en funcionamiento normal (d = 0) resulto en los siguientes parametros del modelo na = 1,
nb = 1, a1 = 0,0067 y b1 = 0,9933.
De esta forma la identificaci
on del retardo en lnea puede resumirse como
= arg mn [V (k, d)] ,
d(k)
d
con
0 d dmax
(4.23)
Por medio de esta estrategia se realiza un monitoreo continuo del lazo. As, cualquier modificacion del tiempo muerto en el sistema actuador/valvula es detectado, estimado y reportado
en lnea. La metodologa empleada aqu para integrar el SDEF con el control y convertirlo en
tolerante es la misma que la mostrada en las secciones anteriores, el inicio del horizonte de
prediccion es actualizado de forma aditiva como Hw (k) = d + 1 medido en muestras. Por lo
tanto el orden de las matrices del controlador se adaptan de forma correcta.
Detecci
on y estimaci
on de fallas en el sensor
Este tipo de fallas producen un efecto similar a un rechazo de perturbaciones en un lazo cerrado de control. Por ello, es indispensable contar con una herramienta de rapida accion capaz
de detectar cambios rapidos y de corta duracion en las se
nales medidas. Una herramienta ampliamente utilizada en el area de procesado de se
nales es la transformada wavelet discreta (ver
seccion 3.3). Esta estrategia permite descomponer una se
nal mediante un banco de filtros (paso bajo y paso alto) de multiresoluci
on y analizar dicha se
nal a diferentes escalas frecuenciales
(Mallat (1989); Daubechies (1990)). Esta transformada puede implementarse eficientemente
mediante el algoritmo de Mallat (1989), el cual es un clasico esquema de descomposicion
utilizado en la comunidad de procesamiento de se
nales.
En esta aplicaci
on especfica se ha seleccionado una wavelet madre de la familia Daubechies
de orden 3 y el nivel de descomposici
on ha sido seleccionado en 1. De esta forma el algoritmo
de descomposici
on es aplicado a la medicion de la temperatura de reaccion T1 como se puede
observar en la Fig. 4.21. En este caso se proponen tres fallas secuenciales arbitrarias en el sensor
del tipo offset abrupto, ocurriendo en los instantes tf 1 = 200, tf 2 = 400 y tf 3 = 600 seg., y
con magnitudes of f = 1, of f = 0,5 y of f = 2 o K respectivamente. Como se observa en la
Fig. 4.21(a) efectivamente cada falla producida en el sensor es compensada como si se tratara
de una perturbaci
on de salida, desapareciendo (de forma ficticia) su efecto breves instantes
despues de ocurrido. Teniendo en cuenta el algoritmo de descomposicion mostrado en las Figs.
3.6 y 3.7, en este caso la se
nal original denominada como A0 = T1 es descompuesta mediante
filtrado paso bajo y paso alto en una se
nal de aproximacion a nivel 1, A1 y una se
nal de
detalle a nivel 1 D1 respectivamente. En la Fig. 4.21(b) se puede apreciar dicha aproximacion
y claramente es una versi
on filtrada de la se
nal original. En la Fig. 4.21(c) se pueden apreciar
los detalles de alta frecuencia de dicha se
nal. Claramente se observa como los valores maximos
de los picos presentes y sus direcciones de ocurrencia (patron de la falla) en el filtrado paso
alto guardan informaci
on directa respecto de la magnitud y signo de la falla ocurrida. Ademas,
esta estrategia presenta una excelente resolucion temporal y aislamiento en la deteccion.
Desde el punto de vista del dise
no esta metodologa permite por multiresolucion generar
diferentes aproximaciones y detalles para maximizar o minimizar el contenido frecuencial de
la se
nal original. Seleccionando entonces la wavelet madre y su orden as como el nivel de
descomposicion se puede adecuar el dise
no a diferentes escenarios.
La integraci
on al control tolerante a fallos en este caso es realizada mediante una estrategia
similar a la mostrada en la ec. 4.13 considerando el parametro de punto operativo ppo(k).
Si
90

(a) VC - T1 medici
on original
(b) Aproximaci
on a nivel 1
(c) Detalle a nivel 1
Figura 4.21: Descomposicion a nivel 1 de T1 con Daubechies de orden 3

bien ppo(k)
se puede pensar como una modificacion interna de la trayectoria de referencia,

en este caso se utilizara la informacion dada por el SDEF para efectivamente actualizar la
referencia y compensar la falla. Como se observa en la Fig. 4.21(c) desviaciones positivas en
los picos de D1 corresponden a valores negativos en el offset del sensor y vicersa. Ademas,
experimentalmente se puede comprobar que el valor absoluto que dicho pico alcanza (|po |)
esta directamente relacionado con la magnitud de la falla presente. As, un mapeo proporcional
puede realizarse para estimar dicho valor. Resultando entonces, la actualizacion de la trayectoria
de referencia original como se muestra en la ec. 4.24.
w(k) = w0 (k) + of f (k) = w0 (k) + o |po (k)|
(4.24)
donde w(k) es la referencia actualizada, w0 (k) la referencia original, o es el parametro proporcional de dise
no para la estimacion del offset y |po (k)| el valor absoluto de la magnitud
maxima alcanzada por el pico de la se
nal D1 en k.
La estructura final de integracion entre la estrategia de control y el SDEF puede observarse
91

Figura 4.22: Estructura del CAPFRA con SDEF

Tabla 4.7: Parametros de ajuste del SDEF
Algoritmo
Ts
Wavelet/orden
Nivel de
descomposicion
Nw
a1
a2
APC/APCWRF
Daubechies/3
200
0.0067
0.9933
en la Fig. 4.22 para el caso de CAPFRA. A su vez los parametros de dise

no del SDEF se
presentan en la Tabla 4.7 para las dos estrategias de control analizadas aqu.
En la Fig. 4.23 se puede apreciar el comportamiento de ambos sistemas de control (CAP
y CAPFRA) cuando han sido integrado con el SDEF dise
nado anteriormente. Estas graficas
se corresponden con el caso presentado en las Fig. 4.19. En la Fig. 4.23(a) se puede apreciar
como la correcta estimaci
on del retardo dado en la Fig. 4.23(c) permite estabilizar el lazo de
control mejorando el rendimiento del proceso. Por otro lado, en la Fig. 4.23(b) se presenta la
VM en este caso para ambos algoritmos de control indicando acciones menos agresivas y mas
estables.
Siguiendo con el analisis de los sistemas de control con y sin SDEF en la Fig. 4.24 se
presenta un caso analogo al presentado en la Fig. 4.20 pero ahora con SDEF integrado. En la
Fig. 4.24(a) puede verse la actualizaci
on de la trayectoria de referencia utilizando la informacion
otorgada por el SDEF respecto al offset estimado (Fig. 4.24(d)). Esta actualizacion permite
compensar la falla conduciendo la variable real del proceso a su punto operativo normal (Fig.
4.24(b)) y por consiguiente la VC indirectamente tambien (Fig. 4.24(c)).
El rendimiento de los algoritmos de control ante los distintos tipos de fallas se resumen en
la Tabla 4.8. En este caso se ha utilizado el ndice IAE para comparar los comportamientos de
las estrategias con y sin SDEF. Puede observarse la mejora en el caso de integracion con el
SDEF siendo mas evidente en el caso de falla en sensores ya que este tipo produce el cambio
de punto operativo de la variable real. En el caso de fallas en actuadores ademas de producir
una mejora en el ndice IAE la integraci
on incrementa las condiciones de estabilidad y robustez.
A continuaci
on se procede a probar esta estrategia de control tolerante a fallos en diferentes
condiciones de operaci
on del proceso. En la Fig. 4.25 se propone analizar el algoritmo de
92

(a) VC - T1
(b) VM - FJ0
(c) Estimaci
on del retardo
Figura 4.23: Algoritmo de CAP y CAPFRA integrado con el SDEF - Falla en actuador
Tabla 4.8: Rendimiento con fallas en actuadores y sensores
Falla en actuador
Falla en sensor
Metodo
CAP(d = 10seg.)
CAPFRA(d = 15seg.)
Con SDEF
IAE
No
5.99
No
5.70
Si
4.09
Si
4.72
CAP
No
850.52
Si
183.77
CAPFRA
No
912.7
Si
167.79
CAPFRA integrado con el SDEF cuando suceden diferentes eventos secuenciales. En primer
lugar la trayectoria de referencia es cambiante, en segundo termino aparece en tp = 200 seg
una perturbaci
on no medida en la planta referente a TinA de magnitud 2 o K. Finalmente
aparece un offset en el sensor de temperatura de reaccion a los tf = 400 seg. con un valor de
2 o K. En las Figs. 4.25(a) y 4.25(b) se presenta el efecto que tienen dichos eventos sobre la
VC (T1 ) y la VC indirectamente (CA ). Se puede observar como el control tolerante permite la
93

(a) VC - T1 medida
(b) VC - T1 real
(c) VC Indirectamente - CA
(d) Estimaci
on del offset
Figura 4.24: Algoritmo de CAP y CAPFRA integrado con el SDEF - Falla en sensor
compensacion de la falla en el sensor de forma efectiva retornando la variable real del proceso
a su punto operativo original y manteniendo la VC indirectamente en su trayectoria deseable.
La perturbaci
on es rechazada correctamente. La informacion entregada por el SDEF se puede
observar en la Fig. 4.25(c) la cual posee una correcta resolucion temporal de deteccion y el
adecuado valor del offset estimado. En la Fig. 4.25(d) se puede apreciar el detalle a nivel 1
(D1 ) resultante de la descomposici
on wavelet en este caso. Puede distinguirse la muy buena
resolucion temporal de la detecci
on as como tambien el aislamiento de la falla otorgando
robustez y evitando el falso diagn
ostico del SDEF ante diferentes eventos simultaneos. Tanto
la perturbacion como los cambios en la trayectoria de referencia estan en el mismo orden de
magnitud que el valor de la falla, es decir son todos eventos que afectan al proceso de forma
similar.
Finalmente las simulaciones que se muestran en la Fig. 4.26 permiten analizar el desempe
no del algoritmo de control tolerante CAPFRA/SDEF bajo un funcionamiento regulador
en presencia de diferentes eventos secuenciales. En este caso la medicion de temperatura se
94

(a) VC - T1
(b) VC Indirectamente - CA
(c) Estimaci
on del offset
(d) Detalle wavelet a nivel 1 - D1
Figura 4.25: Algoritmo CAPFRA con SDEF - Falla en sensor, perturbacion y seguimiento de
la referencia
ve afectada por ruido blanco aditivo de potencia 0,01. En el instante tf 1 la valvula comienza a
fallar introduciendo un retardo adicional en el lazo de 15 seg.. De forma secuencial, en tp = 200
seg. aparece una perturbaci
on no medida TinA = 2 o K y finalmente en tf 2 = 400 seg.
ocurre un offset en el sensor de T1 de magnitud 2 o K. En la Fig. 4.26(a) se puede observar
el comportamiento temporal de la VC cuando no existe ning
un SDEF integrado, se observa
como la falla en valvula produce un efecto inestabilizador en el lazo de control y a su vez
como la falla en el sensor no puede ser compensada resultando en un cambio del punto operativo real del proceso. La perturbacion es rechazada correctamente. En contraposicion, en
la Fig. 4.26(b) se puede apreciar el mismo comportamiento pero con un SDEF integrado con
el algoritmo CAPFRA. Inicialmente se observa como la compensacion del retardo extra introducido por la valvula resulta en menos oscilaciones sobre la VC otorgando mejor rendimiento
como regulador, a su vez la reconfiguracion de la trayectoria de referencia permite retornar
a la variable real a las proximidades del punto operativo deseado. La Fig. 4.26(c) resume
95

(a) VC - T1 , sin SDEF
(b) VC - T1 , con SDEF
(c) VC Indirectamente - CA
(d) Estimaci
on del retardo y offset
(e) Detalle wavelet a nivel 1 - D1
Figura 4.26: Algoritmo CAPFRA con SDEF - Falla en sensor, en el actuador, ruido de medicion
y perturbacion
el comportamiento de la VC indirectamente CA considerando el algoritmo de CAPFRA y el
control tolerante CAPFRA/SDEF. Los beneficios de contar con una estrategia integrada son
evidentes, ya que aseguramos tener dicha variable bajo especificacion. La Fig. 4.26(d) muestra
las salidas del SDEF, por un lado la estimacion del retardo presente en el lazo de control
y por otro la predicci
on del valor y direccion del offset introducido por el sensor. Como se
puede apreciar la resoluci
on temporal de deteccion es correcta as como los valores estimados
de las fallas. El efecto producido por la medicion ruidosa de la temperatura puede observarse
en la Fig. 4.26(e), aqu se presenta el detalle a nivel 1 (D1 ) generado de la descomposicion
wavelet. Las buenas caractersticas de aislamiento de la falla son evidentes, permitiendo una
96

buena discriminaci
on del efecto de la falla. En el caso en que la potencia del ruido sea tal que
compromete el aislamiento, la descomposicion puede realizarse utilizando una mayor cantidad
de niveles (o una familia wavelet diferente) y aislando los efectos en diferentes detalles. De
todas formas existe una cuesti
on de compromiso entre la potencia del ruido y la magnitud
mnima de la falla que se puede detectar, aislar y estimar.
4.3.2.
Sinopsis
Los resultados mostrados en esta seccion resumen los beneficios de contar con un SDEF
integrado con una estrategia de control. As, el lazo resultante es transformado en tolerante a
fallos (activo) mediante reconfiguracion del propio controlador y por medio del ajuste en lnea
de la trayectoria de referencia. Ademas desde el punto de vista del algoritmo de control se
pudo observar c
omo la estrategia de CAPFRA resulta en una alternativa interesante para los
algoritmos de CAP que deban operar bajo condiciones cambiantes de la planta y de escasa
persistencia en la excitaci
on. Desde el punto de vista del dise
no del SDEF se pudo observar
como estrategias de dise
no hbridas (identificacion de sistemas y procesado de se
nal) permiten
manipular la informaci
on del proceso y decidir respecto de su estado. La informacion resultante
del SDEF es utilizada directamente para mejorar las condiciones de rendimiento y estabilidad
del lazo de control, utilizando tecnicas de actualizacion en lnea. La capacidad del SDEF de
cuantificar la magnitud de las fallas resulta de vital importancia a la hora de poder compensar
el efecto de los eventos anormales. Diferentes entornos de trabajo, en una escala creciente de
complejidad, se han probado a lo largo de la seccion anterior: sistema lineal fijo, cambiante
(delay, ganancia, ceros), un sistema no lineal (RTAC) libre de fallas, RTAC con fallas, comportamiento como servo, como regulador, mediciones ruidosas, fallas secuenciales, as como
tambien diferentes combinaciones, en todos los casos el beneficio de contar con una estrategia
de SDEF integrada con la de control resulta evidente y para ello se han evaluado ndices de
rendimiento tales como IAE.
El dise
no e integraci
on de un SDEF puede resultar relativamente simple y efectivo en casos como los mostrados en las secciones anteriores, donde el proceso en cuestion resulta ser
SISO (lineal o no). En estos casos simples estrategias de dise
no del SDEF basadas en modelos
simplificados y procesado de se
nal pueden representar una solucion adecuada. Por otro lado
cuando el proceso incrementa su complejidad, ya sea por dimension o por las no linealidades
existentes, estrategias de dise
no basadas en modelos simplificados pueden brindar solo soluciones parciales vinculadas a rangos de aplicacion, por otro lado estrategias de procesado de
se
nal como la mostrada aqu deberan repetirse por cada lazo de control dando una restricci
on
obvia de complejidad computacional. A
un pudiendo salvar estos inconvenientes la estrategia
as definida puede ser vista como una que genera soluciones locales a los lazos de control y
no posee una estructura global de manejo de la informacion. La seccion siguiente presenta el
dise
no de un sistema de detecci
on, diagnostico y estimacion de fallas (SDDEF) para grandes
y complejos procesos qumicos y la integracion a la estrategia de control existente.
97

98
CAPTULO
Diseo y aplicacin de un SDDEF

hbrido integrado al CTF
La idea fundamental detras de todo dise
no de un sistema de deteccion, diagnostico y
estimaci
on de fallas (SDDEF) es brindar una herramienta de soporte para la toma de decisiones
en grandes procesos qumicos. Aqu, pueden existir cientos de lazos de control y miles de
variables medidas en cada segundo. En este caso donde la interaccion y el n
umero de las
variables resulta elevada se presenta el mayor desafo en las estrategias de dise
no de SDDEF
hbridos. Basicamente el dise
no de un SDDEF y su funcionamiento debe realizarse de forma
independiente de varios factores tales como:
1. dimensi
on del proceso: una variable simple o miles,
2. complejidad del proceso: sistemas lineales o fuertemente no lineales,
3. tipo de proceso: qumico, petroqumico, biologico, electrico, etc.,
4. tipo de fallas presentes: en actuadores o en sensores (retardos, offset, bloqueos),
5. tipo de perturbaciones presentes: medidas o no medidas, abruptas o suaves,
6. modo de funcionamiento: si es necesario seguir una trayectoria de referencia cambiante
(servo) o mantener el proceso en su punto operativo fijo (regulador) rechazando perturbaciones,
7. tipo de la poltica de control: decentralizada donde los lazos de control son tratados
como lazos SISO (generalmente incluyendo controladores tipo P, PI, o PID). Las polticas
multivariables generalmente incluyen estrategias SISO (P,PI,PID) en los lazos de control
de mas bajo nivel, y una estrategia de control avanzado (CPBM, CPA, CP funcional,
etc) como control supervisor de estos.
5.1.
Dise
no del SDDEF
Actualmente los avances en los dispositivos de medicion as como en los elementos de

almacenamiento de datos permiten tener una gran cantidad de informacion recolectada bajo
condiciones de operaci
on normal y anormal. Estas bases de datos, as presentadas, contienen
gran cantidad de informaci
on redundante y deben ser procesadas por medio de algoritmos
99
5.1. Dise
no del SDDEF
adecuados. La estrategia desarrollada en esta tesis representa una metodologa alternativa

para procesar de forma inteligente las bases de datos y dise
nar de forma adecuada un SDDEF
para ser integrado a lazos de CTF. Herramientas tales como, ACP adaptivo, SLD y RNA son
combinadas de forma eficiente para realizar tareas de deteccion, clasificacion y estimacion en
lnea.
5.1.1.
Monitoreo y detecci
on de fallas: ACP, ACP adaptivo y estadsticos
combinados
En la secci
on 3.1 se present
o en detalle la estrategia de ACP clasico, el monitoreo de
procesos basados en estadsticos de control tales como T 2 o Q y las diferentes metodologas
para la selecci
on de los componentes principales.
Una de las principales limitaciones del ACP clasico es su capacidad de trabajar correctamente con la naturaleza cambiante de los procesos industriales. Las diferentes condiciones de
operacion y modos pueden producir un n
umero excesivo de falsas alarmas o alternativamente
perdida de detecci
on de las fallas del proceso. En la literatura especializada pueden encontrarse
diferentes estrategias para solucionar estos inconvenientes (Tien et al. (2004)).
En esta secci
on se propone una nueva estrategia de ACP adaptiva (ACPA) basada en
estadsticos combinados (Yue and Qin (2001)) para realizar las tareas de monitoreo y deteccion de fallas en procesos de naturaleza cambiante. Esta estrategia es comparada con una
metodologa clasica para diferenciar claramente los aportes y beneficios. Ademas, este nuevo
algoritmo desde su construcci
on esta pensado para integrarse con los subsistemas de clasificacion y estimaci
on de fallas, focalizado en la interconexion con el CTF.
El modelo de ACP (P) se construye utilizando la matriz de datos normal la cual posee
informacion respecto de las variaciones de causa com
un alrededor del punto operativo del
proceso. EL estadstico de Hotteling T 2 para un nuevo dato obtenido desde el proceso es una
medida de su distancia respecto del origen del SVD. Este origen y sus proximidades delimitan
la llamada zona bajo control. Puede ocurrir que el estadstico de Hotteling permanezca bajo
su lmite de confianza a
un cuando un evento anormal ha ocurrido, esto principalmente se
debe a que el evento no posee la suficiente variacion sobre el SVD. Para evitar este tipo
de inconvenientes se propone vincular los estadsticos de monitoreo T 2 y Q. As entonces se
define el estadstico combinado z como se muestra en la ec. 5.1 que permite, en adicion con
la estrategia ACPA, monitorear el proceso bajo condiciones cambiantes y mejorar el tiempo de
deteccion, minimizar las falsas alarmas y la perdida de deteccion.
z(k) =
T 2 (k)
Q(k)
+
T 2 (k) Q (k)
(5.1)
Notar que z(k), T 2 (k) y Q(k) son los estadsticos computados para la medicion actual del
proceso x(k). Por otro lado, T 2 (k) and Q (k) son los limites de control actualizados para
el instante temporal k utilizando alg
un criterio de nivel de confianza (95 % o 99 %) y la
estrategia vista en la secci
on 3.1. Bajo estas definiciones una condicion de operacion normal
puede definirse si z(k) z , donde z es el nuevo lmite de control.
En la Fig. 5.1 puede observarse el nuevo algoritmo propuesto de ACPA con estadsticos
combinados. El algoritmo comienza con una etapa de inicializacion (k = 0), donde se procesan
los datos que representan el estado normal de operacion X y se obtienen los datos en estado
normal autoescalados X cuyos parametros de escala vienen dados por b(0) y s(0) siendo
estos el vector de medias y varianza respectivamente. A continuacion se calcula la matriz
de correlacion de los datos R y su descomposicion utilizando DVS, as podemos obtener el
modelo ACP (P). Los A componentes principales se seleccionan mediante la estrategia PVA
considerando un pva %. Los lmites de confianza iniciales son ajustados a T 2 (0) y Q (0)
100
5.1. Dise
no del SDDEF
Inicializaci
on, k = 0: adquirir datos de entrenamiento en condiciones normales de operaci
on X. Aplicar auto-escalado de los datos de entrenamiento para obtener media cero y varianza unidad X con los factores de escala
b(0) y s(0). Obtener la matriz de correlacion de los datos R y realizar
la DVS para construir el modelo P, seleccionar los componentes principales iniciales A(0) utilizando el criterio PVA con pva %. Determinar
los lmites de control T 2 (0) y Q (0). Ajustar la dimension de la ventana
m
ovil Nw y la matriz de datos normales Xn (0).
Monitoreo, k > 0: obtener la proxima medicion del proceso x(k).
(1) Escalar x(k) los factores de escala y obtener x(k).
(2) Evaluar los estadsticos T 2 (k) y Q(k) con el modelo ACP actual.
(3) Construir el estadstico combinado z(k) con los u
ltimos lmites de
control T 2 (k 1) y Q (k 1).
(4) Comprobar si z(k) z . Si esto es cierto actualizar la matriz de datos
normales Xn (k) borrando el dato mas antiguo y concatenando el nuevo
x(k).
(5) Si z(k) > z ajustar una alerta de peligro. Si Na alertas de peligro
consecutivas se presentan ajustar una alerta de falla.
(6) Si un alerta de falla es encendida, almacenar el vector de datos del
proceso x(k) en una matrix auxiliar Xaux durante las proximas Naux
muestras.
(7) Si un alerta de falla ha sido encendida y k >= Naux actualizar los
factores de escalado b(k) y s(k) utilizando la matriz de datos auxiliar
Xaux .
(8) Actualizar los lmites de control T 2 (k) y Q (k), utilizando la matriz
de datos normales actual y el nivel de confianza .
(9) Realizar la DVS de la matriz de autocorrelacion de los datos normales
Xn (k).
(10) Seleccionar los componentes principales retenidos A(k) utilizando el
criterio PVA con pva %. Actualizar el modelo ACP y
(11) Ir al tem de monitoreo nuevamente con k + 1.
Figura 5.1: Algoritmo ACPA con estadsticos combinados

utilizando el criterio de veces la varianza (ver ec. 3.11). Tambien en esta seccion se ajusta el
tama
no de la ventana temporal de los datos normales Nw , la dimension de la matriz auxiliar
Naux y la llamada matriz de datos normales Xn (0) utilizada para actualizar los parametros.
El monitoreo en lnea comienza con la obtencion de una nueva muestra del proceso x(k),
la cual es escalada utilizando los factores de escala para obtener x(k). Esta es evaluada en los
estadsticos T 2 (k) and Q(k) y utilizando los lmites de control previos T 2 (k 1) y SP E (k 1)
el estadstico combinado z(k) es calculado. Si z(k) z , la matriz de datos normales es
actualizada Xn (k) borrando los datos mas antiguos y concatenando el dato nuevo x(k), si esto
no se cumple entonces el dato nuevo no se incluye en la matriz de datos normales. Si z(k) > z
una alerta de peligro es ajustada y si Na alertas de peligro consecutivas estan activas entonces
debe activarse una alerta de falla. En este u
ltimo caso las muestras actuales del proceso x(k)
son almacenadas en la matriz de datos auxiliar Xaux durante las proximas Naux muestras.
Notar que la ventana temporal esta ntimamente relacionada con el tiempo maximo requerido
para alcanzar el estado estacionario (propio de cada proceso). Adicionalmente si k >= Naux
(todos los datos anormales han sido almacenados en la matriz auxiliar) los factores de escala
son actualizados a b(k) y s(k) utilizando dicha matriz. El proximo paso es actualizar los lmites
de confianza T 2 (k) y Q (k) utilizando el criterio de veces la varianza como se explico en la
ec. 3.11, siendo = 2 para 95 % y = 3 para 99 % de nivel de confianza.
Tambien puede considerarse, en el caso de que sea necesario, actualizar la informaci
on
101
5.1. Dise
no del SDDEF
(a) Estadstico T 2 (k)
(b) Estadstico Q(k) statistic
(c) Estadstico combinado z(k)
Figura 5.2: Algoritmo clasico de ACP y el propuesto ACPA

respecto de los cambios en la correlaci
on de los datos del proceso. Esto puede llevarse a cabo
considerando o no los puntos (9) y (10) del algoritmo de la Fig. 5.1. El primero, involucra la
DVS de la nueva matriz de correlaci
on calculada sobre Xn (k) y para completar el proceso de
actualizacion el punto (10) recalcula los componentes principales A(k) retenidos utilizando el
criterio PVA. Notar que con estas modificaciones tanto el modelo ACP como A son actualizados
en cada instante temporal k.
Generalmente la actualizaci
on del modelo P y de los componentes principales A es necesaria cuando la correlaci
on entre las variables del proceso se ve modificada, por ejemplo cuando
cambia el tiempo muerto entre las variables. Las modificaciones de las variables del proceso
respecto de sus valores medios y de varianza son actualizados utilizando la matriz de datos
auxiliar Xaux . En la mayora de los casos esta actualizacion de medias y varianza en conjunto
con la actualizaci
on de los lmites de confianza resulta suficiente para mantener el correcto
monitoreo del proceso en situaciones cambiantes, bajo diferentes polticas de trabajo, perturbaciones y fallas.
102
5.1. Dise
no del SDDEF
Figura 5.3: Estrategia del SLD

En la Fig. 5.2 se puede apreciar un ejemplo de aplicacion donde se comparan el algoritmo de
ACP clasico con el propuesto ACPA de la Fig. 5.1, en ambos casos con estadsticos combinados.
En este caso se presenta un analisis realizado sobre una planta de pulpa y papel en la que
ocurren dos fallas secuenciales en sensores. La primera aparece en t = 500 min. y es debida a
una falla en el sensor de temperatura del reactor de oxgeno (bias positivo) y la segunda ocurre
en t = 7000 min. y es debida a un error de medicion en el sensor de temperatura del reactor de
blanqueo E (bias negativo). Las Figs. 5.2(a), 5.2(b) y 5.2(c) muestran la evolucion temporal en
este caso de los estadsticos T 2 (k), Q(k) y z(k) respectivamente, cuando una estrategia clasica
de ACP y la propuesta ACPA es utilizada. Puede observarse como el ACP clasico solo puede
detectar la primera falla quedando su estadstico fuera de los lmites de confianza sin permitir
detectar la segunda. Por otro lado, la metodologa ACPA propuesta adapta sus parametros
permitiendo la correcta detecci
on de ambos eventos anormales con buena resolucion temporal.
Ademas mantiene sus estadsticos dentro de la region de confianza dejando al sistema listo para
nuevas posibles detecciones. se puede observar tambien el beneficio de contar con el estadstico
combinado z(k) para evitar perdida de detecciones. En el caso de ACPA la segunda falla no
es detectada con el estadstico T 2 (k), pero s lo es cuando se utiliza el estadstico combinado.
5.1.2.
Aislamiento: SLD y extracci

on autom
atica de reglas (EAR)
La idea detras de este metodo es la de utilizar la informacion obtenida del sistema de

monitoreo y detecci
on ACPA, para realizar la clasificacion del estado del proceso. Por ejemplo,
estas se
nales pueden ser la contribucion a los estadsticos tales como t(k) = PT xT (k) que
e T (k) que hace lo propio con Q(k).
aporta a T 2 (k) y/o x(k) = Cx
La base de datos del proceso, ya sea la base de comportamiento normal como la anormal son
procesadas y analizadas. Bajo operacion normal todas las variables del proceso se encuentran
dentro de su rango delimitado por sus lmites superiores e inferiores. La primera base de
datos posee informaci
on respecto de los lmites de todas la variables en operacion normal. En
presencia de un evento anormal ciertas variables especficas del proceso exceden sus respectivos
lmites generando un patr
on (huella) de la falla perfectamente definido. El conjunto de estos
patrones para cada tipo de eventos definen la llamada matriz de reglas en el lenguaje de SLD.
103
5.1. Dise
no del SDDEF
En esta tesis el sistema de clasificacion esta basado en la teora de SLD. El sistema de

deteccion ACPA otorga informaci
on concreta respecto del instante de ocurrencia de la falla
e informacion respecto de las modificaciones sufridas por el proceso. As, pueden construirse
las funciones de pertenencia, los valores ling
usticos y las reglas correspondientes a una falla
particular. Entonces analizando la contribucion a los estadsticos (t(k) y/o x(k)) y sus
desviaciones puede definirse un u
nico patron (huella) para cada evento anormal que ocurre
en el proceso. La base de datos de operacion anormal del proceso es analizada para realizar
la extraccion automatica de reglas y agrupar los patrones obtenidos en la llamada matriz de
reglas.
Esta es una estrategia modificada a la dada por Musulin (2005) y Musulin et al. (2006). En
estos trabajos se consider
o: ACP clasico, monitoreo utilizando estadsticos simples, no se consideran fallas secuenciales, se toman valores fijos de las fallas, se adopta la contribucion media
despues de la fuzificaci
on y el SLD funciona continuamente. En la contribucion presentada
en esta tesis se ampla y mejora el funcionamiento considerando: ACP adaptivo, estadsticos
combinados, ocurrencia de fallas secuenciales, la magnitud de la falla puede tomar cualquier
valor dentro de un rango determinado, la contribucion media es calculada antes de la fuzificacion y el SLD funciona solamente cuando un evento anormal es detectado por el sistema de
monitoreo.
La entrada del SLD se define en la ec. 5.2, donde las ui (k) (Fig. 5.3) son las variables
a ser analizadas (contribuciones a T 2 y/o Q) y presentadas como normalizacion respecto del
estado normal.
uLD (k) = [u1 (k), u2 (k), . . . , ur (k)]
(5.2)
donde r es el n
umero de componentes. Utilizando el instante de deteccion td de la falla que
ocurre en tf , dado por el subsistema de monitoreo, se puede definir una zona de analisis
[Tiz , Tf z ] para cada componente. Esto puede observarse en la Fig. 5.3, donde se presenta la
estrategia utilizada por el SLD, siendo la variable i la que esta sujeta a analisis.
Con la finalidad de poder evaluar el estado del proceso utilizando uLD (k) y la zona de
analisis, se calcula entonces la contribuci
on media de cada componente ui (k) en dicha zona y
se agrupa en
m m
m
um
(5.3)
LD = [u1 , u2 , . . . , ur ]
donde
um
i = prom (ui (k))
Tiz k Tf z
1ir
(5.4)
y prom() es la funci
on que computa el promedio o valor medio.
Para cada componente um
i se definen tres cualidades o estados posibles, representados
usticos
como funciones de pertenencia (FP) seg
un: f pia , f pin y f pib generando los valores ling
alto, normal y bajo respectivamente. As el estado individual de la componente i puede caracterizarse mediante dichos valores ling
usticos. Las funciones de pertenencia estan representadas
mediante funciones trapezoidales (Fig. 5.3) caracterizadas mediante cuatro parametros como
se muestra en la ec. 5.5.
m
f pia (um
i ) = trap(ui , bi , ai , ei , ei )
i
m
m
f pn (ui ) = trap(ui , di , ci , bi , ai )
m
f pib (um
i ) = trap(ui , fi , fi , di , ci )
1ir
(5.5)
donde ai , bi , ci , di , ei y fi estan directamente relacionados con los lmites de operacion en funcionamiento normal [Limin , Limax ] para cada componente i y pueden considerarse parametros
de ajuste. Los valores de salida de cada FP (mfji (um
umero que se encuentra entre
i )) es un n
m
0 y 1 e indica el grado de pertenencia de ui a los estados definidos con j = b, n, a. De esta
forma el valor ling
ustico li puede asignarse a cada componente indicando el estado individual
104
5.1. Dise
no del SDDEF
de la misma y dependera del grado de pertenencia. La FP con mayor grado de pertenencia

define el valor ling
ustico (estado), matematicamente esto puede representarse como:
, si f pib > f pin y f pib > f pia ;

bajo
normal , si f pin > f pib y f pin > f pia ;
for 1 i r
(5.6)
li =
i
i
i
i
alto
, si f pa > f pn y f pa > f pb .
Analizando todas las componentes r de um
LD puede obtenerse el estado global del proceso
por medio de los valores ling
usticos que cada componente adquiere individualmente. Este conjunto define un patr
on (huella) para cada evento anormal que ocurre en la planta y se denomina
regla del SLD. Para una falla/evento particular del tipo p su regla asociada esta definida por
Rp = [l1p , l2p , , lrp ], donde lip estan dados por la ec. 5.6.
As, analizando la base de datos del proceso bajo comportamiento anormal fuera de lnea
pueden obtenerse las reglas del SLD. Este procedimiento es denominado extraccion automatica
de reglas y una o mas reglas pueden obtenerse para cada tipo de evento particular. Estas reglas
seran utilizadas para clasificaci
on en lnea y seran almacenadas en una matriz de reglas del
tipo Rmatriz = [R1 , R2 , , Rp ]T con p la cantidad de eventos/fallas diferentes que pueden
ocurrir en el proceso.
En el monitoreo en lnea del proceso, cuando una falla es detectada por el subsistema
de ACPA, las contribuciones a los estadsticos se analizan mediante el subsistema de logica
difusa y se computa um
LD . Las salidas del SLD yLD = [y1 , y2 , , yp ] son la posibilidad de
ocurrencia de los estados/fallas [1, 2, . . . , p]. Esta posibilidad es un n
umero escalar entre cero
y uno que representa el llamado soporte de la regla en la teora de LD. Valores cercanos a cero
indican una baja posibilidad de que la regla correspondiente sea verdadera, en otras palabras,
la falla/evento correspondiente presenta baja posibilidad de que ocurra. Valores cercanos a uno
indican la situaci
on opuesta. Cada componente de la salida del SLD es calculada mediante el
procedimiento de defuzificaci
on evaluando el correspondiente soporte de la regla de la matriz
de reglas.
h
i
1,i m
2,i m
r,i m
yi = prom [Ri (um
(5.7)
LD )] = prom mfj (u1 ), mfj (u2 ), , mfj (ur )
con i = 1, , p los tipos de fallas/eventos, r las componentes de um
LD y j = b, n, a las correspondiente FP en concordancia con los valores ling
usticos representados en la matriz de reglas.
De esta forma la falla/evento presente en el proceso es aislada analizando las componentes de
yLD con mayor soporte.
5.1.3.
Estimaci
on de la falla: m
etodo RNA
Finalmente otro subsistema se desarrolla, basado en RNA, para estimar la magnitud de las
fallas. La idea basica para alcanzar este proposito radica en utilizar la informacion generada
por el subsistema ACPA respecto de las modificaciones del proceso y estimar la magnitud
de interes. De esta forma el lazo puede cerrarse integrando el SDDEF con la estrategia de
control existente en el proceso y convertirla en tolerante a fallos. El subsistema ACPA provee
informaci
on respecto de las desviaciones sufridas por el proceso respecto de los valores medios
y de varianza de las variables cuando alg
un evento/falla ocurre.
En esta tesis se utilizara la estrategia de RNA para la estimacion de fallas en sensores y
actuadores caracterizado por un bias abrupto y un retardo extra respectivamente. Con el objeto
de realizar una correcta compensacion de las fallas una estimacion precisa de estas cantidades
es crucial. Detalles especficos respecto de la estructura y entrenamiento de las RNA puede
encontrarse en la secci
on 3.4.
Un problema adicional es el de encontrar las variables del proceso que mas relacionadas
estan con el tipo de falla que permitan la estimacion de su magnitud. En un lazo de control
105
5.1. Dise
no del SDDEF
descentralizado una falla en el sensor presenta un efecto similar a un rechazo de perturbacion

de salida. As, la variable mas representativa de la magnitud de la falla resulta ser la correspondiente VM en este caso. En el caso de control multivariable puede ocurrir que mas de una
VM exista para la misma VC. En este caso el mapeo puede hacerse igualmente eligiendo la
variable mas representativa. En el caso de fallas en actuadores/valvulas del tipo retardo extra
el efecto producido, como ya se ha visto, es el de inestabilizar el lazo de control, generando
oscilaciones en la VC y en la VM correspondiente. Analizando entonces la base de datos del
proceso en funcionamiento anormal pueden realizarse las siguientes vinculaciones
Fallas en sensores: produce una modificacion del punto operativo real del proceso. Puede
relacionarse con las modificaciones en el valor medio de las VMs. Ademas, esta informacion se encuentra disponible del subsistema ACPA, b(k).
Fallas en actuadores: la inestabilidad producida en los lazos de control por este tipo de fallas
puede relacionarse directamente con las variaciones en la varianza de las VCs del proceso.
Esta informaci
on nuevamente se encuentra disponible del subsistema ACPA, s(k).
De esta forma quedan definidos los mapeos a realizar para estimar la magnitud de las fallas.
Para el caso de fallas en sensores se propone vincular variacion en la media de V Mi offset
del sensor de la V Cj donde V Mi es la VM mas representativa del offset introducido por el
sensor de la V Cj . As, la estimaci
on del offset se realiza seg
un la ec. 5.8.
VC
of f j (k) = RN Ap (bV M i (k))
(5.8)
VC
donde of f j (k) es el offset estimado presente en el sensor de la V Cj , RN Ap es la RNA

encargada de realizar la estimaci
on y bV Mi (k) es el valor medio de la VM i otorgado por el
subsistema ACPA en su proceso de readaptacion.
De forma similar puede vincularse variacion en la varianza de V Ci retardo en el actuador
de la V Mj , donde V Ci es la VC mas representativa del retardo introducido por el actuador
de la V Mj . As, la estimaci
on del retardo puede efectuarse seg
un la ec. 5.9.
VM
td j (k) = RN Ap (sV C i (k))
VM
(5.9)
donde td j (k) es el retardo estimado presente en el actuador de la V Mj , RN Ap es la RNA

encargada de realizar la estimaci
on y sV Ci (k) es el valor de la varianza de la VC i otorgado
por el subsistema ACPA en su proceso de readaptacion.
El proceso de entrenamiento de las RNAs es realizado utilizando las versiones normalizadas
de las variables del proceso. La metodologa de mapeo propuesta aqu permite manipular tanto
relaciones lineales como fuertemente no lineales con solo unos poco puntos de la base de datos.
El formato general del SDDEF puede observarse en la Fig. 5.4, presentando la interconexion
entre las herramientas vistas anteriormente. El algoritmo comienza con una etapa de inicializacion de las variables y matrices especficas. El paso siguiente involucra la adquisicion de
nuevos datos desde el proceso para ser evaluados. Utilizando estos nuevos datos se calculan
los estadsticos mediante la estrategia ACPA propuesta completando el monitoreo en lnea. En
el caso de comportamiento normal los estadsticos permanecen bajo los niveles de confianza y
el algoritmo retorna a la etapa de adquisicion de nuevos datos. Si un evento anormal ocurre
el estadstico combinado z(k) excedera su lmite de confianza produciendo alertas de peligro
y eventualmente alertas de falla. En este caso se almacena el tiempo de deteccion Td y el
comportamiento anormal del proceso en la matriz auxiliar Xaux . Cuando la zona de analisis
es habilitada (k = Td + Tf z ) se activa el SLD poniendose en ejecucion el procesamiento y
analisis de la contribuci
on a los estadsticos (t(k) o x(k)) en el rango [Td + Tiz , Td + Tf z ].
Las salidas del SLD muestra la falla mas probable presente en el proceso utilizando el metodo
106
5.1. Dise
no del SDDEF
Figura 5.4: Estructura general del SDDEF

de soporte de las reglas. Los subsistemas siguientes permiten la estimacion de la magnitud de
las fallas. El subsistema que maneja el tipo de falla permite seleccionar la RNA adecuada y su
correspondiente variable de entrada (b(k) o s(k)) para realizar la estimacion. Las magnitudes
de las fallas estimadas se utilizaran sobre los algoritmos de control para convertirlos en tolerante a fallas. Toda la informaci
on relevante que pueda ayudar en la toma de decisiones y el
monitoreo se presenta en lnea para su analisis.
Existen diferentes estrategias de dise
no de SDDEF hbridos en la literatura. En Rosen
(2001) se propone todo un abordaje basado en estadsticos multivariados para efectuar tareas
de monitoreo sobre procesos biol
ogicos como una planta de tratamiento de aguas residuales
(PTAR). Por otro lado, Ruiz (2001) propone realizar la deteccion y clasificacion de fallas utilizando herramientas tales como TWD y RNA. Trabajos como Luo et al. (2005a); Gu et al.
(2004) integran las funcionalidades de TWD y el ACP dinamico y clasico respectivamente.
Otros autores proponen la interconexion de herramientas tales como sistemas expertos, RNA,
discrimiantes de Fisher, reconstruccion va estadsticos combinados y ACP pesado exponencialmente (Venkatasubramanian et al., 2003a; Wu and Liua, 2008; He et al., 2004; Yue and Qin,
2001; Lane et al., 2003). Independientemente de la estrategia utilizada la mayora de estos
trabajos y otros existentes en la literatura no abordan el caso de procesos con condiciones
107
5.2. Indices de rendimiento
de operacion cambiante. En este escenario, la clasica estructura de ACP pierde validez y es

necesario realizar un banco de modelos (estadsticos o cuantitativos) para considerar todos los
puntos operativos posibles (no practico). Ademas, ninguno trata el caso de fallas secuenciales,
perturbaciones no medibles, rangos de variacion continua de las fallas, integracion futura al
CTF automatizado, ndices de confiabilidad de las clasificaciones y una correcta conexion con
el usuario en lo que respecta a cantidad y calidad de la informacion.
5.2. Indices de rendimiento

En esta secci
on se desarrollan ndices que permiten la evaluacion tanto del SDDEF como
del sistema resultante de CTF de forma adecuada.
El subsistema ACPA esta encargado de realizar las tareas propias del monitoreo. En este
caso una de las variables de mayor importancia es el tiempo de deteccion de la falla, Td ,
respecto al instante de ocurrencia de la misma, Tf . Una rapida deteccion permitira una rapida
compensacion generando mejores niveles de seguridad en la operacion de la planta. Por lo
tanto el subsistema ACPA puede evaluarse respecto de su velocidad de deteccion. La diferencia
T = Td Tf , representa el retardo en la deteccion y puede compararse con la dinamica mas
lenta presente en el proceso, Tsd . en consecuencia el retardo en la deteccion es evaluado como
un porcentaje del tiempo maximo para alcanzar el estado estacionario, resultando en el ndice
que se observa en la ec. 5.10, llamado porcentaje del tiempo de deteccion (P T D).
PTD =
Td Tf
100 %
Tsd
(5.10)
El subsistema de LD realiza la clasificacion de la falla utilizando parte de la informacion

generada por el ACPA. En este caso las variables de mayor importancia estan relacionadas con la
calidad (confianza) de la clasificaci
on y el grado de robustez, es decir los valores alcanzados por
el vector de soporte de las reglas. El ndice desarrollado aqu, llamado porcentaje de soporte de
la regla (P SR) mide la relaci
on entre el soporte promedio de las reglas que han sido descartadas
en la clasificaci
on, respecto del soporte de la regla seleccionada como mas probable. Esto indica
el grado de precisi
on del procedimiento a priori. Caracterstica que resulta de vital importancia
en un SDDEF y que transfiere confianza a las personas encargadas del proceso. Considerando
la salida del SLD yF L = [y1 , y2 , . . . , yp ] conteniendo los soportes individuales de las p reglas,
un valor de yi cercano a la unidad indica alta posibilidad de ocurrencia de la falla especfica
i y un valor cercano a cero indica la situacion contraria. Suponiendo que el SLF realiza una
clasificacion yj cuando la falla j ocurre entonces el ndice P SR viene dado por

1 Pp
yj (p1)
i=1,i6=j yi
P SRj =
100 %
(5.11)
yj
P
la contribucion media de las reglas que quedaron fuera de la clasificacion, pi=1,i6=j yi /(p 1)
es evaluada respecto del soporte de la clasificacion realizada, yj en forma de porcentaje. Valores
de P SRj mayores que cero indican buenas propiedades de aislamiento de las fallas, la falla
correcta no puede ser confundida con otras reglas. Por otro lado, valores cercanos a cero
indican una alta posibilidad de realizar una clasificacion erronea, poco robusto. Y finalmente
un valor de RSPj negativo indica claramente un error en la clasificacion.
La estimaci
on de la magnitud representativa de la falla se realiza por el subsistema de RNA.
En este caso el ndice mas importante esta relacionado con el error presente en la estimacion.
Es decir, el error cuadratico medio de prediccion (ECMP) para la estimacion de la magnitud
108

de la falla j viene dado por la ec. 5.12.

ECM Pj =
N
1 X
(
qj (k) qj (k))2
N
(5.12)
k=1
donde qj (k) es la magnitud real de la falla j, qj (k) la estimacion realizada por el subsistema
RNA, y N el n
umero de muestras utilizadas para computar el error.
Finalmente es necesario contar con alg
un tipo de ndice que permita evaluar el rendimiento
del sistema CTF en su conjunto, respecto de una estructura de control clasica. En este caso
se utiliza el porcentaje de mejora del error (P M E) basado en la integral del error absoluto
(IEA) y expresado como muestra la ec. 5.13 (Castro and Doyle (2004a,b)).
P M Ej =
IEAconv
IEActf
j
j
IEAconv
j
100 %
(5.13)
donde P M Ej corresponde a la mejora del error para el caso de la falla j presente, IEAconv
j
es el rendimiento para la variable de interes (lazo individual) cuando se utiliza una estrategia
convencional de control (sin SDDEF), y IEActf
ndice evaluado con una estrategia
j es el mismo
integrada de CTF (con SDDEF). El ndice IEA resulta
IEAij
N
X
|spr (k) yimr (k)|
(5.14)
k=1
siendo spr (k) la trayectoria de referencia para la variable de salida r, yimr (k) es la variable
medida del proceso correspondiente al lazo r y a la estrategia de control i = conv, ctf , y
IEAij indica el error ocurrido cuando se encuentra presente una falla tipo j y la estrategia de
control i. Un valor positivo de P M E significa que la nueva estrategia de control mejora el
rendimiento respecto de la convencional. Valores proximos a cero indican que no existe mejora
significativa y que ambas estrategias pueden considerarse semejantes en cuanto a IEA.
Ademas de los indices de rendimiento desarrollados aqu, cada proceso particular puede
incorporar una serie de requerimientos que deben ser cumplidos y comprobados respecto del
correcto funcionamiento de la planta en s misma. Indices relacionados con costos de operaci
on,
calidad final de los productos, ndices de contaminacion, etc. pueden ser algunos de los mas
importantes a la hora de definir una estrategia de control sobre otra.
5.3.
Caso de aplicaci
on No 1: planta de tratamiento de aguas
residuales (PTAR)
En la literatura algunos trabajos solo se han focalizado en sistemas de monitoreo para

PTAR. En Lee et al. (2004) se presenta un sistema de reconstruccion de mediciones sujetas a
fallas y ruidosas. En este caso no se ha considerado la ocurrencia simultanea de ruido y offset,
ni fallas secuenciales. El sistema de identificacion de fallas esta construido en base a ACPD.
Ademas, incorpora herramientas como optimizacion iterativa para la reconstruccion de la falla
y un ndice de validez del sensor. En Yoo et al. (2006) se propone un sistema de monitoreo
construido por herramientas estadsticas (ACP) y de logica difusa integrada con clustering
(Fuzzy-c-means y adaptive Fuzzy-c-means). Otra aplicacion de SE es propuesta por Pu
nal
et al. (2002), donde un sistema basado en el conocimiento y reglas Si Entonces se aplica
sobre una PTAR. As, son generadas las acciones de informacion y avisos. Tambien existen
algunas aplicaciones sobre la PTAR de control supervisor. Tal es el caso del trabajo propuesto
por Ekman et al. (2006) donde se propone una cascada de controladores del tipo PI y una
109

estrategia de conmutaci
on para un proceso de lodos activos, con la finalidad de controlar el
nivel de aireaci
on. En este caso no se han considerado fallas ni aspectos de monitoreo y mucho
menos CTF. Por otro lado, un metodo para caracterizar sensores es propuesto por Rieger et al.
(2005). La metodologa esta basada en regresion lineal y comprobaciones estadsticas para
validar la informaci
on suministrada por los sensores.
En esta secci
on se presenta el ajuste y aplicacion de la estrategia SDDEF/CTF propuesta
anteriormente sobre la PTAR. En este caso se han considerado fallas en sensores del tipo
offset y en actuadores del tipo retardo extra. Ademas, se ha realizado un completo conjunto
de simulaciones comprobando el correcto funcionamiento de la metodologa propuesta ante
fallas simples, perturbaciones secuenciales, mediciones ruidosas y actualizaciones de la poltica
de control. Parte de los resultados mostrados aqu se resumen en el trabajo Zumoffen and
Basualdo (2008b).
El proceso presentado aqu es el resultado de estrategias de dise
no de planta de tratamiento
de aguas residuales (PTAR) desarrollados por Coop (2001). El modelo de la planta considera
diferentes entornos de programaci
on con la finalidad de convertirse en un patron (benchmark)
donde puedan ser probados diferentes estrategias de control va simulacion. Esta incluye un
completo dise
no de la estructura del proceso, parametros especficos del modelo y un conjunto
de perturbaciones mas comunes para proponer estrategias de control alternativas. Ademas
incluye un completo conjunto de ndices de rendimiento que pueden utilizarse para analizar el
funcionamiento del proceso y de los lazos de control.
El modelo completo esta basado en dos modelos de procesos internacionalmente aceptados
como, el modelo de lodos activados no. 1 (ASM1) que se usa para modelar cada unidad de
reaccion de la planta con 13 variables de estados, como modelo del proceso biologico, y una
funcion de sedimentaci
on de velocidad doble exponencial, la cual esta basada en conceptos de
flujos solidos, como el modelo del proceso de sedimentacion. Resultando as en una planta de
tratamiento con 6 unidades de proceso. Para asegurar una aplicacion consistente del modelo
como prueba patr
on, se han identificado y definido todos los parametros estequiometricos y
cineticos.
Ambos modelos interconectados dan como resultado un complejo proceso biologico que
debe ser controlado bajo condiciones de perturbacion permanente. En este caso particular han
sido utilizadas las condiciones de perturbacion denominadas de tiempo seco que representan
las condiciones diarias normales de variacion del flujo en el influente. El correcto monitoreo
y control del proceso resulta esencial debido a que posibles eventos anormales resultaran en
inadmisibles acciones de control y excursiones de los ndices de rendimiento por rangos no
permitidos.
Un proceso de lodos activados pretende alcanzar una suficientemente baja concentracion de
materia biodegradable en el efluente con mnima produccion de barro y mnimos costos. Esto
es alcanzado u
nicamente con el sistema bajo control. El proceso consiste de cinco tanques
biologicos (Ri , i = 1 . . . 5) en serie con un sedimentador no reactivo secundario (S). Los
reactores R1 y R2 son tanques an
oxicos y perfectamente mezclados, mientras que los u
ltimos
tres tanques R3 , R4 y R5 son aireados. Existen dos reciclos internos en el proceso, el reciclo
de nitrogeno desde el quinto reactor hacia el primer tanque y el reciclo de barros desde el
flujo de salida del sedimentador hacia la entrada de la planta. Como en el sedimentador no se
llevan a cabo reacciones biol
ogicas la concentracion de oxgeno en el reciclo es la misma que
la del quinto tanque. El desperdicio es bombeado de forma continua desde el flujo inferior del
sedimentador. La estructura completa del proceso y la estrategia de control se muestran en la
Fig. 5.5.
Los atributos fsicos de los elementos del proceso, los flujos nominales y los coeficientes de
aireacion se muestran en la Tabla 5.1.
La estrategia de control descentralizada se encuentra implementada por medio de dos lazos,
110

Figura 5.5: PTAR y estrategia de control descentralizada

Tabla 5.1: Elementos del proceso y variables en la PTAR
Elementos
Valores
Unidades
Volumen - Tanques 1, 2
Volumen - Tanques 3, 4, 5
Area
- sedimentador
Volumen - sedimentador
1000
1333
1500
6000
m3
m3
m2
m3
18446
18446
55338
385
10
3.5
m3 /d
m3 /d
m3 /d
m3 /d
1/hr
1/hr
Variables
Flujo del influente
Flujo del reciclo
Flujo del reciclo interno
Flujo del desperdicio
KL a - 3, 4
KL a - 5
el primero involucra el nivel de oxgeno disuelto (OD) como VC en el quinto reactor, utilizando
un controlador del tipo PI que manipula el coeficiente de aireacion KL a5 en dicho tanque. El
segundo lazo, lleva a cabo el control de nivel de nitrogeno (N ) en el segundo tanque por medio
de un controlador tipo PI y la manipulacion del flujo del reciclo interno Qintr . En el primer
lazo se supone sensor de OD ideal y para el segundo una medicion ruidosa y retardada del
nivel de nitr
ogeno. En ambos casos este es su comportamiento normal, es decir, sin considerar
fallas. El ajuste inicial de los controladores y las variables del proceso se pueden observar en la
Tabla 5.2.
En este caso se propone dos tipos de fallas en cuatro elementos del proceso, para mas
detalles ver secci
on 4.1:
Fallas en sensores: los sensores de OD y N estan sujetos a posibles fallas caracterizadas por
un offset abrupto que genera errores en la medicion.
Fallas en actuadores: tanto el actuador KL a5 como el Qintr pueden presentar comportamientos anormales adicionando retardos de accion en las VMs.
Los retardos temporales existen frecuentemente en la practica inducidos por transporte
a traves de grandes distancias, comunicaciones o fallas mecanicas en valvulas. Esto afecta
fuertemente la estabilidad de los lazos de control deteriorando el rendimiento. As el dise
no de
sistemas de CTF representan una herramienta sumamente importante para abordar este tipo
de escenarios. No existen demasiados trabajos en la literatura que traten este problema de
111

Tabla 5.2: Ajuste de los controladores

Variables
Lazo 1
Lazo 2
Tipo de controlador
Variable controlada (VC)
Variable manipulada (VM)
Punto de trabajo
PI continuo con AW
OD [g/m3 ]
KL a5 [1/hr]
2 [g/m3 ]
PI continuo con AW
SN O [gN/m3 ]
Qintr [m3 /d]
1 [gN/m3 ]
500 [1/d/(g(COD)/m3 )]
0,001 [d]
0,0002 [d]
[0, 10] [1/hr]
15000 [m3/d/(gN/m3 )]
0,05 [d]
0,03 [d]
[0, 92230] [m3 /d]
Par
ametros
Ganancia proporcional (K)
Const. de tiempo integral (Ti )
Const. de tiempo AW (Tt )
Saturaciones VM [min, max]
Tabla 5.3: Parametros del SDDEF

ACPA
SLD
RNA
Ts = 1/96 [das]
A(0) = 4
Nw = 1345 [muestras]
Naux = 100 [muestras]
pva = 98 [ %]
z = 2
= 3 (99 %)
Na = 3
[bi , ci ] = [Limin + 0,1, Limax 0,1]

[ai , di ] = [Limin 0,1, Limax + 0,1]
+
[bi , ci ] = [sat
i + 0,1, sati 0,1]

[ai , di ] = [sati 0,1, sat+
i + 0,1]
ei = [1000, 1000]
[Tiz , Tf z ] = [45, 80] [muestras]
r=8
tVd M 1 : 2UCO, 1US

tVd M 2 : 3UCO, 1US
oVf fC1 2UCO, 1US
oVf fC2 4UCO, 1US
UCO: tangente hiperbolica
US: lineal
AE: Levenberg-Marquardt
manera eficiente y en lnea (Gao et al. (2005); Jiang and Zhou (2005); Bjorklund and Ljung
(2003); Jordan et al. (2006); Zumoffen et al. (2006, 2007)). Este tipo de fallas presentan
un desafo real en la tareas de DDEF. Bloqueos en valvulas es otro tipo de falla habitual, si
bien es una versi
on extrema puede abordarse correctamente con el algoritmo aqu desarrollado
(Zumoffen and Basualdo, 2008a). Una reconfiguracion y redise
no del controlador es esencial
para garantizar caractersticas de tolerancia a fallos. La reconfiguracion de la poltica de control
puede realizarse en lnea o predefinirse fuera de lnea y conmutar en el momento oportuno.
Otro tipo de fallas propuesto aqu refiere a posibles offset abruptos que tienen lugar en los
sensores. Bajo funcionamiento a lazo cerrado este tipo de fallas no son tan faciles de detectar
y estimar debido al efecto de rechazo de perturbaciones de los controladores.
Una descripci
on completa de diferentes tipos de fallas en casos reales puede encontrarse en
el sitio web del consorcio de manejo de situaciones anormales ASM. Aqu puede encontrarse una
presentacion detallada respecto de diferentes tipos de eventos anormales, fuentes potenciales,
soluciones, etc., para aplicaciones en procesos qumicos reales.
5.3.1.
Ajustes de SDDEF
El monitoreo y detecci
on de fallas se realiza mediante el algoritmo presentado en la seccion
5.1.1. Aqu las variables analizadas son el coeficiente de aireacion KL a5, el flujo de reciclo
interno Qintr , las mediciones de nivel de nitrogeno en los reactores 1 y 2, N1 , N2 respectivamente y los errores de seguimiento de los puntos operativos para ambos lazos de control
eo5 = ro5 OD y en2 = rn2 N , donde ro5 representa la trayectoria de referencia para el
lazo de nivel de oxgeno del reactor 5, OD es la medicion de dicho nivel en ese reactor, rn2
es la referencia para el lazo que controla el nivel de nitrogeno en el reactor 2 y N la medicion
112

Figura 5.6: Matriz de reglas en PTAR

de dicho nivel. Los parametros mas importantes que se utilizaron en el ajuste del SDDEF se
pueden apreciar en la primera columna de la Tabla 5.3. En este caso el algoritmo de la Fig.
5.1 es ejecutado en su totalidad incluidos los puntos 9 y 10 que permiten la actualizacion del
modelo P y el c
omputo de los nuevos componentes principales A(k) retenidos. Debido a que
la cantidad de componentes principales puede modificarse a lo largo del funcionamiento del
proceso la contribuci
on a los estadsticos utilizada en el procedimiento de clasificacion son los
e T (k) ya que los t(k) = PT xT (k) poseen una dimension variable.
x(k) = Cx
La matriz de reglas resultante del procedimiento de extraccion automatica de reglas (5.1.2)
puede observarse en la Fig. 5.6. Aqu se observa como, en algunos casos, las VM saturan
debido a la influencia de las fallas. La subdivision de la matriz de reglas se realiza de la
siguiente manera: las primeras dos reglas R1 y R2 corresponden a fallas ocurridas en el sensor
de oxgeno (F1 ) en el reactor 5, la tercera regla R3 corresponde al caso de fallas en el sensor
de nitr
ogeno en el reactor 2 (F2 ), las reglas R4 y R5 corresponden a fallas en el actuador
KL a5 (F3 ) y la regla R6 para el actuador Qintr (F4 ) respectivamente. Estas reglas definen
un estado general del proceso bajo control, es decir, las magnitudes de las fallas son tales que
a
un permiten operar la planta sin saturaciones de larga duracion en las VMs y recuperar el
control. Las reglas R7 a R10 definen un estado del proceso en el cual las magnitudes de las
fallas en sensores son lo suficientemente grandes como para provocar la saturacion definitiva
de las VMs y por ello la perdida de control. Las reglas R7 y R8 hacen referencia a fallas
tipo F1 con offset positivos y negativos respectivamente. De igual forma las reglas R9 y R10
definen fallas tipo F2 . Los parametros mas representativos del SLD se pueden encontrar en la
segunda columna de la Tabla 5.3.
Las funciones de pertenencia como puede observarse de la Fig. 5.6 estan diferenciadas seg
un
los componentes que se analicen. Es decir, cuando se analiza la contribucion al estadstico Q
(x(k)) existen definidos tres posibles estados individuales para cada componente i, bajo,
normal y alto, representados por la FPs f pib , f pin y f pia respectivamente y sus parametros de
dise
no ai , bi , ci , di y ei . En el caso de que se analicen las VMs aparecen ademas dos estados
adicionales los cuales representan saturacion a mnimo y saturacion a maximo. Estas FPs
poseen los valores ling
usticos f pisat y f pisat+ respectivamente y sus parametros de dise
no
son ai , bi , ci , di . Todos los ajustes estan realizados seg

un la base de datos en funcionamiento
113

(a) Estimaci
on tVd M 1
(b) Estimaci
on tVd M 2
(c) Estimaci
on oVf fC1
(d) Estimaci
on oVf fC2
Figura 5.7: RNA para la PTAR

normal del proceso de donde se puede extraer Limin y Limax , y por medio de las limitaciones
+
fsicas en los actuadores se puede dise
nar sat
i y sati . De esta forma el SLD posee dos
componentes que analizan las variables en paralelo, por un lado la componente que clasifica
el estado de la contribuci
on a los estadsticos y por otro la componente que permite definir el
estado de las VMs.
Finalmente en la tercer columna de la Tabla 5.3 se resumen los parametros de las RNAs
utilizados en su entrenamiento. Para cada tipo de falla se entrena una RNA con sus correspondientes unidades de capa oculta (UCO) y unidades de salida (US). Recordando el mapeo
propuesto en las ecs. 5.8 y 5.9 en este caso resulta:
oVf fC1 (k) = RN A1 (bV M 1 (k)) ,
oVf fC2 (k) = RN A2 (bV M 2 (k))
(5.15)
para la estimaci
on del offset presente en los sensores, siendo, oVf fCi (k) dicha estimacion e
i = OD, N y bV M j (k) las modificaciones del valor medio en las VM j, con j = KL a5, Qintr
114

respectivamente. El mapeo para la estimacion del retardo resulta de forma similar

tVd M 1 (k) = RN A3 (sV C1 (k)) ,
tVd M 2 (k) = RN A4 (sV C2 (k))
(5.16)
siendo en este caso tVd M i (k) el retardo estimado presente en el actuador i = KL a5, Qintr y
sV Cj (k) las modificaciones en el valor de la varianza de la VC en cuestion, con j = OD, N
respectivamente.
El mapeo realizado por las RN A1 a RN A4 puede observarse en la Fig. 5.7. En cada
caso el entrenamiento se ha realizado utilizando solo unos pocos puntos experimentales (),
obteniendo un buen grado de generalizacion (lnea a trazos). En todos los casos se utilizaron
funciones de activaci
on del tipo tangente hiperbolica en capa oculta y del tipo lineal para las
unidades de salida. EL algoritmo de entrenamiento seleccionado fue el de Levenberg-Marquardt
de la toolbox de Matlab (Demuth and Beale (2002))
En el caso en que el SLD detecte saturacion en la VM debido a fallas en sensores el
proceso de estimaci
on del offset se torna mas simple. La saturacion en la VM produce que el
proceso trabaje a lazo abierto y la VC se desplace hacia otro punto operativo alejandose de su
trayectoria de referencia. Este alejamiento resulta proporcional a la magnitud de la falla y no
es necesario realizar su estimaci
on mediante RNAs. En este caso la estimacion del offset se
realiza mediante las expresiones de la ec. 5.17.

m
ax (spi (k) V Ci (k)) si, V Mj (k) V Mjmax
(5.17)
oVf fCi (k) =
mn (spi (k) V Ci (k)) si, V Mj (k) V Mjmin
donde spi (k) es la trayectoria de referencia para el lazo i, VCi (k) es la medicion de la VC del
lazo i, V Mi (k) es la VM correspondiente al lazo de control i, V Mjmax and V Mjmin son los
lmites maximo y mnimo para las VMs, con i = OD, N y j = KL a5, Qintr respectivamente.
En la Fig. 5.8 se puede apreciar el esquema general del SDDEF para este caso. La idea
general esta basada en la estructura mostrada en la Fig. 5.4. En este ejemplo solo peque
nas
modificaciones se incorporaron para tener en cuenta aspectos particulares de este tipo de
procesos. Una diferencia clara es el bloque de manejo de saturaciones conmutando entre las
redes y el algoritmo de la ec. 5.12 para realizar la estimacion. Luego la estructura refect
ua las
mismas tareas definidas en la seccion 5.1.
5.3.2.
Integraci
on al CTF
Un aspecto no menos importante es como utilizar la informacion generada por el SDDEF

de forma tal de poder compensar el efecto introducido por los diferentes tipos de fallas. De
esta forma la integraci
on entre el SDDEF y la estrategia de control existente es una tarea
fundamental para lograr convertir la poltica de control en una que sea tolerante a fallos. En
este caso particular el proceso posee una estrategia de control descentralizada conteniendo dos
lazos de control y controladores del tipo PI.
En secciones anteriores (seccion 4.2.1) se pudo observar que para la compensacion de
fallas en sensores el CAP tena un tratamiento similar a actualizar la trayectoria de referencia
de forma proporcional utilizando el offset estimado. Basado en estas ideas se puede sugerir
una integraci
on para este tipo de fallas y una estrategia descentralizada como se muestra en
la Fig. 5.16. En este caso se propone una integracion va actualizacion de la trayectoria de
referencia original sp0i (k) utilizando la estimacion del offset dado por el SDDEF oVf fCi (k).
spi (k) = sp0i (k) + oVf fCi (k) con
i = OD, N
(5.18)
donde spi (k) es la referencia actualizada.
115

Figura 5.8: Estructura del SDDEF para la PTAR

Por otro lado, se vi
o en la secci
on 4.2.1 que para el caso de fallas en actuadores (retardos
extras en el lazo de control) una forma de compensacion efectiva era la actualizacion de los
parametros del controlador teniendo en cuenta el retardo estimado. En dicho caso la estrategia
de control era predictiva adaptiva y una forma de incorporar esta informacion del retardo es
mediante la actualizaci
on del modelo interno del proceso y del inicio del horizonte de prediccion
Hw que ajusta las dimensiones del controlador (ver seccion 3.6.2).
En el caso de controladores PI descentralizados la estrategia de compensacion se modifica
un poco ya que no existe Hw y no hay un modelo adaptivo. Una forma efectiva para realizar
dicha compensaci
on es realizar un ajuste de los parametros del PI en lnea utilizando la teora
de control basado en modelo interno (CBMI) propuesto por Rivera (2007, 1986) (ver apendice
E). Teniendo la estimaci
on del tiempo muerto realizada por el SDDEF tVd M i (k) la seleccion
de la constante de tiempo del filtro puede efectuarse considerando la condicion f > tVd M i (k),
luego
fi (k) = tVd M i (k)
(5.19)
donde es un parametro de conversi

on de unidades (minutos a das), es un parametro de
dise
no para considerar el criterio de robustez f > tVd M i (k) y i = KL a5, Qintr . Mediante esta
actualizacion del tiempo de respuesta del filtro el redise
no de los controladores puede llevarse
a cabo mediante la ec. e.3.
116

Tabla 5.4: Ajuste inicial del CBMI

Lazo de control
OD
N
km
mu
0,001
0,05
0,004
1,33 104
0,001/2
0,05/2
1/1440
1/1440
5
5
Los parametros iniciales de los CBMI para este caso se muestran en la Tabla 5.4. En ella
se pueden distinguir los ajustes iniciales de los modelos internos para cada lazo de control (m ,
km y f ), as como tambien el ajuste de los parametros de dise
no para la reconfiguracion de
los controladores ( y ).
5.3.3.
Resultados
En esta secci
on se resume un completo conjunto de simulaciones considerando los diferentes
tipos de fallas comentados anteriormente. La implementacion de la estrategia del SDDEF
se realiza en un algoritmo que recibe los datos del proceso en cada instante de muestreo,
Ts = 1/96 das. El modelo del PTAR se asume funcionado con una perturbacion del tipo clima
seco y se analiza un perodo de simulacion de dos semanas.
La primera simulaci
on mostrada en la Fig. 5.9 considera una falla en el sensor de OD (falla
tipo 1) donde aparece un offset abrupto de 1 g/m3 en Tf = 3 das. En la Fig. 5.9(a) se
presentan las evoluciones de la VC medida cuando la estrategia de control existente se integra
o no con el SDDEF, as como tambien la actualizacion de la trayectoria de referencia. En la
Fig. 5.9(b) se puede observar c
omo la actualizacion de dicha referencia permite retornar la
VC real a las proximidades del punto operativo normal (OD: 2 g/m3 ). La VM del lazo en
cuesti
on puede apreciarse en la Fig. 5.9(c) donde se compara con el funcionamiento normal.
La informaci
on dada por el SDDEF respecto del tipo de falla, grado de soporte de la regla
y estimaci
on del offset presente puede observarse en la Fig. 5.9(e), esta informacion permite
integrar eficientemente la poltica de reconfiguracion y permitir dejar el sistema listo para
posibles nuevas detecciones, como muestra el estadstico combinado de la Fig. 5.9(d). En la
Fig. 5.9(f) se resume la contribucion media de las variables analizadas por el SLD en este
tipo de falla. Para este tipo de falla los tiempos involucrados en la deteccion, clasificacion y
reconfiguraci
on de la falla son, Td = 3, 4791 das y Tc Tr = 4, 5104 das respectivamente.
El rendimiento del SDDEF y el comportamiento del sistema integrado en un CTF seran
analizados de forma detallada mas adelante cuando se definan los ndices adecuados.
La segunda simulaci
on muestra el efecto de la misma falla analizada anteriormente pero
en este caso su magnitud (of f = 4 g/m3 ) es tal que produce la saturacion de su VM y su
eventual perdida de control causando problemas serios en el proceso. Las Figs. 5.10(a) y 5.10(b)
resumen el comportamiento de la VC medida y real respectivamente, en ambos casos se puede
observar claramente c
omo la integracion del SDDEF permite retornar la variable de interes a
las proximidades del punto de trabajo y recuperar el control del lazo (Fig. 5.10(c)). Las Figs.
5.10(d), 5.10(e) y 5.10(f) muestran la evolucion del estadstico combinado z(k), las salidas
del SDDEF (soporte de la regla, tipo de falla y estimacion del offset) y la contribucion media
de las variables analizadas. Para este tipo de falla los tiempos involucrados en la detecci
on,
clasificaci
on y reconfiguraci
on de la falla son, Tf Td = 3 das y Tc Tr = 4, 0521 das
respectivamente. Puede verse en este caso como esta estrategia de integracion permite resolver
el problema de saturaciones debido a fallas de magnitud considerable de manera eficiente.
En la Fig. 5.11 se resumen las simulaciones resultantes de operar el sistema con y sin
integraci
on con el SDDEF cuando ocurre una falla en el sensor de nitrogeno. En este caso
el offset aparece en Tf = 3 das y posee una magnitud de 1 gN/m3 . La VC medida y
117

(a) Variable medida - OD
(b) Variable real - OD
(c) VM - KL a5
(d) Estadstico z(k)
(e) Salidas del SDDEF
(f) Contribuci
on media um
FL
Figura 5.9: Falla tipo 1 (offset en el sensor de OD) - of f = 1 g/m3

sus correspondientes actualizaciones de la poltica de referencia se pueden apreciar en la Fig.
5.11(a). Dicha compensaci
on utilizando el SDDEF permite operar el proceso en funcionamiento
normal a
un cuando la falla existe en el sensor (Figs. 5.11(b) y 5.11(c)). Las salidas del SDDEF
en este caso pueden observarse en la Fig. 5.11(e), se se
nala ademas el soporte de la regla
clasificada, el tipo de falla y la estimaci
on del offset presente en el sensor. Los tiempos en
este caso resultan Tf Td = 3 das y Tc = Tr = 4, 0521 das para el instante de deteccion,
clasificacion y compensaci
on de la falla respectivamente.
Otro caso interesante de analizar y donde probar el rendimiento del SDDEF es cuando
la falla en el sensor de nitr
ogeno es de tal magnitud que provoca la saturacion de su VM.
118

(b) Variable real - OD
(c) VM - KL a5
(d) Estadstico z(k)
(f) Contribuci
on media um
FL
Figura 5.10: Falla tipo 1 (offset en el sensor de OD - saturacion) - of f = 4 g/m3

Esto efectivamente genera el funcionamiento a lazo abierto y la perdida de control. La Fig.
5.12 resume este escenario cuando una falla en el sensor de N ocurre a Tf = 3 das con
una magnitud de 4 gN/m3 . En las Figs. 5.12(a) y 5.12(b) puede observarse como este tipo
de falla, en caso de no contar con integracion del SDDEF, provoca el mal funcionamiento
del proceso al no poder seguir la trayectoria de referencia original ajustada en 1 gN/m3 .
Por otro lado, la integraci
on con el SDDEF efectivamente actualiza la poltica de referencia
permitiendo retornar la VC real a su punto operativo (o a su cercana). Esta compensaci
on
de la falla ademas recupera el control, permitiendo su funcionamiento de forma normal (Fig.
5.12(c)). La Fig. 5.12(d) resume el comportamiento del estadstico combinado para este caso
119

(a) Variable medida - N
(b) Variable real - N
(c) VM - Qintr
(d) Estadstico z(k)
(f) Contribuci
on media um
FL
Figura 5.11: Falla tipo 2 (offset en el sensor de N ) - of f = 1 gN/m3

y se puede observar c
omo su correcta evolucion deja el sistema completo listo para nuevas
posibles detecciones. Las salidas del SDDEF pueden apreciarse en las Figs. 5.12(e) y 5.12(f),
donde se presentan el soporte de la regla clasificada, el tipo de falla identificada, el offset
estimado y la contribuci
on de las variables analizadas de forma respectiva. De forma similar al
caso anterior los tiempos involucrados son Tf Td = 3 das y Tc = Tr = 4, 0521 das para el
instante de detecci
on, clasificaci
on y compensacion de la falla respectivamente.
Se incluye una evaluaci
on del SDDEF integrado a una poltica de CTF cuando fallas
multiplicativas (retardos) se producen en los actuadores de aireacion del tanque n
umero 5 y
la valvula de reciclo interno. En ambos casos la falla se caracteriza por un retardo adicional
120

(b) Variable real - N
(c) VM - Qintr
(d) Estadstico z(k)
(f) Contribuci
on media um
FL
Figura 5.12: Falla tipo 2 (offset en el sensor de N - saturacion) - of f = 4 gN/m3

introducido en el lazo de control debido a malfuncionamiento mecanico de la misma.
Inicialmente, la Fig. 5.13 resume el caso en que el actuador KL a5 posee un mal funcionamiento a partir del instante Tf = 3 das introduciendo en el lazo un retardo adicional de
td = 0,6 minutos. En la Fig. 5.13(a) se puede observar el efecto producido por este tipo de
falla cuando no se cuenta con una estrategia integrada de SDDEF. A su vez la version de CTF
integrada con el SDDEF realiza el correcto ajuste del controlador involucrado y mantiene las
caractersticas de estabilidad del lazo. La Fig. 5.13(b) muestra el comportamiento de la VM
en ambos casos (con y sin SDDEF), no contar con una forma de reconfiguracion ocasiona que
dicha VM alcance la saturaci
on y eventualmente un incorrecto seguimiento de la referencia.
121

(b) VM - KL a5
(c) Estadstico z(k)
(d) Salidas del SDDEF
(e) Contribuci
on media um
FL
Figura 5.13: Falla tipo 3 (retardo en el actuador KL a5) - td = 0,6 min.

Las Figs. 5.13(c), 5.13(d) y 5.13(e) muestran la evolucion del estadstico combinado en este
caso, las salidas del SDDEF y la contribucion de las variables analizadas respectivamente.
EL soporte de la regla clasificada, el tipo de falla identificada as como el retardo estimado
en este caso se puede apreciar en la Fig. 5.13(d). Los instantes de deteccion, clasificacion y
reconfiguracion resultaron respectivamente Tf Td = 3 das y Tc Tr = 4, 0625 das.
Finalmente se presenta en la Fig. 5.14 el caso de falla en la valvula del reciclo interno
Qintr generando un retardo adicional en el lazo de control del nivel de nitrogeno, en Tf = 3
das de magnitud td = 20 minutos. La Fig. 5.14(a) muestra el efecto de contar con una
estrategia de integraci
on SDDEF y CTF devolviendo al lazo las cualidades de estabilidad
originales al reconfigurar el controlador de forma efectiva (utilizando la teora de CBMI en
122

(b) VM - Qintr
(c) Estadstico z(k)
(e) Contribuci
on media um
FL
Figura 5.14: Falla tipo 4 (retardo en el actuador Qintr ) - td = 20 min.

lnea). Nuevamente en la Fig. 5.14(b) se puede observar el efecto de saturacion en la VM
debido a la falla y el correcto funcionamiento luego de la compensacion. Debe notarse aqu que
el efecto del retardo introducido en este lazo de control, aunque sea de elevado valor (20
min.), no resulta en un funcionamiento drastico debido a la baja constante de tiempo del
lazo de nitr
ogeno. Por el contrario, en el caso anterior, el lazo de control de nivel de OD
posee una dinamica mas rapida ocasionando que cualquier mnimo retardo introducido genere
diferencias considerables en el desempe
no de control. Puede observarse en la Fig. 5.14(c) que el
estadstico combinado posee un funcionamiento fuera del lmite de confianza luego de la etapa
de reconfiguraci
on, esto es esencialmente generado por una diferencia en la actualizacion en los
parametros de escalado. Es decir, sera de gran utilidad contar con una etapa de actualizaci
on
123

Tabla 5.5: Indices de funcionamiento del PTAR

Casos
IEA
[g/m3 ]
103
Energa
de bombeo
[kW h/d]
Violaciones
del efluente
[ % del tiempo
de operaci
on]
Funcionamiento normal
lazo OD: 0.005

lazo N: 0.995
1488.14
VN: 18.30
VA: 17.26
lazo OD: 4.705

lazo OD: 0.138
1687.57
1487.24
VN: 13.09, VA: 24.70

VN: 18.00, VA: 16.81
lazo OD: 9.200

lazo OD: 0.005
4246.63
1496.33
VN: 26.04, VA: 97.76

VN: 18.30, VA: 17.55
lazo N: 4.780
lazo N: 0.950
1844.37
1486.54
VN: 12.35, VA: 17.26

VN: 18.00, VA: 16.81
lazo N: 3.915
lazo N: 1.365
1753.24
1555.94
VN: 96.13, VA: 14.28

VN: 15.77, VA: 16.81
Falla en el actuador KL a5
Retardo = 0.6 [min.]
sin SDDEF
con SDDEF
lazo OD: 0.510

lazo OD: 0.018
1492.00
1489.84
VN: 17.85 VA: 16.81

VN: 17.85, VA: 16.81
Falla en el actuador Qintr

Retardo= 20 [min.]
sin SDDEF
con SDDEF
lazo N: 2.005
lazo N: 2.005
1487.97
1364.49
VN: 18.89, VA: 17.11

VN: 23.51, VA: 16.81
Falla en el sensor de OD
Offset = 1 [g/m3 ]
sin SDDEF
con SDDEF
Offset = 4 [g/m3 ]
Without FTC
With FTC
Falla en el sensor N
Offset = -1 [gN/m3 ]
sin SDDEF
con SDDEF
Offset = 4 [gN/m3 ]
sin SDDEF
con SDDEF
de los parametros del modelo ACPA (b, s, A, lmites de confianza, etc.) luego de dicho
instante. Esta cuesti
on sera abordada al final de esta seccion como una etapa de mejora de
dicho algoritmo. De igual modo, se puede apreciar la correcta clasificacion de la falla ocurrida,
el grado de soporte de la regla identificada y la adecuada estimacion del retardo introducido
por la valvula en la Fig. 5.14(d). La Fig. 5.14(e) resume la contribucion media de las variables
analizadas por el SLD indicando su aporte a la deteccion y clasificacion.
Para este tipo de proceso en particular Coop (2001) plantea una serie de ndices de
rendimiento que deben ser considerados a la hora de comparar estrategias de control. En
la Tabla 5.5 se resumen los ndices mas importantes evaluados sobre la u
ltima semana de
operacion simulada.
Un ndice representativo para medir el rendimiento de los controladores es la IEA entre la
VC y su correspondiente trayectoria de referencia. Otro indicador de importancia es la energa
de bombeo que mide el costo energetico en el bombeo del flujo del reciclo interno, el flujo de
retorno de lodos y el flujo de desperdicios. Finalmente, se consideran dos ndices representativos
de la calidad de operaci
on del proceso. Estos proporcionan informacion respecto del porcentaje
de tiempo de operaci
on en que el proceso se encuentra violando las restricciones del efluente.
En este caso se considera:
1. la violaci
on respecto del nivel total de nitrogeno (VN), cuyo lmite es 18 gN/m3 ;
2. la violaci
on respecto del nivel amonaco (VA), cuyo lmite es 4 gN/m3 .
124

Tabla 5.6: Indices de rendimiento del SDDEF

Eventos
Elemento
3
F1 (1[g/m ])
F1 (4[g/m3 ])
F2 (-1[gN/m3 ])
F2 (4[gN/m3 ])
F3 (0.6[min.])
F4 (20[min.])
Tf [d.]
Td [d.]
P T D [ %]
3,00
3,00
3,00
3,00
3,00
3,00
3,48
3,02
3,02
3,02
3,03
3,09
31,94
1,38
1,38
1,38
2,08
6,25
sensor OD
sensor OD
sensor N
sensor N
actuador KL a5
actuador Qintr
yj
P SRj [ %]
ECM Pj
1,00
1,00
1,00
1,00
1,00
0,87
62,50
70,32
56,25
65,62
79,68
78,57
8, 64 104
4, 00 108
5, 63 105
2, 46 102
9, 36 104
3, 10 103
Tabla 5.7: Indice PME

Eventos
F1
3
P M E [ %]
1 [g/m ]
97,06
F2
3
4 [g/m ]
99,94
-1 [gN/m ]
80,06
4 [gN/m ]
65,10
F3
F4
0.6 [min.]
96,38
20 [min.]
-0.21
En la parte superior de la Tabla 5.5 se muestran los ndices representativos para el caso de
funcionamiento normal del proceso sujeto a las perturbaciones mas habituales.
En todos los casos de fallas en sensores el ndice IEA resulta menor cuando la estrategia
integrada CTF/SDDEF esta funcionado. El mejoramiento general del IEA es debido a la
actualizaci
on de la poltica de referencia realizada por el SDDEF, retornando el proceso lo mas
proximo posible a su punto operativo normal. En todos los casos la energa de bombeo resulta
menor y aproximadamente igual al caso normal cuando se utiliza la estrategia CTF/SDDEF.
En particular, es drasticamente inferior para el caso de falla en el sensor de OD que produce
saturaci
on. Los ndices de violaci
on en el efluente son verdaderamente sensibles a las fallas en
los sensores. Las fallas en el sensor de OD trae aparejado grandes problemas con las violaciones
de amonaco y el sensor de N con las violaciones del nivel de nitrogeno.
De acuerdo con los ndices de rendimiento presentados en la seccion 5.2 para evaluar el
sistema SDDEF se obtienen los valores resumidos en la Tabla 5.6. EL P T D es aproximadamente cero en todos los casos indicando una rapida deteccion. En el caso de F1 (1[g/m3 ])
que presenta un valor de 31, 94 % es debido a que con esta magnitud de la falla es mas difcil
de detectar ya que no produce saturacion (el proceso a
un esta bajo control). Ninguno de los
ndices P SRj es menor del 56, 25 % lo que indica un buen grado de robustez en la clasificaci
on.
El ECM Pj para cada estimaci
on de la magnitud de la falla demuestra ser lo suficientemente
preciso. Finalmente en la Tabla 5.7 se resume los ndices P M E en los diferentes tipos de fallas,
presentando un valor mayor que cero y proximo a 100 en la mayora de los casos. Indicando
claramente los beneficios de contar con una estrategia CTF/SDDEF. Salvo para el caso de la
falla F4 en el que dicho ndice define que no existen diferencias apreciables entre las estrategias
de control.
Cambio de la poltica de control
Los resultados observados en la Fig. 5.14 pueden no ser satisfactorios en cuanto al rechazo
de perturbaciones obtenido del lazo de nitrogeno y las posibles falsas alarmas generadas por
el estadstico z. Esto basicamente es debido a que cuando el SDDEF reconfigura el control PI
existente en dicho lazo el efecto es el de reducir su ganancia proporcional mediante la constante
del filtro (ver apendice E). Esto suaviza la respuesta del controlador, brindando estabilidad,
pero a su vez lo hace menos efectivo a bruscas perturbaciones que ingresan al proceso. Una
forma de resolver este problema es mediante la implementacion de un controlador del tipo en
125

(b) VM - Qintr
(c) Estadstico z(k)
Figura 5.15: Falla tipo 4 - Con control en avance y control de realimentacion

avance (ver apendice F) para perturbaciones medidas. De esta forma las acciones de control
finales estaran compuestas de los aportes del control en avance (CEA) mas la del control por
realimentacion (PI). Esta configuraci
on permite asegurar la estabilidad del lazo, el seguimiento
correcto de la referencia y la compensacion a perturbaciones no medidas (PI) y un correcto
rechazo de perturbaciones medidas (CEA). Si a esta estrategia se la dota de caractersticas
adaptivas mediante un SDDEF, se obtiene un sistema de CTF activo donde no solo el PI se
reajusta en lnea sino que ademas la poltica de control se actualiza permitiendo la inclusion
de un CEA. En este caso el CEA es del tipo estatico con ganancia Kf f = 1,36.
El resultado de esta estrategia se puede observar en la Fig. 5.15. Comparando las Figs.
5.14(a) y 5.15(a) claramente se aprecian los beneficios de esta u
ltima estrategia al presentar
menor error de seguimiento (IEA = 0,2295). Esto es debido a la correcta se
nal de control
de la Fig. 5.15(b) (con una energa de bombeo de 1482,5727 kW h/d) que comparada con la
Fig. 5.14(b) se pueden apreciar los efectos de las acciones del CEA. Esto retorna el proceso
a las proximidades del punto operativo normal (V N = 17,55 %, V A = 16,22 %), quedando
plasmado en el estadstico z de la Fig. 5.15(c), el cual no presenta falsas alarmas. Las salidas del
SDDEF en este caso se resumen en la Fig. 5.15(d). Indicando la correcta deteccion, clasificacion
e identificacion de la falla presente.
La estructura final de integraci
on entre la PTAR y el SDDEF/CTF se puede apreciar en la
Fig. 5.16. Se observan las actualizaciones referentes a los parametros de control (P I1 y P I2 )
y las trayectorias de referencia (SP1 y SP2 ) en conjunto con la reconfiguracion de la poltica
de control del lazo de nitr
ogeno (CEA, Kf f ).
Pruebas adicionales con derivas en sensores
En este caso se pretende comprobar el funcionamiento del SDDEF integrado al CTF para
el caso de derivas suaves como otra forma de fallas en sensores. Si bien el SDDEF ha sido
ajustado sin considerar este tipo de fallas el efecto producido por las mismas (desde el punto
126

Figura 5.16: Estructura final de interconexion. PTAR/SDDEF

de vista de la detecci
on y clasificacion) son similares al caso de offset del tipo escalon. De
esta forma los subsistemas ACPA y LD deberan poder realizar de forma adecuada la detecci
on
y clasificaci
on respectivamente. Por otro lado, la estimacion de la magnitud de la falla para
realizar la compensaci
on puede efectuarse de diversas formas. Inicialmente se debe tener en
cuenta el efecto que produce este tipo de fallas en el lazo de control. El offset introducido en
la medici
on con una determinada pendiente pendV C repercutira en la correspondiente variable
manipulada con una pendiente pendV M . Dependientcdo de la relacion existente entre estas
cantidades, lineal o no lineal, pueden emplearse simples tecnicas de proporcion o mas complejas
como RNA. En este caso particular se utilizo la estrategia proporcional como indica la ec. 5.20
oderiva
(k) = pendV M j Td + pendV M j (t Td )
j
(5.20)
donde pendV M j es la pendiente en la VM j-esima debido a la falla, es la constante de

proporci
on para realizar la estimacion de la deriva presente en la VC, pendV Cj = pendV M j .
De esta forma el factor pendV M j Td es el offset introducido hasta el instante de deteccion de
la falla Td y pendV M j (t Td ) es la compensacion de la deriva propiamente dicha a partir de
dicho instante. La variable j hace referencia a el lazo de control involucrado.
De esta forma la compensaci
on de la medicion erronea puede realizarse como indica la ec.
5.21, donde yjmc (k) es la medici
on compensada, yjm (k) la medicion influenciada por la falla y
oderiva
(k) la estimaci
on de la deriva.
j
yjmc (k) = yjm (k) oderiva
(k)
j
(5.21)
La Fig. 5.17 muestra el caso de simulacion para la PTAR cuando ocurre una falla del tipo
deriva en el lazo de OD con y sin SDDEF/CTF. La deriva aparece en t = 0 con una pendiente
de 0.2 gN/m3 /d. Sin las caractersticas tolerantes este tipo de falla provoca la saturaci
on
de la VM y eventualmente la perdida de control, Fig. 5.17(c). Considerando ahora el caso
en que una estrategia integrada de SDDEF/CTF esta disponible la falla es correctamente
detectada, clasificada y estimada. La deriva que comienza su efecto en Tf = 0 es detectada en
Td = 3,4896 das, y es clasificada y compensada en Tc Tr = 4,5208 das. En la Fig. 5.17(e)
puede observarse la estimaci
on de dicha deriva ( 0,19) la cual es utilizada para compensaci
on
127

on No 2: Planta de pulpa y papel (PPP)
(a) VC medida
(b) VC real
(c) VM
(d) Estadstico combinado
(e) Estimaci
on de la deriva
Figura 5.17: Falla del tipo deriva en el sensor de OD. pendiente = 0.2 gN/m3 /d. Con y sin
SDDEF/CTF
y recupero del estado normal del proceso (Fig. 5.17(b)). Estas simulaciones presentan un gran
atractivo en la implementaci
on concreta de este tipo de sistemas.
5.4.
Caso de aplicaci
En la actualidad s
olo existe un trabajo (Lee et al., 2006) que aborda el problema de dise
no
de sistemas de monitoreo en la PPP. En este se propone un sistema hbrido de diagnostico de
fallas utilizando DGS y MCP dinamico para realizar la deteccion de posibles fallas en sensores y
128

actuadores. En este trabajo se consideran offset en sensores, degradacion de la precision, derivas

y bloqueos en valvulas. En este aporte el sistema no ha sido probado ante fallas secuenciales
y solo tareas de monitoreo son propuestas. No existe integracion al CTF ni compensacion de
fallas. En la literatura no se han encontrado reportes de CTF aplicado a este proceso.
En esta secci
on se propone el ajuste al SDDEF dise
nado anteriormente para este proceso
en particular y una completa integracion al CTF para la compensacion de fallas. La implementaci
on del SDDEF/CTF en este proceso a gran escala es probado ante fallas secuenciales,
perturbaciones, mediciones ruidosas, condiciones de operacion cambiante y diferentes estrategias de control (descentralizada y CPBM). Los resultados mostrados aqu forman parte de las
primeras contribuciones de CTF en este tipo de procesos y parte de ellas han sido recopiladas
en trabajos tales como Zumoffen and Basualdo (2008a,c).
Los trabajos desarrollados por Castro and Doyle (2004a,b) presentan una completa descripci
on del problema de este caso de estudio. El correspondiente codigo de simulacion puede
obtenerse por medio de su pagina web (http://doyle.chemengr.ucsb.edu.). En Castro
and Doyle (2004a) se presenta el desarrollo del modelo riguroso de la PPP (incluyendo lnea
de fibra y recupero qumico) como un caso patron (benchmark) de dise
no de estrategias de
control, entre otras areas.
La estructura de esta planta puede observarse en la Fig. 5.18 de forma simplificada y
responde al proceso de Kraft. El proceso consiste de dos grandes areas, la lnea de fibra (LF)
y el lazo de recupero qumico (RQ). El objetivo fundamental en la LF es producir fibra de
las astillas de madera a una deseada tasa de produccion y calidad. La mayor parte de la
materia prima de esta area son las astillas de madera y los qumicos denominados licor blanco
(LB), consistiendo esencialmente de N aOH y N aSH. Estos son combinados en un tanque
de impregnaci
on presurizado, donde las astillas son saturadas con el LB. De esta forma el
camino del proceso sigue hacia la zona de coccion del digestor , donde la lignina (material que
mantiene las fibras unidas) comienza a disolverse. Siguiendo su flujo hacia abajo los materiales
pasan a traves de las zonas del digestor denominadas de coccion continua modificada (mcc) y
coccion continua modificada extendida (emcc) mientras el LB es adicionado y mas lignina es
disuelta. La variable mas importante a controlar en esta zona es el n
umero Kappa, el cual es
una medida de la cantidad remanente de lignina en las fibras. La zona final del digestor es la
zona de lavado donde se produce la limpieza de las fibras y se sacan del digestor. Un lavado
adicional se complementa a la salida del digestor, para remover qumicos y lignina residual.
Las fibras siguen su camino hacia las torres de blanqueo, para que mayor cantidad de lignina
sea removida y se logren los estandares de brillo necesarios. La secuencia de blanqueo incluye,
una etapa de postdeslignificaci
on con un reactor de oxgeno (O) y LB, las torres de dioxido
de cloro (D1 ), de hidr
oxido de sodio (E) y una de generacion de brillo va dioxido de cloro
(D2 ). Al final de cada etapa de blanqueo la pulpa es lavada para remover qumicos adicionales
y lignina. Existen muchos lazos de reciclo en esta area, incluyendo el efluente del O que es
utilizado como licor de lavado en la seccion inmediatamente posterior al digestor y la zona
de emcc. El efluente de D2 es licor de lavado para el E. El flujo de qumicos de salida del
digestor y las etapas de blanqueo poseen muchos residuos organicos y un color marron, que
son denominados licor negro debil (LND). Para recuperar los componentes qumicos de estos
flujos el LND es enviado al lazo de recupero qumico.
Los principales objetivos en el lazo de RQ son regenerar N aOH y N a2 S del LND. El
recupero qumico transforma la planta completa en economicamente rentable. Este proceso
comienza con una etapa de evaporacion multi-efecto donde el LND es concentrado para alcanzar un contenido de solidos mayor al 63 %, despues del cual es considerado licor negro (LN).
El LN es enviado a una caldera de recuperacion donde la combustion del licor organico provee
energa para producir vapor de alta presion y permite las reacciones de reduccion para obtener
N a2 S de N a2 SO4 , sales basadas en sulfuros y N a2 CO3 . El LN se mezcla con agua de lavado
129

Figura 5.18: Planta de pulpa y papel

para producir licor verde (LV), el cual mediante reaciones de caustizacion produce LB. Este
LB es utilizado por el digestor y el reactor de oxgeno, formando as un gran lazo dinamico
de realimentaci
on del proceso global. Los barros de cal obtenidos del clarificador de LB son
enviados hacia el horno para recuperar la cal.
As se obtiene un modelo matematico no lineal de aproximadamente 8200 estados con un
total de 142 entradas (82 VM y 60 variables de perturbacion) y 114 salidas (40 de la LF y 74 del
lazo de RQ) que conforma un modelo patron que emula de forma rigurosa el comportamiento
real de un planta qumica compleja.
Dentro de las potenciales areas de aplicacion de este modelo se encuentran, modelado de
procesos, control de procesos, optimizaci
on, diagnostico de fallas, educacion, etc.
5.4.1.
Estrategia de control
La PPP posee muchos reciclos que incrementan la interaccion del proceso, as como el tiempo requerido para alcanzar el estado estacionario. La planta tambien exhibe grandes retardos
temporales y no linealidades que complican el dise
no de controladores y limitan el rendimiento
obtenible mediante controladores de realimentacion.
Cualquier estrategia de control aplicada a la PPP debe: 1- mantener las variables del proceso
en sus valores deseados, 2- mantener las condiciones del proceso dentro de sus respectivas
restricciones, 3- minimizar la variabilidad de la tasa de produccion, el no. Kappa en la torre E
y el brillo, 4- minimizar la utilizaci
on de astillas de madera, utilidades y qumicos, y 5- rechazar
perturbaciones tan rapido como sea posible sin violar ninguna restriccion en las variables de
calidad.
En los trabajos de Castro and Doyle (2004a,b) se presentan dos estrategias de control bien
diferentes. Una descentralizada y una mixta con CPBM. Cada estrategia de control esta desarrollada basandose en el analisis de la matriz de ganancias relativa (MGR) en estado estacionario.
Por un lado, se desarrolla una estrategia de control descentralizada (solo lazos simples y en
cascada) para lograr el control total de la planta. Es decir tanto las variables primarias (produccion, restricciones, calidad, etc.) como secundarias (nivel, presion, temperatura, etc.) son
controladas mediante lazos de control clasicos (P,PI). Por otro lado, se presenta tambien una
130

Tabla 5.8: Fallas propuestas en la PPP

Fallas
F1
F2
F3
F4
F5
F6
F7
F8
F9
F10
F11
F12
F13
F14
Definici
on de las variables
Sensor de la tasa de produccion
Sensor del no. Kappa del digestor
Sensor de temp. zona de coccion
Sensor de temp. en la zona mcc
Sensor de temp. en la zona emcc
Sensor de temp. en O
Sensor de temp. en D1
Sensor de no. Kappa en E
Sensor de temp. en E
Sensor de temp. en D2
Sensor de brillo
Sensor de presion en O
Actuador del flujo de pulpa
Actuador del flujo de LV
Tipo
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Bloqueo
Bloqueo
Rango de
Valores
10 %
12 %
1 %
1 %
1,5 %
1 %
1 %
15 %
1,5 %
2 %
4 %
45 %
10 %
15 %
estrategia basada en CPBM como control supervisor. En particular cuatro CPBM son desarrollados para cubrir las areas del digestor/reactor de oxgeno, torres de blanqueo, evaporadores
y horno de cal/recaustizadores, las cuales presentan mayores interacciones en la MGR. En
general los CPBM se encargan de manipular las trayectorias de referencia de lazos simples de
control y controlar directamente alguna variable de interes. Los beneficios e inconvenientes de
una y otra estrategia se encuentran bien comentados en Castro and Doyle (2004b).
El punto operativo habitual de este proceso se encuentra definido por sus variables principales: tasa de producci
on de 630 ton./da, no. Kappa en E de 2.5 y brillo de 0.81. De todas
formas las necesidades del mercado pueden requerir modificar estos valores, para lo cual la
estrategia de control aplicada debe realizar dichos cambios de la forma mas eficiente posible.
5.4.2.
Definici
on de las fallas
De acuerdo a las fallas comentadas en la seccion 4.1, en este ejemplo particular se propone
analizar el caso de fallas en sensores del tipo offset abrupto y bloqueos en actuadores/valvulas.
Siendo estas las mas comunes en este tipo de procesos. La Tabla 5.8 resume las fallas, los
elementos del proceso involucrados y el rango posible de la magnitud de la falla. Notar que la
falla podra ocurrir con cualquier valor dentro de dicho rango. La fig. 5.18 muestra en forma
esquematica la PPP y las locaciones de las posibles fallas.
Se pretende entonces analizar el comportamiento del SDDEF propuesto en secciones anteriores en grandes y complicados procesos qumicos. A su vez se proponen diferentes escenarios
de comportamiento de las fallas, pudiendo ocurrir tanto en forma individual como secuencial.
Se adicionan ademas posibles perturbaciones y eventos comunes que pueden influenciar el comportamiento global del proceso. De esta forma se incluyen modificaciones en las trayectorias
de referencia de la tasa de produccion, no. Kappa de la torre E y brillo, y tres perturbaciones tpicas: modificaciones en la humedad de las astillas de madera, modificaciones en la
concentraci
on de la lignina-celulosa y modificaciones en la concentracion del qumico ClO2 .
131

Tabla 5.9: Variables utilizadas en al ACPA - control descentralizado

Variables controladas
Variables
1
2
5
6
10
11
14
16
19
24
26
33
34
35
38
39
40
Variables manipuladas
Descripci
on
Variables
Tasa de producci
on del digestor
Tasa de producci
on de almacenado
no. Kappa del digestor
Producci
on de pulpa del digestor
Conductividad superior del extracto
Conductividad inferior del extracto
Temperatura de la zona emcc
Temperatura superior del extracto
no. Kappa de O
[OH ] del lavador en E
Brillo en D2
Factor de diluci
on del lavador no. 7
Almacenamiento V
Temperatura del efluente en O
Volumen en D2
AE superior del extracto
AE inferior del extracto
1
23
78
9
1011
14
17
18
20
2122
23
25
26
29
30
33
3637
38
Descripci
on
Flujo de astillas de madera
Flujo de LB del digestor
Flujos de vapor del digestor 45
Flujo de agua
Fracci
on de pulpa lavada 12
Flujo de vapor 1 de O
Flujo de vapor 3 de O
Flujo de pulpa hacia el lavado
Flujo de ClO2 en D1
Flujo de vapor y de agua en E1
Flujo c
austico en E
Flujo de vapor en E
Flujo de ClO2 en D2
Fracci
on 2 de O
Fracci
on de E
Fracci
Flujo de refrigerante y oxgeno en O
Flujo de pulpa blanqueada
Tabla 5.10: Parametros del APCA - control descentralizado

Nw [muestras]
Naux [muestras]
pva [ %]
Ts [min.]
No entradas
Na
1800
500
90
40
12
5.4.3.
PPP con control descentralizado
Ajustes del SDDEF

En esta secci
on se presenta el ajuste de los parametros del SDDEF y las variables involucradas en su desarrollo. Inicialmente se muestra en la Tabla 5.9 las variables utilizadas para
construir el subsistema de ACPA. Basicamente se mantiene la misma nomenclatura que la
utilizada en los trabajos de Castro and Doyle (2004a,b).
En la Tabla 5.10 se presentan los parametros de ajuste del modulo ACPA. La dimension
n ) resulta entonces de [Nw N o entradas]. Por otro lado
de la matriz de datos normales (X
la matriz auxiliar de datos (Xaux ) posee su longitud definida mediante Naux , la cual a su vez
esta directamente relacionada con la dinamica mas lenta del proceso. As, para procesos con
dinamicas rapidas la matriz auxiliar podra tener una longitud menor que para procesos con
grandes constantes de tiempo. Tanto Nw como Naux indican cantidad de muestras, las cuales
han sido tomadas cada Ts minutos desde el proceso. El lmite de confianza para el estadstico
combinado ha sido seleccionado fijo y con un valor de z . Este estadstico es computado
mediante el algoritmo adaptivo utilizando los estadsticos T 2 and Q, cuyos lmites de confianza
son tambien actualizados por el algoritmo utilizando el criterio de 99 % () de confianza.
El proceso de inicializaci
on del algoritmo ACPA utiliza una seleccion de los componentes
principales A basada en P V A con pva como lmite en el porcentaje de varianza retenida.
Finalmente el n
umero maximo de alertas de peligro consecutivas (antes de ser considerado en
falla) es seleccionado en Na .
La Tabla 5.11 presenta la cantidad de reglas obtenidas en el proceso de extraccion automatica de reglas para cada evento particular. Pueden observarse 13 eventos del tipo falla
132

Tabla 5.11: No de reglas / Tipo de falla - control descentralizado

Fallas
Regla
Fallas
1/2
3/4
5/6
7/8
F11
F12
F13
F14
F6 (-/+ offset)
9/10
Eventos
Regla
F7 (-/+ offset)
F8 (-/+ offset)
F9 (-/+ offset)
F10 (-/+ offset)
11/12
13/14
15/16
17/18
Cambios de referencia
Humedad de las astillas
Concentracion lignina-celulosa
Concentracion ClO2
27
28
29
30
F1
F2
F4
F5
(-/+
(-/+
(-/+
(-/+
offset)
offset)
offset)
offset)
(-/+
(-/+
(-/+
(-/+
Regla
offset)
offset)
bloqueo)
bloqueo)
19/20
21/22
23/24
25/26
Figura 5.19: Matriz de reglas - control descentralizado

que pueden ocurrir con direcciones positivas o negativas indistintamente y 4 eventos del tipo
perturbaciones. Para cada evento y su correspondiente magnitud de accion se ha identificado
una regla particular, la cual es la huella que dicho evento produce en el proceso. Se han considerado todas las fallas de la Tabla 5.8 salvo el caso de fallas en el sensor de temperatura de
la zona de cocci
on, por no presentar efectos relevantes.
La Fig. 5.19 resume la matriz de reglas para este caso de estudio. Claramente se puede
apreciar la cantidad de reglas, el n
umero de entradas al SLD y ademas las funciones de pertenencia que deben estar activas para que dicha regla sea verdadera. Esta vision de la matriz de
reglas permite de forma facil e intuitiva informar respecto de como cada falla afecta el proceso,
que similitudes poseen entre s y el grado de impacto.
Los parametros de ajuste del SLD se muestran en la Tabla 5.12. La extraccion automatica
de reglas divide el espacio de los eventos en p reglas, utilizando para ello una dimension r del
vector de entrada. El analisis de la base de datos normal del proceso proporciona los lmites
[Limin , Limax ] para cada variable i = 1, 2, . . . , r. Las funciones de pertenencia quedan definidas
mediante los parametros ai , bi , ci , di , ei y fi . Otro parametro importante en este subsistema
es la zona de analisis [Tiz , Tf z ]. As, las entradas al SLD son computadas como contribuci
on
133

(a) RN A3
(b) RN A5
Figura 5.20: Generalizaci

on de las RNA - control descentralizado
media en dicha zona y el estado global del proceso derivado en lnea.
Finalmente el subsistema de estimacion de la magnitud de la falla en sensores mediante
RNA es ajustado seg
un el mapeo propuesto en la Tabla 5.13. En ella se muestran las RNA
involucrada en cada estimaci
on, la entrada correspondiente a cada RNA y la salida correspondiente. Es decir, la RNA definida como RN A1 , por ejemplo, realiza la estimacion del offset
presente en el sensor de la V C1 , oVf fC 1 (k), utilizando las variaciones del valor medio en la
V M1 , bV M 1 (k). En la Tabla 5.14 se resumen los ajustes referentes al entrenamiento de las
RNA y su topologa. Se han utilizado funciones de activacion del tipo tangente hiperbolica en
las unidades de capa oculta y lineales en las unidades de salida. El algoritmo de entrenamiento
es del tipo Levenberg-Marquardt supervisado. La Fig. 5.20 muestra por ejemplo los resultados
del entrenamiento en dos redes neuronales particulares y su grado de generalizacion respecto
a datos nuevos.
134
52
30
+ 0,5
bi
Limax
+ 0,5
ci
Limin
0,5
di
Limin
1 10
ei
5
1 10
fi
5
RN A2
V C5
V M2
RN A3
V C13
V M7
RN A4
V C14
V M8
RN A5
V C20
V M 14
RN A6
V C21
V M 17
RN A7
V C22
V M 20
RN A8
V C23
V M 22
Capa de salida
Lineal
Capa oculta
Tangente hiperb
olica
Levenberg-Marquardt
Entrenamiento
RN A14,611 = 1, RN A5 = 2
Unidades ocultas
Tabla 5.14: Parametros de las RNA - control descentralizado
RN A1
V C1
V M1
Tabla 5.13: Mapeo propuesto por las RNA - control descentralizado
0,5
ai
Limax
RNA
Offset del sensor de
Variaciones de la media en
Reglas, p
Tabla 5.12: Parametros de SLD - control descentralizado
RN A10
V C26
V M 26
RN A11
V C37
V M 37
RN A111 = 1
Unidades de salida
RN A9
V C25
V M 25
[0, 90]
[Tiz , Tf z ][muestras]

135

Figura 5.21: Estrategia de lazos de control adicionales

Integraci
on al CTF
En el caso de fallas en sensores del tipo offset abrupto la estrategia de integracion al CTF
resulta igual a la mostrada para el caso de PTAR. Las estimaciones del offset generadas por el
SDDEF son utilizadas en este caso para actualizar la poltica de referencia en lnea. Recordando
entonces
(5.22)
spi (k) = sp0i (k) + oVf fCi (k)
donde spi (k) es la referencia actualizada, sp0i (k) la referencia original, y oVf fCi (k) la estimacion
del offset, para la VC i.
En el caso de fallas en valvulas del tipo bloqueo la estrategia de compensacion e integracion
al CTF es diferente a la presentada en el caso de PTAR. Aqu, se propone compensar y asegurar
el correcto funcionamiento del proceso en una zona segura de funcionamiento utilizando lazos
adicionales de control. En este caso se han considerado como posibles elementos del proceso
sujetos a falla la valvula que comanda el flujo de pulpa hacia las torres de blanqueo, F12 y la
valvula que manipula el flujo de LV hacia el apagador de cal, F13 . Estos son flujos importantes
del proceso, por un lado el primero practicamente define la tasa de produccion de pulpa
blanqueada y el segundo define la tasa de recupero de LB para su reutilizacion. Cuando un
bloqueo se produce en alguna de estas valvulas y ninguna accion de compensacion existe sobre
el proceso colapsa el funcionamiento de la planta completa, debido esencialmente a violaciones
en los lmites de operaci
on del digestor por una manipulacion drastica del flujo de astillas de
madera.
Una alternativa para evitar la salida de funcionamiento del proceso, evitar peligros y perdidas economicas es activar un lazo adicional de control en estos casos, que pueda conducir la
planta a una zona de operaci
on segura, aunque el rendimiento sea menor. La estructura de
estos lazos de control de emergencia se muestra en la Fig. 5.21.
La estrategia propuesta para manejar correctamente este tipo de eventos anormales es
utilizar las mediciones existentes de flujo a la salida de la valvula que esta fallando y conducir
la tasa de producci
on hacia ese nuevo punto operativo. Es decir, realizar una correccion de la
referencia original de tasa de producci
on sp0pr (k) acorde con la magnitud del bloqueo existente
en la valvula.
Bajo operaci
on normal del proceso (estado estacionario) el flujo medido de pulpa hacia los
blanqueadores (y1m (k)) y el flujo de LV hacia el apagador de cal (y2m (k)) estan directamente
relacionados con la trayectoria de referencia de tasa de produccion seleccionada (sp1pr (k)). De
esta forma un modelo inferencial Mi puede desarrollarse como se muestra en la ec. 5.23.
yim (k) =
136
sp1pr (k) + i
i
(5.23)

Tabla 5.15: Parametros de los lazos adicionales de control - control descentralizado

Caso
Lazo 1
Lazo 2
kp
p [min.]
p [min.]
KP I
P I [min.]
Ts [min.]
0.4422
-0.0903
22.6762
1.6421
0.044
0.609
0.8
0.001
5
5
5
0.1
1
1
5
5
donde i y i son parametros escalares, i = 1, 2 hace referencia a el lazo de control involucrado

(valvula de pulpa o LV respectivamente) y yim (k) es la estimacion de los flujos a la salida de
la valvula correspondiente al caso libre de fallas.
Mientras no ocurre ninguna falla en los actuadores/valvulas los lazos adicionales permanecen desconectados e inactivos, si = abierto, siendo en este caso sp1pr (k) = sp0pr (k).
Cuando alguna de las valvulas mencionadas anteriormente falla, bloqueandose en alguna posicion, el lazo de control que la tiene como VM se abre y el valor del flujo queda fijo en un valor
que corresponde al del bloqueo. En este caso, la correcta y oportuna deteccion y clasificaci
on
del evento dada por el SDDEF permite accionar el lazo de control adicional correspondiente
(si = cerrado) y modificar la referencia original de tasa de produccion sp0pr (k) como se
muestra en la ec. 5.24
sp1pr (k) = sp0pr (k) + uci (k)
(5.24)
desde el punto de vista del lazo adicional la variable de correccion uci (k) es considerada como
una VM y en este caso es calculada mediante un controlador PI. La inferencia yim (k) puede
verse como la VC siendo esta la prediccion del flujo a la salida de la valvula en el caso libre de
fallas. La medici
on real de este flujo yim (k) a la salida de la valvula que realmente se encuentra
fallando juega el rol de referencia.
El ajuste de estos controladores PI se realiza por metodos graficos, utilizando la curva de
reacci
on del proceso a un salto del tipo escalon en las variables involucradas. Ajustando un
modelo de primer orden con retardo a esta curva se puede obtener la ganancia kp , la constante
de tiempo p y el retardo p graficamente. Puede ajustarse un controlador PI continuo (ganancia
proporcional KP I y constante de tiempo integral P I ) mediante las reglas de Cohen-Coon y
finalmente discretizar dicho controlador para obtener la version discreta con tiempo de muestreo
Ts y la regla rectangular por atraso. El conjunto de parametros completo utilizados en el ajuste
de dichos controladores puede observarse en la Tabla 5.15.
La estructura general del SDDEF para este caso de PPP puede observarse en la Fig.
5.22, y su formato es similar al mostrado en la Fig. 5.4. Los tres subsistemas ACPA, SLD,
y RNA contin
uan realizando las tareas de deteccion, clasificacion y estimacion de las fallas
respectivamente. Un bloque que realiza el manejo del tipo de falla, permite seleccionar las
acciones a ejecutar una vez clasificada la falla. Si el evento anormal es clasificado como del tipo
falla en actuador/valvula el lazo de control adicional correspondiente es activado. En el caso de
fallas en sensores se selecciona la adecuada RNA y la estimacion de la falla es llevada a cabo. Si
los eventos ocurridos pertenecen a la categora de cambios en la referencia o perturbaciones el
SDDEF s
olo informa de su ocurrencia pero no realiza acciones de compensacion, la estructura
de control esta preparada para una correcta operacion en estos casos. En cualquiera de los
tipos de eventos enumerados anteriormente, ademas se genera la informacion correspondiente
para el monitoreo en lnea del estado del proceso y las evaluaciones necesarias para ayudar en
la toma de decisiones.
Resultados
En esta secci
on se presentan los principales resultados de operar este complejo caso de
estudio integrando o no el SDDEF con el CTF. En forma grafica se muestran algunos de los
137

Figura 5.22: Estructura del SDDEF para la PPP con control descentralizado
casos mas representativos y mediante ndices apropiados y tabulaciones se resumen un gran
conjunto de simulaciones que ponen en evidencia los beneficios de contar o no con este tipo
de estrategia.
El SDDEF es evaluado mediante los ndices presentados en la seccion 5.2 (P T D, P SR
y ECM P ). La estrategia integrada SDDEF/CTF es evaluada utilizando los ndices P M E.
Adicionalmente este proceso cuenta con un conjunto de evaluaciones de costos de operacion.
Los trabajos de Castro and Doyle (2004a,b) sugieren utilizar el porcentaje de mejora del
beneficio P M B. Este ndice se calcula basado en el beneficio total de operacion BT O del
proceso como se muestra en la ec. 5.25.
P M Bji
BT Oji BT Onormal
=
100 %
BT Onormal
(5.25)
donde j representa el tipo de falla presente ,BT Oji es el beneficio total de operacion con la
estrategia de control i, donde i = convencional, CT F . Cuando una falla ocurre el BT Oji
puede tomar valores diferentes al que tiene el proceso en funcionamiento normal, BT Onormal .
Un P M B negativo significa que la estrategia de control actual no puede compensar el efecto
de la falla y los beneficios de operaci
on son menores al caso normal. Un P BM cercano a cero
significa que la estrategia de control actual mantiene el proceso bajo condiciones de operacion
esperadas, debido a la compensaci
on del efecto de la falla. Finalmente un P BM positivo
significa que las herramientas de tolerancia incluidas incrementan los beneficios de operacion
respecto del caso normal.
138

Tabla 5.16: Valores de costo y venta

Especie
Astillas de madera
Vapor (1 atm)
Vapor (7.8 atm)
Vapor (35 atm)
Agua refrigerante
Agua de proceso
NaOH
Costo [$/kg]
2
3,86 10
2,53 103
5,18 103
7,94 103
5,3 105
1,321 105
0,20
Especie
Costo [$/kg]
Oxgeno
CLO2
Na2 SO4
CaO
Gas natural
Pulpa
0,15
1,00
0,100
0,063
0,170
0,33
El ndice BT O no considera costos de capital, salarios de personal e implementaciones de

control, as como otros costos que no dependen de la tasa de produccion. Tiene en cuenta la
suma de todos los costos vinculados con materias primas, utilidades y beneficios obtenidos de
la venta de productos. El BT O se define com muestra la ec. 5.26
XX
BT Oj =
ci Fij (k)
(5.26)
k
los coeficientes ci representan precio de costo/venta por unidad de medida (masa, volumen,
potencia, etc.) de utilidades, materias primas, penalidades ambientales o violaciones de calidad
del producto. F representa la cantidad de tales materias, utilidades y productos utilizados o
vendidos durante la operaci
on del proceso. Un resumen de los costos utilizados en este trabajo
se presentan en la Tabla 5.16.
En la Fig. 5.23 se pueden observar las evoluciones de las principales variables del proceso
cuando una falla en el sensor de no. Kappa en E (F8 ) ocurre en un instante Tf = 25 hr.
y con una magnitud del 30 % respecto del punto operativo normal. El algoritmo del SDDEF
realiza la detecci
on, clasificaci
on y estimacion en los instantes Td = 25, 5 hr., Tc = 33hr. y
Tr = 67, 1 hr. respectivamente. La Fig. 5.23(a) presenta el no. Kappa real y medido en E
cuando la estrategia de SDDEF/CTF esta funcionando. En Tr la informacion suministrada
por el SDDEF es utilizada para actualizar la correspondiente trayectoria de referencia en lnea.
As, el valor real del no. Kappa en E retorna a su punto operativo normal, compensandose
el efecto de la falla. La Fig. 5.23(b) muestra el caso cuando no existe ninguna estrategia
de integraci
on ni sistema SDDEF. Es posible observar como el proceso evoluciona hacia otro
punto operativo, diferente al deseado. Esto es esencialmente debido a que en lazos de control
no tolerantes las fallas en sensores son consideradas como perturbaciones de salida propagando
el error de medici
on hacia el proceso. El monitoreo realizado por el estadstico combinado en
la Fig. 5.23(c) muestra las caractersticas adaptivas del mismo. Las salidas del SDDEF en
este caso se resumen en la Fig. 5.23(d), donde se presentan el soporte de la regla clasificada
yj (k) = 0,95, la estimaci
on del offset normalizado oVf fC22 (k) = 0,3 y la regla clasificada como
verdadera, No =14 (F8 + seg
un la Tablas 5.8 y 5.11). finalmente en la Fig. 5.23(e) puede
apreciarse la contribuci
on media (um
i (k), i = 13, . . . , 40) de las variables del proceso a la regla
identificada. Dando as un punto de vista entendible del estado global de la planta.
En la Fig. 5.24 se presenta el caso de fallas en sensores ocurriendo de forma secuencial.
Inicialmente ocurre una falla en el sensor de temperatura del reactor O (F6 ) en Tf 1 = 8, 33 hr.
con una magnitud de 1 % respecto de su valor de operacion normal. En Tf 2 = 116, 66 hr.
se presenta de forma secuencial una falla en el sensor de temperatura de la torre de blanqueo
E (F9 ) ocurriendo con una magnitud de 1, 5 %. En las Figs. 5.24(a),(b) se pueden observar
las evoluciones de la variable real y medida para la temperatura en O cuando se cuenta o no
con una estrategia de SDDEF/CTF respectivamente. La compensacion de la falla determinada
139

(a) Con SDDEF/CTF
(b) Sin SDDEF/CTF
(c) Estadstico combinado
(e) Contribuci
on media a la regla N o 14
Figura 5.23: Falla en el sensor de no. Kappa en E (F8 )

por la estrategia integrada de SDDEF/CTF permite retornar la variable real a los valores
deseados de operaci
on. Sin dicha estrategia se observa el claro funcionamiento fuera de rango
normal. Resultados analogos se obtienen para el caso de la segunda falla, Figs. 5.24(c),(d).
Los beneficios de contar con una estrategia adaptiva de monitoreo son visualizados en la Fig.
5.24(e) donde se observa c
omo el estadstico combinado permite detectar de forma eficaz
ambos eventos anormales. Luego de la ocurrencia de la primera falla el SDDEF realiza la
deteccion en Td1 = 8, 91 hr., la clasificaci
on en Tc1 = 16, 41 hr. y la estimacion de la magnitud
de dicha falla en Tr1 = 50, 58 hr.. As el proceso es retornado a su comportamiento normal
rapidamente y el estado global del sistema permite futuras posibles ocurrencia de nuevas fallas.
Cuando la segunda falla aparece, el SDDEF esta listo para realizar su tarea, detectando en
Td2 = 118, 83 hr., clasificando en Tc2 = 126, 33 y estimando en Tr2 = 160, 50 hr.. La Fig.
5.24(f) muestra las salidas del SDDEF en este caso, el soporte de la regla clasificada en cada
caso, la estimaci
on del offset normalizado en ambos casos (
oVf fC20 (k) y oVf fC23 (k)) y el n
umero
o
de las reglas utilizadas en la clasificaci
on, N =9 para la falla F6 y No =16 para la falla F9 +.
En las Figs. 5.24(g),(h) se presentan las contribuciones medias (um
i (k), i = 13, . . . , 40) a cada
regla por las variables del proceso.
140

(a) Con SDDEF/CTF, O
(b) Sin SDDEF/CTF, O
(c) Con SDDEF/CTF, E
(d) Sin SDDEF/CTF, E
(e) Estadstico combinado
(f) Salidas del SDDEF
(g) Contribuci
(h) Contribuci
Figura 5.24: Fallas en sensores secuenciales (F6 y F9 )

Otro conjunto de simulaciones es resumido en la Fig. 5.25, en este caso se presentan
eventos secuenciales tales como perturbaciones y fallas en actuadores/valvula. Este tipo de
escenario permite comprobar el funcionamiento del SDDEF ante diferentes condiciones del
proceso. En Tf 1 = 8, 33 hr. ingresa a la planta una perturbacion referente a la composici
on
de las astillas de madera. La concentracion de la lignina y celulosa (regla No =29) se modifica
asumiendo una magnitud normalizada 1 y -1 respectivamente. En las Figs. 5.25(a),(b),(c) se
141

puede apreciar c
omo el efecto de la perturbacion es rechazado correctamente por la estructura
de control, mientras el SDDEF detecta , clasifica e informa adecuadamente el evento. La
evolucion temporal del estadstico combinado puede observarse en la Fig. 5.25(e) realizando la
primera detecci
on rapidamente en el instante Td1 = 11 hr.. La clasificacion y la reconfiguracion
del algoritmo ACPA son realizadas en Tc1 = 18, 5 hr. y Tr1 = 52, 66 hr. respecivamente. El
rechazo de la perturbaci
on es realizado con exito por la estructura de control y no son necesarias
acciones de tolerancia o reconfiguraci
on del controlador. De forma secuencial en Tf 2 = 116, 66
hr. ocurre un bloqueo en la valvula de flujo de LV hacia el apagador de cal (F14 , regla No =25)
con una magnitud de 30 % respecto de su valor de trabajo. La estrategia de control original
(sin SDDEF/CTF) no es capaz de mantener el comportamiento estable del proceso. Esto puede
observarse de las Figs. 5.25(a),(b),(c) donde el flujo de astillas es incrementado tratando de
mantener la tasa de producci
on original. Esto genera que las variables del proceso se muevan
hacia otro punto operativo no deseado, por ejemplo 5.25(c) el no. Kappa en E. Este tipo de
falla es realmente un problema serio, ya que rapidamente algunos tanques podran descargarse
y eventualmente la planta debera parar. Para evitar este problema y mantener la operabilidad
del sistema se activa un lazo adicional de control con la estrategia SDDEF/CTF hasta que el
correspondiente actuador/valvula es reparado. El SDDEF realiza la deteccion y clasificacion
de este segundo evento en Td2 = 117, 5 hr. y Tc2 = 125 hr. respectivamente. El correcto
manejo de la falla permite activar el lazo adicional de control correspondiente (No =2) como
se observa en la Fig. 5.25(d). As, el proceso es conducido hacia un estado de operacion mas
estable de acuerdo con la magnitud de la falla. En este caso el no. Kappa en E puede observarse
como se mantiene en su valor deseado de trabajo y el flujo de astillas se disminuye de forma
adecuada a la actualizaci
on de la referencia en la tasa de produccion. Las salidas del SDDEF
pueden apreciarse en la Fig. 5.25(f), el soporte de las reglas clasificadas, las reglas clasificadas
No =29 y No =25 y el lazo de control adicional activado No =2. Las Figs. 5.25(g),(h) resumen
la contribucion media de las variables del proceso a cada una de las reglas identificadas.
La Fig. 5.26 agrupa los resultados obtenidos de las simulaciones en el caso de fallas secuenciales en sensores y actuadores. En este caso particular se presenta una falla en el sensor
de temperatura de la torre de blanqueo D2 (F10 ) en Tf 1 = 8, 33 hr. con una magnitud de
1, 5 % respecto a su punto operativo normal. Secuencialmente en Tf 2 = 116, 66 hr. se produce el bloqueo de la valvula que manipula el flujo de pulpa hacia las torres de blanqueo (F13 )
en un valor de 10 %. La Fig. 5.26(a) muestra la temperatura en D2 con y sin estrategia
SDDEF/CTF. La integraci
on del SDDEF con CTF permite retornar la temperatura real en D2
a su punto operativo normal actualizando la trayectoria de referencia. Esta primera falla es
detectada, clasificada y reconfigurada en los instantes temporales Td1 = 8, 83 hr., Tc1 = 16, 33
hr. y Tr1 = 50, 5 hr. respectivamente. La segunda falla provoca que el proceso tienda a moverse hacia otro punto operativo. Puede observarse en las Figs. 5.26(b),(c) como al no contar
con una estrategia CTF integrada el algoritmo de control clasico incrementa drasticamente
el flujo de astillas sobrepasando los lmites admisibles del digestor para tratar de mantener la
tasa de producci
on original. Este comportamiento no puede continuar indefinidamente en esta
situacion y a las 150 hrs. de simulaci
on se produce la parada del proceso. Para evitar este
comportamiento indeseado se desarrolla la estrategia SDDEF/CTF activando el lazo adicional
de control correspondiente. La detecci
on y clasificacion de esta segunda falla se realiza en
los instantes Td2 = 117, 16 hr. y Tc2 = 124, 66 fr. respectivamente, y la activacion del lazo
es inmediata (Figs. 5.26(d)). Esto permite la estabilizacion del proceso en un nuevo punto
operativo considerando las limitaciones introducidas por la magnitud de la falla. El estadstico
combinado muestra la evoluci
on en la deteccion de ambos eventos y puede apreciarse en la
Fig. 5.26(e). Las salidas del SDDEF se resumen en la Fig. 5.26(f), donde se puede apreciar
el soporte de las reglas, tipo de reglas (17 y 23 relacionando F10 yF13 respectivamente),
estimacion del offset normalizado y el lazo adicional de control activado (No =1). Las Figs.
142

(a) Flujo de astillas
(b) Tasa de producci

on
(c) no. Kappa en E
(d) Lazo de control adicional
(g) Contribuci
(h) Contribuci
Figura 5.25: Eventos secuenciales (perturbacion de lignina/celulosa y falla en el actuador F14 )

5.26(g),(h) muestran la contribucion media de las variables del proceso a cada una de las
reglas involucradas en la clasificacion.
Las simulaciones previas y otros casos diferentes son resumidos en la Tabla 5.17 utilizando
los ndices de rendimiento definidos en las secciones anteriores. En esta tabla puede observarse
como la detecci
on de las fallas, Td se realizan rapidamente respecto del instante de ocurrencia,
Tf . Ademas esta rapida detecci
on comparado con la dinamica mas lenta del proceso utilizando
143

(a) Temperatura en D2
(b) Flujo de astillas
(c) Tasa de producci

on
(g) Contribuci
(h) Contribuci
Figura 5.26: Fallas secuenciales (F10 y F13 )

el ndice de porcentaje del tiempo de deteccion, P T D. En todos los casos, este ndice no
excede el 35 % de magnitud. Por otro lado, el SLD es evaluado mediante el soporte de la regla
que cuantifica el grado de posibilidad de ocurrencia de la regla clasificada correctamente, yj y
el grado de robustez de dicha clasificaci
on mediante el porcentaje de soporte de la regla, P SR.
En todos los casos el soporte de la regla presenta buenas caractersticas, valores cercanos a uno.
El subsistema de RNA que realiza la identificacion de la falla es evaluado respecto del grado
144

Tabla 5.17: Indices de rendimiento con control descentralizado

Eventos
Tf [hr.]
Td [hr.]
P T D [ %]
yj
P SRj [ %]
ECM Pj
P M Ej [ %]
72,50
68,71
67,95
62,57
72,58
66,66
69,93
70,49
73,72
74,93
73,16
93.44
86.89
F1 (+10 %)
F2 (+12 %)
F4 (+1 %)
F5 (+1 %)
F6 (+1 %)
F7 (+1 %)
F8 (+30 %)
F9 (+1,5 %)
F10 (+1,5 %)
F11 (+4 %)
F12 (+30 %)
F13 (10 %)
F14 (30 %)
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
8.33
8.33
25,50
25,58
25,50
25,91
25,50
25,50
26,33
27,00
25,50
25,41
26,16
8,83
9,08
6,00
6,96
6,00
10,92
6,00
6,00
15,96
24,00
6,00
4,92
13,92
6,00
9,00
0,75
0,86
0,82
1,00
0,85
0,89
0,91
1,00
0,99
0,91
0,99
0,99
0,98
63
47
41
37
38
36
43
38
36
47
36
68
83
0, 49 10
0, 40 105
0, 86 105
0, 22 104
0, 11 104
0, 61 105
0, 25 105
0, 11 104
0, 94 107
0, 12 104
0, 19 N
103
F6 (1 %) y
F9 (+1,5 %)
8,33
116,66
8,91
118,83
6,96
26,05
0,81
0,99
35
38
74,74
41,95
lignina/celulosa y
F14 (30 %)
8,33
116,66
11,00
117,50
32,05
10,08
0,92
0,86
55
73
0, 34 103
0, 14 104
N
N
3
68,18
91,84
F10 (1,5 %) y
F13 (10 %)
8,33
116,66
8,83
117,16
6,00
6,00
0,96
0,99
35
68
0, 29 N
10
92,16
Tabla 5.18: Indices de costos con control descentralizado

Fallas
F1 (+10 %)
F11 (+4 %)
F13 (10 %)
F14 (30 %)
Beneficio [$]
P M Bj [ %]
Perodo
Sin CTF
Con CTF
Sin CTF
Con CTF
[das]
672387
-3952926
-595655
-433076
765614
766872
607210
641990
-12,30
-615,56
-177,77
-156,55
-0,14
0,02
-20,71
-16,17
5,21
5,21
5,21
5,21
de generalizaci
on que presenta a nuevos eventos y la precision en la estimacion mediante el
ECM P . En el caso de fallas
on
N en actuadores el subsistema RNA no es utilizado y esta condici
se indica con el smbolo
en la tabla. El rendimiento del sistema completo SDDEF/CTF es
evaluado mediante el ndice de porcentaje de mejora del error, P M E sobre las variables de
interes y respecto a los resultados sin SDDEF/CTF. En todos los casos la mejora es evidente.
Cuando se presentan fallas en sensores las variables utilizadas en dicho ndice corresponden a
las involucradas en el lazo de control afectado por el sensor correspondiente. En el caso de
fallas en actuadores las variables utilizadas son las mas afectadas por este tipo de fallas. En
particular para la falla F13 es utilizado el no. Kappa del digestor y para la falla F14 el no.
Kappa en la torre E. La falla F3 no ha sido considerada en este caso de estrategia de control
descentralizado por no generar modificaciones importantes en el proceso. Variaciones de esta
falla en torno al 1 % no modifican el punto operativo global del proceso. Por el contrario,
s sera considerada en el caso de controladores multivariables.
Finalmente se presenta el analisis de costos en la Tabla 5.18 para las fallas mas representativas. El c
omputo de los beneficios y costos de operacion son realizados en base a los trabajos
de Castro and Doyle (2004a,b) donde se considera el porcentaje de mejora del beneficio, P M B
calculado como funci
on del beneficio total de operacion, BT O. El perodo de evaluacion ha
sido fijado en 5,21 das. El caso de la falla F1 sin CTF genera la disminucion de la tasa de
producci
on respecto del punto operativo deseado, provocando grandes perdidas. Cuando la
145

(a) Tasa de producci

on con SDDEF/CTF

on sin SDDEF/CTF
(c) no. Kappa en E y brillo
(d) Estadstico combinado
(f) Contribuci
(g) Contribuci
Figura 5.27: Eventos secuenciales (tres cambios de referencia y F1 )

estrategia CTF es integrada la falla es rechazada correctamente y los beneficios retornan a
valores proximos a los normales, P M B cercano a cero. Se observa la ventaja de contar con un
SDDEFF/CTF. Conclusiones similares pueden obtenerse para el caso de la falla F11 que afecta
las cualidades de brillo de la pulpa, lo cual es fuertemente penalizado. Los productos fuera de
especificacion no pueden ser vendidos. De la tabla pueden observarse los beneficios obtenidos
al contar con una estrategia de CTF, en particular para este tipo de falla las perdidas por no
146

Tabla 5.19: Variables utilizadas en al ACPA - CPBM

Variables controladas
Variables
1
2
3
5
6
7
10
11
12-14
15
16
17-18
19-20
21
22-23
24
25-26
27-33
34
35
36
37-38
39-40
Descripci
on
Tasa de producci
on del digestor
Tasa de producci
on de almacenamiento
Tasa de producci
on en D2
no. Kappa en el digestor
Pulpa producida en el digestor
Pulpa producida blanqueada
Conductividad superior del extracto
Conductividad inferior del extracto
Temp. de cocci
on T (cook,mcc,emcc)
Temperatura del LB del digestor
Temperatura superior del extracto
Reciclos de vapor no. 1-2
no. Kappa y temperatura en O
Temperatura en D1
no. Kappa y temperatura en E
Lavador [OH ] en E
Brillo y temperatura en D2
FD lavadores no. 1-7
Almacenamiento V
Temperatura del efluente en O
Consistencia del lavador en O
Presi
on en O y volumen en D2
EA superior e inferior
Variables manipuladas
Variables
1
2-3
4-5
7-8
9
1011
14
17
18
20
2122
23
25
26
29
30
31
33
36
37
38
Descripci
on
Flujo de astillas
Flujo de LB (cocci
on/lavado)
Flujos de vapor 1-2
Flujos de vapor 45
Flujo de agua
Fracci
Flujo de vapor 1 en O
Flujo de vapor 3 en O
Flujo de pulpa
Flujo de ClO2 en D1
Flujo de agua y vapor en E1
Flujo c
austico en E
Flujo de vapor en E
Flujo de ClO2 en D2
Fracci
on 2 en O
Fracci
on E
Fracci
Fracci
Flujo de refrigerante en O
Flujo de oxgeno O
Flujo de pulpa blanqueada
utilizar CTF son realmente grandes. Un escenario diferente se observa para las fallas en actuadores, este tipo de fallas generan la parada de la planta si las acciones correctivas necesarias
no son tomadas a tiempo. Tanto la falla F13 como la F14 generan condiciones sumamente
desfavorables para la operabilidad del proceso, esto puede observarse de los grandes valores
negativos del ndice P M B y eventualmente las perdidas ocasionadas. Esto puede disminuirse
considerablemente mediante la integracion de los lazos adicionales de control (SDDEF/CTF)
direccionando la planta hacia una condicion mas estable y segura de operacion del proceso.
Esto puede realizarse a costa de trabajar a menor tasa de produccion, la cual sera proporcional
a la magnitud de la falla.
Con la finalidad de poder poner en contraste de forma efectiva las caractersticas adaptivas
del sistema SDDEF aqu propuesto se analizan los resultados de la Fig. 5.27. En este caso el
punto operativo del proceso cambia drasticamente modificando las referencias de la tasa de
producci
on, el no. Kappa en E y el brillo de forma simultanea. En Tf 1 = 8, 33 hr. la tasa de
producci
on cambia a 690 ton./da, el no. Kappa a 2 y el brillo a 0,86, las Figs. 5.27(a),(c)
muestran las evoluciones temporales. Secuencialmente en Tf 2 = 116, 66 hr. aparece una falla
en el sensor de tasa de producci
on, F1 de magnitud 10 %. La estrategia propuesta demuestra
muy buena capacidad de detectar, clasificar y reconfigurar en los instantes Tf d2 = 117,25 hr.,
Tc2 = 124,75 hr. y Tr2 = 158,33 hr. respectivamente, a
un bajo cambios importantes de las
condiciones del proceso. Pueden apreciarse de las Figs. 5.27(a),(b) las diferencias de contar o
no con una estrategia integrada de SDDEF/CTF. El estadstico combinado puede apreciarse
en la Fig. 5.27(d) y las salida del SDDEF en la Fig. 5.27(e). Las contribucion media de las
variables del proceso a cada regla clasificada se puede observar en las Figs. 5.27(f),(g).
147

Tabla 5.20: Parametros del APCA - CPBM

Nw [muestras]
Naux [muestras]
pva [ %]
Ts [min.]
No entradas
Na
500
300
90
63
15
Tabla 5.21: No de reglas / Tipo de falla - CPBM

Fallas
Regla
Fallas
offset)
offset)
offset)
offset)
13
4/5
6/7
8/9
F11
F12
F13
F14
F5 (-/+ offset)
10/11
Eventos
Regla
F6 (-/+ offset)
F7 (-/+ offset)
F8 (-/+ offset)
F9 (-/+ offset)
F10 (-/+ offset)
12/13
14/15
16/17
18/19
20/21
Cambios de referencia
Humedad de las astillas
Concentracion lignina-celulosa
Concentracion ClO2
30
31
32
33
F1
F2
F3
F4
5.4.4.
(-/+
(-/+
(-/+
(-/+
(-/+
(-/+
(-/+
(-/+
Regla
offset)
offset)
bloqueo)
bloqueo)
22/23
24/25
26/27
28/29
PPP con control predictivo
Cuando en la PPP se implementa una estrategia de control predictiva basada en modelos

(CPBM) multivariable, las condiciones y los escenarios ante fallas se modifican. En este caso la planta presenta cuatro controladores CPBM para cuatro areas especficas de la planta,
digestor/reactor de oxgeno, torres de blanqueo, evaporadores y recaustizadores/horno de cal.
Estos CPBM cumplen la funci
on de controladores supervisores de lazos simples P,PI, controlando ademas algunas variables directamente. En esta seccion se detallan los aspectos principales
de la integraci
on y desarrollo de un SDDEF cuando la planta presenta una poltica de control
avanzada.
Ajustes del SDDEF
La Tabla 5.19 y 5.20 resumen el ajuste de los parametros del subsistema de ACPA para
el SDDEF. Como se puede observar las rapidas respuestas obtenidas por la poltica de control
predictiva permiten disminuir las dimensiones de algunas matrices, por ejemplo, Nw y Naux ,
respecto del caso descentralizado.
El conjunto de parametros involucrados en el ajuste del subsistema LD se muestran en la
Tabla 5.21 y 5.22. Ademas la matriz de reglas resultante del proceso de extraccion automatica
de reglas se puede observar en la Fig. 5.28.
Los ajustes realizados al subsistema de RNA se pueden apreciar en la Tabla 5.23 y 5.24.
La generalizaci
on de las RN A3 y RN A10 se muestra en la Fig. 5.29.
148

Figura 5.28: Matriz de reglas - CPBM
(a) RN A3
(b) RN A10
Figura 5.29: Generalizacion de las RNA - CPBM
149
150
78
33
1 105
RN A4
V C13
V M8
RN A5
V C14
V M8
RN A6
V C20
V M 14
RN A7
V C21
V M 17
Lineal
Levenberg-Marquardt
Entrenamiento
RN A8
V C22
V M 20
RN A18,1012 = 1, RN A9 = 2
RN A11
V C26
V M 26
RN A112 = 1
Unidades de salida
RN A10
V C25
V M 25
[0, 80]
[Tiz , Tf z ][muestras]
RN A9
V C23
V M 22
1 105
fi
Unidades ocultas
Tabla 5.24: Parametros de las RNA - CPBM
RN A3
V C12
V M8
Tangente hiperb
olica
RN A2
V C5
V M8
Capa de salida
RN A1
V C3
V M1
Limin 0,5
Limin + 0,5
Limax + 0,5
Limax 0,5
ei
Tabla 5.23: Mapeo propuesto por las RNA - CPBM
di
ci
bi
ai
Capa oculta
RNA
Offset del sensor de
Variaciones de la media en
Reglas, p
Tabla 5.22: Parametros de SLD - CPBM
RN A12
V C37
V M 29


Tabla 5.25: Parametros de los lazos adicionales de control - CPBM

Caso
Lazo 1
Lazo 2
kp
p [min.]
p [min.]
KP I
P I [min.]
Ts [min.]
-0.14
-1.10
5.15
6.10
0.19
0.07
0.50
0.50
5
5
0.89
2.22
1.43
1.43
5
5
Integraci
on al CTF
La integraci
on al CTF en el caso de sensores se realiza de forma similar al caso presentado
anteriormente, con la diferencia que la informacion suministrada del SDDEF no actualiza las
polticas de referencia, si no que en este caso directamente corrige la medicion erronea. Es
decir,
i
yimc (k) = yim (k) oCV
(5.27)
f f (k)
donde yim (k) es la medici
on err
onea, yimc (k) es la medicion compensada para el CPBM y
i
oCV
on del offset de la variable i generada por el SDDEF.
f f (k) es la estimaci
La filosofa mostrada para el caso descentralizado de actualizar referencias en este caso de
CPBM puede no dar buenos resultados. Generalmente, un CPM involucra varias VC y VM, la
mayora de las VM resultan referencias para lazos de control de bajo nivel. Compensar entonces
estas referencias o las referencias del CPBM puede resultar en un efecto indeseado para otras
variables del proceso, debido a la interaccion multivariable. Resulta entonces mas efectivo
directamente compensar la medici
on que el CPBM utilizara. Este u
ltimo punto de vista da una
metodologa general, sin considerar estructuras del proceso y con iguales resultados.
Para el caso de fallas en actuadores/valvulas la estrategia de compensacion puede realizarse
de dos formas diferentes. Una es aplicando la misma estrategia mostrada en el caso descentralizado mediante lazos adicionales de control. Es decir, lazos auxiliares que contemplen las
correcciones necesarias a la referencia de tasa de produccion para retornar al proceso a un estado seguro de trabajo. Dichos lazos seran activados de forma adecuada seg
un la clasificacion del
evento anormal realizada por el SDDEF. En este caso los parametros de dichos lazos resultan
como se muestra en la Tabla 5.25.
Otra alternativa de dise
no (con resultados similares al descentralizado) de caractersticas
tolerantes en estrategias de CPM, es integrar el lazo de control adicional mostrado en secciones
anteriores, en la poltica de control existente. El caso de CPM brinda esta posibilidad de
integraci
on, de forma natural y debido esencialmente a su dise
no, mediante el correspondiente
ajuste de los pesos en el funcional costo.
En este caso se desarrolla un modelo lineal (respuesta al impulso o al escalon) para predecir
el comportamiento del proceso sobre el horizonte de prediccion. Este modelo relaciona, igual
que el caso de lazo adicional, la medicion de flujo a la salida de la valvula correspondiente
(salida), con la referencia de tasa de produccion (entrada), en el caso de que no existen
fallas en el proceso. As, se tiene un modelo para predecir comportamiento libre de fallas.
La esencia del control predictivo basado en modelo es minimizar un determinado funcional
costo, para obtener de forma
optima los movimientos de la variable manipulada, considerando
ademas posibles restricciones (ver seccion 3.6). De esta forma se puede incluir en un funcional
ya existente V (uci (k)) el lazo de control adicional ajustando de forma adecuada los pesos
involucrados y computar sus movimientos en la VM por minimizacion. Es decir, recordando el
funcional de la ec. 3.49, se tiene
V (uci (k)) =Vo (k) + Va (k)
=Vo (k) +
Hp
X
j=Hw
ij
yif m
2
yif m (j)
HX
u 1
2
ij uci (j)
(5.28)
j=1
151

donde Vo (k) es la poltica de control predictivo existente y Va (k) es el funcional de los lazos
adicionales de control integrados (i = 1, 2, para F13 o F14 respectivamente). Donde [Hw , Hp ]
es el horizonte de predicci
on, Hu el horizonte de control, ik los coeficientes de peso del error de
k
prediccion, i los coeficientes de peso de la magnitud de la se
nal de control uci (k). La referencia
de la tasa de producci
on sera compensada seg
un uci (k), siendo yif m (k) las predicciones del
fm
modelo libre de falla del flujo y yi la medicion de dicho flujo, actuando como referencia para
el lazo adicional.
El modelo de predicci
oP
n puede realizarse por ejemplo mediante un modelo FIR identificado
fm
j c
j
fuera de lnea, yi (k) = N
j=1 gi ui (k j), donde gi son los correspondientes coeficientes del
FIR, para el lazo de control adicional i y N el orden del modelo. De forma similar a los lazos
adicionales descentralizados las correcciones de la referencia de produccion se realizan seg
un
la poltica sp1pr (k) = sp0pr (k) + uci (k) y lograr la compensacion.
La estrategia consiste en activar los pesos correspondientes (ik y ik , con i = 1, 2) de
acuerdo a la detecci
on y clasificaci
on realizada por el SDDEF en la estrategia de CPBM
existente (Va (k) 6= 0). En el caso en que ninguna valvula ha fallado, estos pesos son ajustados
a cero y la estrategia de CPBM no es modificada manteniendo su formato original (Va (k) = 0).
Al final de esta secci
on se muestran los resultados alternativos de utilizar esta estrategia
integrada respecto a la de lazos de control adicionales descentralizados.
La estructura final del SDDEF integrado al CTF se puede apreciar en la Fig. 5.30. Se pueden
observar las similitudes con la mostrada en la Fig. 5.22 en lo que respecta a las herramientas
de deteccion, clasificaci
on y estimaci
on de las fallas. La modificacion aqu se encuentra en la
forma de integraci
on al CTF. En la version descentralizada se rechazaban los efectos de las
fallas en valvulas mediante actualizaci
on en lnea de las trayectorias de referencia en este caso
en cambio se compensan directamente las mediciones erroneas utilizando la estimacion de la
falla. Adicionalmente, este caso de SDDEF/CPBM presenta la doble posibilidad de realizar la
tolerancia a fallas en valvulas ya sea mediante lazos adicionales descentralizados de control
o por integraci
on directa con la poltica de CPBM existente, va modificacion del funcional
original.
Resultados
En esta secci
on se resumen los principales resultados obtenidos en este complejo caso de
estudio. A ttulo de comparaci
on con el caso descentralizado se proponen analizar los mismos
tipos de fallas vistos anteriormente. Diferentes ndices de rendimiento se proponen para llevar a
cabo las comparaciones. Basicamente estos ndices estan compuestos por dos grandes grupos,
el primero esta encargado de evaluar el rendimiento del SDDEF y el segundo eval
ua la estrategia
de integracion con y sin SDDEF/CTF.
Ademas, al final de esta secci
on puede observarse el caso de tolerancia por medio de lazos
adicionales de control utilizando la estrategia vista en la ec. 5.28.
Inicialmente, se propone analizar el caso de falla en el sensor de no. Kappa en E correspondiente con la falla F8 . Las variables mas afectadas por este tipo de falla se pueden apreciar en
la Fig. 5.31. El instante de ocurrencia de la falla es Tf = 25 hr. con una magnitud de 15 % respecto de su punto operativo normal. El SDDEF realiza las acciones de deteccion, clasificacion
y estimacion en los instantes, Td = 25, 83 hr., Tc = 32,50 hr. y Tr = 50,75 hr. respectivamente. Adicionalmente, en Tu = 67,50 hr. se propone una actualizacion de los parametros
del subsistema ACPA. La Fig. 5.31(a) muestra el no. Kappa en E real y medido con y sin
estrategia SDDEF/CTF. En Tr la informacion generada por el SDDEF es utilizada para realizar
la correccion de la medici
on de forma adecuada. De esta forma el valor real del no. Kappa en
E es retornado a su punto operativo deseado. Sin estrategia SDDEF/CTF se observa como
la variable real se desva del punto de trabajo deseado. La Fig. 5.31(b) muestra la evolucion
152

Figura 5.30: Estructura del SDDEF para la PPP - CPBM

del estadstico combinado, el subsistema ACPA. Se puede distinguir la correcta deteccion del
evento y la correspondiente actualizacion al nuevo punto operativo. Las salidas del SDDEF
para este caso particular se pueden observar en la Fig. 5.31(c), donde se presentan el soporte
de la regla correctamente clasificada, la estimacion del offset normalizado en oV C22 (k) y el
tipo de falla/regla( regla No 17, F8 + offset positivo en el no. Kappa en E). Finalmente la Fig.
5.31(d) presenta la contribuci
on media de las variables del proceso (um
i (k), i = 16, . . . , 78) a
la regla identificada.
Otra importante caracterstica de todo SDDEF es la posibilidad de manejar eficientemente
fallas o eventos secuenciales. En la Fig. 5.32 se presenta el caso de fallas secuenciales en
sensores. Inicialmente, se produce una falla en el sensor de temperatura del reactor O (F6 )
en Tf 1 = 8, 33 hr. con un valor de 1 % respecto a su punto operativo normal. De forma
secuencial en Tf 2 = 116, 66 hr. aparece una falla en el sensor de temperatura de E (F9 )
con una magnitud de 1, 5 %. Las Figs. 5.32(a),(b) muestran la evolucion de la temperatura
en O y E real y medida cuando se tiene o no una estrategia de SDDEF/CTF. Contando
con una estrategia integrada de SDDEF/CTF las variables reales pueden ser retornadas a
sus puntos operativos deseados correctamente, minimizando el efecto de la falla. El caso sin
SDDEF/CTF muestra c
omo estas variables se encuentran trabajando fuera del rengo deseado.
En la Fig. 5.32(c) se puede observar el estadstico combinado en este caso de fallas secuenciales
mostrando la correcta detecci
on y reconfiguracion en cada evento. Para la primera falla los
153

(a) no. Kappa en E
(b) Estadstico combinado
(c) Salidas del SDDEF
(d) Contribuci
Figura 5.31: Falla en el sensor de no. Kappa en E (F8 )

tiempos involucrados son Td1 = 8, 75 hr., Tc1 = 15, 41 hr. y Tr1 = 33, 66 hr. para la deteccion,
clasificacion y estimaci
on del valor de la falla respectivamente. Para la segunda falla estos
tiempos resultan de Td2 = 119, 41 hr., Tc2 = 126, 08 y Tr2 = 144, 33 hr.. Los instantes de
actualizacion de los parametros de escala del subsistema ACPA se producen en Tu1 = 50, 41
hr. y Tu2 = 161, 08 hr. para cada falla respectivamente. En la Fig. 5.32(d) se resumen las
salidas del SDDEF, el soporte de las reglas identificadas, la estimacion del offset normalizado
(
oV C20 (k) y oV C23 (k)) y los n
umeros de las reglas / tipos de fallas(regla 12, F6 y regla
19, F9 +). Las Figs. 5.32(e),(f) presentan la contribucion media de las variables del proceso
(um
i (k), i = 16, . . . , 78) a las reglas identificadas en cada caso.
En la Fig. 5.33, se muestra el comportamiento del sistema completo cuando ingresan
perturbaciones no medidas al proceso y secuencialmente ocurre una falla en el actuador. En
Tf 1 = 8, 33 hr. se produce un cambio en las propiedades de las astillas representadas por la
lignina y la celulosa (regla 31) con valores normalizados de 1 y -1 respectivamente. Como se desprende de las Figs. 5.33(a),(b),(c) el efecto de la perturbacion es rechazado correctamente por
la estrategia de control existente y el SDDEF/CTF solo se encarga de las tareas de deteccion,
clasificacion y eventual informaci
on para monitoreo. Las Figs. 5.33(e),(f) resumen la evolucion
del estadstico combinado y la correspondiente clasificacion. Los instantes temporales de estas
tareas resultaron Td1 = 11 hr., Tc1 = 17, 66 hr. y Tr1 = 52, 66 para la deteccion, clasificacion
y la correspondiente actualizaci
on del modelo ACPA. Cuando se produce la falla en la valvula
que comanda el flujo de LV hacia el apagador de cal (F14 , regla 28) en Tf 2 = 116, 66 con un
valor de 30 %, la estrategia de control original (sin SDDEF/CTF) no es capaz de mantener correctamente la operaci
on del proceso. Esto puede observarse de las Figs. 5.33(a),(b),(c) donde
el flujo de astillas se incrementa drasticamente tratando de mantener la tasa de produccion
original. La imposibilidad de mantener esta tasa por la estrategia clasica de control produce
que algunas variables del proceso se desven de sus puntos operativos habituales hacia otros
no deseados. La Fig. 5.33(c) muestra la evolucion del alcali efectivo (AE) superior del extracto
154

(a) Temperatura en O
(b) Temperatura en E
(e) Contribuci
(f) Contribuci
Figura 5.32: Fallas secuenciales en sensores (F6 y F9 )

con y sin estrategia integrada de SDDEF/CTF, esta variable esta directamente relacionada
con las propiedades de dureza de la pulpa. Este tipo de evento anormal resulta ser de suma
importancia ya que rapidamente numerosos tanques podran vaciarse provocando la parada inesperada del proceso. Para evitar estos inconvenientes la estrategia integrada de SDDEF/CTF
utiliza lazos adicionales de control para actualizar de forma adecuada la referencia en la tasa
de producci
on (Fig. 5.33(d)). Los tiempos involucrados en este segundo evento anormal son
Td2 = 117, 50 hr. y Tc2 = 124, 16 hr. para la deteccion y clasificacion de la falla. En este caso
no existe Tr2 ya que no se realiza estimacion de magnitud de la falla por el SDDEF. En cambio
en el instante Tc2 automaticamente se habilita el lazo de control adicional adecuado (lazo 2)
que se encargara de la compensacion de la referencia. As el proceso es conducido hacia un
estado mas seguro de operaci
on. En la Fig. 5.33(c) puede verse como el AE es retornado a su
punto operativo normal gracias a esta estrategia. Las salidas del SSDEF pueden observarse en
la Fig. 5.33(f) donde se muestra el soporte de cada regla clasificada, el n
umero de regla/tipo
de falla (reglas 31 y 28) y la activacion del correspondiente lazo de control (lazo 2). Las Figs.
5.33(g),(h) resumen la contribuci
on media de las variables del proceso (um
i (k), i = 13, . . . , 40)
a las reglas involucradas.
155

(a) Flujo de astillas

on
(c) AE superior del extracto
(g) Contribuci
(h) Contribuci
Figura 5.33: Eventos secuenciales (perturbacion de lignina/celulosa y falla en el actuador F14 )

En la Fig. 5.34 se presenta el caso de fallas secuenciales en sensores y actuadores. En
Tf 1 = 8, 33 hr. aparece inicialmente una falla en el sensor de temperatura de la torre de
blanqueo D2 (F10 ) con una magnitud de 1, 5 % respecto de su punto habitual de trabajo.
Secuencialmente en Tf 2 = 116, 66 hr. se produce un atasco de la valvula que comanda el
flujo de pulpa hacia las torres de blanqueo (F13 ) con una valor del 5 %. La Fig. 5.34(a)
muestra la evoluci
on de la temperatura en D2 con y sin estrategia SDDEF/CTF. Nuevamente
156

en este caso la estrategia integrada de SDDEF/CTF permite retornar la variable real del
proceso hacia las proximidades del punto operativo deseado, disminuyendo el efecto de la
falla. En los instantes Tc1 = 8, 75 hr., Td1 = 15, 41 hr. y Tr1 = 33, 75 hr. se realizan la
detecci
on , clasificaci
on y estimacion del valor de la falla para el primer evento anormal. La
segunda falla secuencial produce el bloqueo de la valvula que comanda el flujo de pulpa hacia
las torres de blanqueo produciendo que el proceso se desve hacia otro punto operativo. Este
efecto puede apreciarse claramente de las Figs. 5.34(b),(c),(d). Para el caso sin estrategia
integrada de SDDEF/CTF la tasa de produccion no puede mantenerse y en consecuencia el
flujo de astillas es incrementado drasticamente. Esto provoca que otras variables del proceso
se muevan fuera de su especificacion. Para evitar este comportamiento y conducir el proceso
hacia un estado de operaci
on mas seguro, la estrategia integrada de SDDEF/CTF activa el
lazo de control adicional correspondiente para actualizar la referencia de tasa de producci
on.
En Td2 = 117, 33 hr. la falla del actuador es detectada por el subsistema ACPA utilizando el
estadstico combinado y clasificada en Tc2 = 124, 00 por el subsistema de LD permitiendo la
activaci
on del lazo de control correspondiente, Fig.5.34(e). Esto produce la estabilizacion del
proceso hacia un nuevo punto operativo mas seguro considerando las limitaciones dadas por la
magnitud de la falla. Los parametros de escala del ACPA son actualizados en Tu1 = 50, 41 hr.
y Tu2 = 159, 00 hr. secuencialmente. En la Fig. 5.34(f) se muestra el estadstico combinado y
el proceso de actualizaci
on mencionado. Las salidas del SDDEF se presentan en la Fig. 5.34(g)
donde se resume el soporte de cada regla clasificada, la estimacion del offset normalizado
(
oV C25 (k)), el lazo adicional de control activado (lazo 1), y el n
umero de las reglas (reglas 20
y 26). Las Figs. 5.34(h),(i) resumen la contribucion media de las variables del proceso (um
i (k),
i = 13, . . . , 40) a las reglas involucradas.
El pr
oximo caso de simulaci
on presenta la modificacion del punto operativo deseado del
proceso y secuencialmente una falla del sensor. Las modificaciones severas del punto operativo
en Tf 1 = 8, 33 hr. consideran el cambio en la referencia de la tasa de produccion a 690
toneladas/da, el no. Kappa en E a 2 y la modificacion de la referencia del brillo a 0.86,
simultaneamente (Figs. 5.35(a),(c)). De forma secuencial en Tf 2 = 116, 66 hr. aparece una
falla en el sensor de tasa de produccion (F1 ) con una magnitud de 10 %. La estrategia
propuesta aqu detecta correctamente (Td2 = 117,08 hr.), clasifica (Tc2 = 123,75 hr.) y estima
(Tr2 = 142,08 hr.) el valor de la falla despues de considerables cambios en las condiciones
de operaci
on del proceso. Este comportamiento importante del SDDEF es principalmente
debido a las caractersticas adaptivas del ACP que permiten retornar las contribuciones a
los estadsticos a su comportamiento normal, preparando as el sistema para posibles nuevas
detecciones, clasificaciones y estimaciones, Fig. 5.35(b). Las salidas del SDDEF en este caso
se presentan en la Fig. 5.35(d). La contribucion media de las variables del proceso (um
i (k),
i = 13, . . . , 40) a las reglas involucradas se pueden observar en las Figs. 5.35(e),(f). Las
modificaciones en las referencias debido a cambios en la estrategia de venta o la demanda
del mercado son considerados aqu como eventos normales (no fallas, ni eventos anormales),
de todas formas estas modificaciones provocan cambios considerables en las condiciones de
operaci
on del proceso, que deben ser tenidos en cuenta por el SDDEF/CTF para evitar las
falsas alarmas o perdida de deteccion.
Finalmente, en esta secci
on se muestra el caso de falla en valvula utilizando e implementando la estrategia de integraci
on al CTF sugerida en la ec. 5.28. En este caso particular se
propone comprobar el funcionamiento del sistema cuando una falla tipo F13 ocurre en Tf = 25
hr. con una magnitud de 5 % respecto de su valor normal de operacion. En la Fig. 5.36 se
puede observar el modelo FIR correspondiente a este lazo adicional de control (lazo 1), cuyos
coeficientes son representados como g1j , con j = 1, . . . , N siendo N el orden del modelo. Este
modelo vincula entonces la tasa de produccion (entrada) y el flujo de pulpa hacia las torres
de blanqueo (salida) en condiciones normales de operacion, generando as un modelo libre de
157

(a) Temperatura en D2
(b) no. Kappa del digestor
(c) Flujo de astillas
(d) Tasa de producci

on
(e) Lazo de control adicional
(f) Estadsticos combinados
(g) Salidas del SDDEF
(h) Contribuci
(i) Contribuci
Figura 5.34: Fallas secuenciales (F10 y F13 )
158

(a) Tasa de producci

on con SDDEF/CTF
(b) no. Kappa en E y brillo
(d) FDIE Outputs
(e) Contribuci
(f) Contribuci
Figura 5.35: Eventos secuenciales (tres cambios de referencia y F1 )

fallas. Los principales parametros de esta estrategia integrada con CPBM pueden apreciarse en
la Tabla 5.26 para este lazo particular. La Fig. 5.37 resume las evoluciones de las principales
variables en este caso con y sin SDDEF/CTF. Como se puede observar en Td = 25,4 hr.,
Tc = 32,1667 hr. and Tr = 50,5 hr. se realizan las tareas de deteccion, clasificacion y reconfiguraci
on respectivamente. De las Figs. 5.37(a),(b),(c) puede apreciarse como la estrategia
integrada de SDDEF/CTF/CPBM permite mantener el proceso bajo un area segura y confiable de funcionamiento. Sin la estrategia integrada de CTF el algoritmo de control clasico
incrementa drasticamente el flujo de astillas tratando de alcanzar la tasa de produccion deseada. Este comportamiento ocasiona que otras variables del proceso se desven hacia valores no
deseados. Esto puede evitarse mediante la integracion SDDEF/CTF/CPBM de forma similar al
caso de lazos adicionales descentralizados, en CPBM activando los pesos en el funcional costo
del lazo adicional i = F13 , como puede observarse en la Fig. 5.37(d). La Fig. 5.37(e) muestra
la evoluci
on del estadstico combinado en este caso. Las salidas del SDDEF pueden apreciarse
en la Fig. 5.37(f). Comparando estos resultados con los mostrados oportunamente en la Fig.
5.34, para el caso de lazos adicionales de control descentralizados se puede observar que no
existen diferencias significativas entre las dos estrategias de integracion al CTF. Justamente,
159

Tabla 5.26: Ajuste de parametros lazo adicional de control integrado a CPBM

[hw , hP ] [muestras]
hu [muestras]
F 13
F 13
N [muestras]
TS [min.]
[1,7]
20
Figura 5.36: Modelo FIR Lazo adicional de control No 1

desde el punto de vista de la integraci
on la estrategia basada en CPBM, que activa o no los
pesos correspondientes en el funcional costo existente, parece ser la mas adecuada y elegante.
Pero desde el punto de vista del esfuerzo necesario en el ajuste de controladores, la estrategia
descentralizada de la Fig. 5.34 parece ser la mas adecuada en este caso. Ambas polticas definen una estrategia concreta para el correcto manejo de este tipo de fallas. Un procedimiento
similar se puede realizar para el caso de falla tipo F14 e integrar este lazo adicional tambien
dentro de la estrategia CPBM utilizando pesos y el funcional costo.
La Tabla 5.27 resume todas las evaluaciones realizadas sobre la PPP y el SDDEF, muchas de
ellas no han sido presentadas en forma grafica debido a cuestiones de espacio. Puede observarse
en todos los casos la rapidez de detecci
on evaluada por medio de Td y el porcentaje de tiempo
de deteccion (P T D) referido a la dinamica mas lenta del proceso. En todos los casos este ndice
no excede una magnitud del 11 %. El subsistema de LD es evaluado considerando el ndice
P SR y el soporte de la regla yj , indicando el grado de robustez de la falla clasificada respecto
de las que no fueron consideradas. Para todos los casos se presenta un correcto soporte de la
regla y un P SR nunca inferior al 26 %. En los casos de fallas en actuadores, perturbaciones
N
y cambios de referencia en que el subsistema de RNA no es utilizado el smbolo
indica
estas situaciones. Para los casos en que las RNA son utilizadas se puede apreciar el mnimo
error introducido en la generalizaci
on de dichas redes, generando una correcta estimacion de
las fallas. Por otro lado el conjunto SDDEF/CTF es evaluado mediante el ndice de porcentaje
de mejora del error, P M E, utilizando las variables involucradas en cada caso y referido al caso
de estrategia de control sin CTF. Es evidente la mejora obtenida en todos los casos.
Finalmente, el sistema integrado csddef/CTF es evaluado en funcion de ndices propios del
proceso. La Tabla 5.28 resume el analisis de costos realizado sobre las fallas mas importantes
en este caso, utilizando el P M B y los beneficios de operacion del proceso en $. Ambos
ndices son computados considerando o no la integracion con un SDDEF/CTF, los beneficios
en condiciones normales con la estrategia clasica de control y los costos de los materiales
presentados en la Tabla 5.16. En este caso se presentan tres fallas que poseen un efecto crucial
sobre el proceso, fallas en el sensor de tasa de produccion (F1 ), el sensor de brillo (F11 ) y falla
160

(a) no. Kappa del digestor
(b) Flujo de astillas
(c) Tasa de producci

on
(d) Lazo adicional en el CPBM
Figura 5.37: Falla F13 para la estrategia integrada CPBM

en el actuador que comanda el flujo de pulpa F13 ). En todos los casos el tiempo de evaluaci
on
ha sido fijado en 4,5 das luego que las acciones de compensacion han sido seleccionadas. En
el caso de la falla F1 y sin estrategia de compensacion se produce la disminucion de la tasa
de producci
on efectiva, provocando grandes perdidas (un P M B negativo de gran valor) por
productos no vendidos y no poder compensar la demanda. Cuando una estrategia SDDEF/CTF
esta integrada la falla puede ser rechazada retornando el proceso a sus beneficios originales,
esto puede apreciarse con un P M B peque
no cercano a cero. Conclusiones similares pueden
derivarse para el caso de falla F11 donde el brillo es afectado con un desplazamiento fuera
de especificaci
on. En este caso el producto es fuertemente penalizado debido a que no puede
ser vendido por estar fuera de especificacion. Esto esta representado con un ndice negativo y
elevado del P M B para el caso de no contar con una estrategia SDDEF/CTF. Cuando existe
una estrategia integrada de SDDEF/CTF la falla puede ser compensada manteniendo el brillo
en torno a sus valores deseados de mercado, esto se puede apreciar en un P M B peque
no y
cercano a cero evidenciando que el proceso ha retornado a un punto operativo muy cercano al
normal. Un escenario diferente se puede apreciar cuando una falla en el actuador ocurre. Por
ejemplo, en el caso de ocurrencia de una falla tipo F13 y no contar con una estrategia integrada
161

Tabla 5.27: Indices de rendimiento - CPBM

Eventos
Tf [hr.]
Td [hr.]
P T D [ %]
yj
P SRj [ %]
ECM Pj
P M Ej [ %]
71,56
77,78
17,80
62,20
53,16
78,34
76,66
76,30
75,84
56,03
80,54
62,30
51,84
18,42
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,41
25,50
26,41
25,41
25,41
25,41
25,41
25,83
27,08
25,41
25,41
25,41
25,50
25,75
1,66
2,00
5,66
1,66
1,66
1,66
1,66
3,33
8,33
1,66
1,66
1,66
2,00
3,00
0,65
0,87
0,75
0,77
0,87
0,75
0,77
0,84
0,85
0,98
0,87
0,89
0,98
0,99
51
54
57
56
50
55
48
47
48
53
61
51
26
75
3, 35 10
7, 56 106
1, 87 106
2, 25 104
8, 80 103
2, 11 104
1, 02 105
5, 65 107
3, 91 105
64, 00 103
5, 76 104
4, 40 N
103
F6 (1 %) and
F9 (+1,5 %)
8,33
116,66
8,75
119,41
1,68
11,00
0,69
0,85
54
48
lignin dist. and

F14 (15 %)
8,33
116,66
11,00
117,50
10,68
3,36
0,98
0,84
58
69
2, 39 104
2, 10 103
N
N
83,24
58,02
N
F10 (1,5 %) and

F13 (5 %)
8,33
116,66
8,75
117,33
1,68
2,56
0,95
0,87
52
69
1, 64 N
104
set point and

F1 (10 %)
8,33
116,66
8,83
117,08
2,00
1,68
0,99
0,56
70
40
83,07
44,83
N
3, 21 104
22,42
F1 (+10 %)
F2 (+12 %)
F3 (+1 %)
F4 (+1 %)
F5 (+1,5 %)
F6 (+1 %)
F7 (+1 %)
F8 (+15 %)
F9 (+1,5 %)
F10 (+2 %)
F11 (+4 %)
F12 (+45 %)
F13 (5 %)
F14 (15 %)
15,02
Tabla 5.28: Indices de costos - CPBM

Fallas
F1 (+10 %)
F11 (+4 %)
F13 (7,5 %)
Beneficio [$]
P M Bj [ %]
Perodo
Sin CTF
Con CTF
Sin CTF
Con CTF
[das]
600036
-3409675
-679745
681404
681706
456993
-11,72
-601,61
-200,00
0,24
0,28
-32,76
4,5
4,5
4,5
de SDDEF/CTF se produce un serio deterioro del rendimiento del proceso y su eventual parada
de planta. Esto genera un P M B considerable y negativo, indicando claramente las perdidas
ocasionadas. Estas perdidas enormes pueden disminuirse conduciendo el proceso a un estado
mas seguro de operaci
on (aunque a menor tasa de produccion) con la ayuda del SDDEF/CTF
mediante los lazos adicionales de control (ya sea descentralizado o integrados al CPBM). Esto
es claramente observable de los ndices de beneficio.
5.4.5.
Sinopsis
En este captulo se ha desarrollado una estrategia totalmente general para un correcto

manejo de fallas y eventos en grandes procesos qumicos. Se han propuesto diferentes tipos
de fallas en sensores y actuadores, as como tambien diferentes tipos de eventos como perturbaciones y cambios de referencia. La prueba de la metodologa se realizo tanto con fallas
simples como secuenciales e intercalando diferentes eventos que modifican considerablemente
las condiciones de operaci
on de los procesos.
El SDDEF propuesto aqu esta basado en un dise
no hbrido combinando diferentes areas
de desarrollo. Herramientas tales como ACP adaptivo, SLD y RNA han sido integradas y mod162

ificadas de forma de conformar un sistema de alta eficiencia y confiabilidad. Se ha demostrado

como este tipo de sistemas puede cumplir con casi todas las caractersticas deseables resumidas
en la secci
on 2.1.1.
Inicialmente se abord
o el caso de procesos controlados con una estrategia de control descentralizada de mediana y gran escala (PTAR y PPP) observando que la integracion con el
SDDEF puede realizarse de forma facil, directa y efectiva.
Se han podido constatar los beneficios de contar con una estrategia integrada de SDDEF/CTF en el proceso, ya sea mediante ndices de rendimiento locales a los lazos de control
como globales considerando costos de produccion, calidad de los productos, etc.
Se han desarrollado ademas numerosos ndices que permiten la correcta evaluacion del SDDEF en cuanto a rapidez de deteccion, calidad de la clasificacion y calidad de la estimacion de
la magnitud de la falla. Todos han sido comprobados ante diferentes condiciones de operaci
on
y representados de forma adecuada.
La correcta integraci
on del SDDEF/CTF por medio de actualizacion de trayectorias referencias para el caso de fallas en sensores permite compensar la falla y retornar las variables
reales del proceso a sus valores habituales. La actualizacion del controlador (CBMI en lnea) y
la poltica de control (CEA y lazos adicionales de control) para el caso de retardos o bloqueos
en valvulas permiten conducir el proceso hacia puntos operativos mas seguros y estables.
Al final del captulo se trabajo con la PPP en el caso de contar con una estrategia de
control mixta CPBM/descentralizado. Se observo como en este caso tambien la metodologa
de integraci
on propuesta SDDEF/CTF resulta eficaz, dando una mejora global en el correcto
manejo de eventos anormales. En el caso de CPBM la estrategia de gerenciamiento de fallas en
sensores radica en la compensaci
on directa de la medicion. Para el caso de fallas en actuadores
se han propuesto dos metodologas igualmente eficaces, por un lado mantener la estrategia de
lazos adicionales de control descentralizados, y por otro integrar completamente estos lazos
en la poltica de CPBM existente va el funcional costo. Ambas estrategias han resultado
de caractersticas similares con la u
nica diferencia en el esfuerzo de ajuste y la elegancia del
metodo.
163

164
CAPTULO
Conclusiones
En la u
ltima decada, el interes en sistemas de monitoreo para procesos se ha incrementado
enormemente debido a la demanda de una mejor operacion de plantas, teniendo en cuenta
condiciones econ
omicas y ambientales mas restrictivas. Reduciendo de esta forma el n
umero
de accidentes. Un aspecto importante es garantizar la operacion del proceso en una zona segura
y rentable.
A su vez, las nuevas estrategias de dise
no de grandes plantas completas se han vuelto mas
complicadas e intrincadas tratando me minimizar costos y maximizar beneficios. Estos dise
nos
requieren de mas complejas polticas de control. Por otro lado, el avance en elementos tales como sensores y actuadores hacen posible esta interaccion de forma adecuada. Paradojicamente,
a medida que el grado de automatizacion avanza en estas nuevas plantas, los requisitos de
monitoreo y toma de decisiones por parte de los operarios se incrementa en cantidad y complejidad. Es decir, es necesario contar con alg
un tipo de sistema inteligente de monitoreo y
supervisi
on para soporte en la toma de decisiones.
A lo largo del trabajo presentado aqu se pudo observar como los sistemas hbridos de DDEF
pueden mejorar las caractersticas deseables comparado con herramientas individuales. El dise
no
de SDDEF hbridos permite que metodologas, individualmente deficientes, se compensen entre
s para generar sistemas confiables y eficaces de monitoreo. Se han presentado las caractersticas
de cada estrategia de dise
no y sus limitaciones. El dise
no basado en modelos cuantitativos
carece de aplicabilidad (o se ve sumamente reducida) en grandes escalas debido a factores
como complejidad, no linealidad, dimension, etc. Por otro lado, lo dise
nos basados en modelos
cuantitativos pueden resultar impracticables con el incremento de la dimension y complejidad.
Debido a estas limitaciones en esta tesis se ha propuesto un dise
no modular, dejando las tareas
especificas a herramientas adecuadas para tal fin. Aqu se ha propuesto esencialmente trabajar
con dise
nos basados en datos hist
oricos y procesado de se
nal.
Por otro lado, las estrategias de automatizacion de compensacion de fallas como el CTF,
son areas a
un en desarrollo y en general no existen aplicaciones a grandes y complejos procesos.
Generalmente, se puede encontrar que los dise
nos de CTF provenientes del area de control estan
fuertemente focalizados a cuestiones propias de regulacion y no a requerimientos de monitoreo
e integraci
on. Se observa en la literatura cientfica una carencia evidente en el desarrollo de
sistemas integrados de DDEF/CTF para grandes procesos, donde las condiciones de operaci
on
son cambiantes, las mediciones ruidosas, las no linealidades elevadas y la dimension de los
modelos realmente grandes.
Inicialmente, en el captulo 4 se presento una estrategia de CTF activo basado en control
predictivo adaptivo, donde la complejidad del caso de aplicacion fue creciente. Se pudo observar
165
que para casos academicos sencillos las estrategias clasicas de CAP pueden, mediante una
peque
na reformulaci
on, abordar el problema de CTF de forma eficaz. La inclusion del parametro
de punto operativo, aumentando el regresor y el vector de la estima puede, de forma simple,
solucionar el problema de offset en sensores y perturbaciones no medidas que atentan sobre
el punto de trabajo del proceso. Se vi
o como esta estrategia es similar en estructura a una
modificacion de la trayectoria de referencia. Po otro lado, la umbralizacion de la respuesta al
impulso finita, la cual se adapta en cada iteracion, permite actualizar problemas relacionados
con retardos variables temporalmente de forma efectiva. Ademas, la adaptacion en lnea del
modelo del proceso permite considerar posibles cambios de la dinamica y la ganancia estatica
de la planta, a la vez que reajustar los controladores. Se observo tambien, como estos dise
nos
pueden mejorarse con la inclusi
on de un filtro robusto en el lazo de realimentacion. As, se
analizaron las estrategias CAP, CFRAP y la integracion de ambos propuesta como CAPFRA.
EL rendimiento del CAPFRA result
o superior para todos los casos considerados, en cuanto a
estabilidad y seguimiento de la poltica de referencia.
Las limitaciones de este tipo de estrategia se pudieron observar en la aplicacion a una
RTAC con camisa. En este caso el proceso es fuertemente no lineal y en general las estrategias
CAP, CFRAP y CAPFRA pierden validez y efectividad. Esta perdida de rendimiento sumada a
la carencia de informaci
on necesaria para la toma de decisiones, hacen que esta metodologa
sea mejorada con el dise
no de un sistema de DDF. En este caso el dise
no del DDF hbrido
se baso en herramientas de procesado de se
nal con la TWD y de modelado de sistemas.
As las caractersticas de multiresoluci
on de la TWD permite una rapida deteccion de los
eventos y un aislamiento de la falla de forma adecuada. A su vez, la metodologa de IS permite
el correcto modelado de elementos del proceso como actuadores/valvulas los cuales tienen
un comportamiento lineal en un rango de operacion. La integracion de estas metodologas
permitio la transformaci
on de los algoritmos clasicos de control en estrategias de CTF activas
con el agregado de una correcta cantidad y calidad de informacion para la toma de decisiones.
El nuevo problema observable en este caso es la extension de estas estrategias a procesos
de dimensiones considerables. La estrategia anteriormente propuesta implicara el abordaje
del problema por cada lazo de control. Lo cual no presenta un problema si el proceso es de
peque
na o mediana escala. De todas formas, se estara dando un punto de vista descentralizado
de la informaci
on y no global para la correcta toma de decisiones. A
un as, la estrategia
descentralizada propuesta aqu representa una alternativa de dise
no de sistemas integrados
SDDEF/CTF para procesos de mediana complejidad.
Con la finalidad de generalizar una metodologa en el tratamiento de MSA se presenta en
el captulo 5 un completo dise
no de un SDDEF integrado al CTF que puede ser aplicado independientemente de las caractersticas del proceso como, dimension, complejidad, no linealidad,
y tipo de poltica de control existente.
El subsistema de detecci
on del SDDEF propuesto esta conformado por ACPA y estadsticos
combinados el cual posee como caractersticas una rapida deteccion de los eventos anormales,
adaptabilidad a diferentes condiciones de operacion de la planta y buena robustez frente a ruido
de medicion. La utilizaci
on de estadsticos combinados permite minimizar el falso diagnostico
y la perdida de detecci
on. A su vez, este subsistema durante su adaptacion genera informacion
u
til respecto a modificaciones de los valores medios y varianzas de las variables del proceso y
las evoluciones de las variables latentes y errores de prediccion. Esta informacion es utilizada
por otros subsistemas interconectados con este. Por ejemplo, el subsistema de LD utiliza la
informacion de la evoluci
on normalizada de las variables latentes y los errores de prediccion
para poder clasificar el estado global del proceso, caracterizando el estado individual de las
variables. Finalmente, el SDDEF esta compuesto de un bloque de estimacion de la magnitud y
direccion de la falla llevado a cabo por el subsistema de RNA. Este bloque recibe la informacion
suministrada por el subsistema ACPA referente a las modificaciones de los valores medios y
166
6.1. Direcciones futuras
las varianzas para mapear y generalizar la magnitud de la falla. De esta forma se proponen dos
mapeos diferentes: modificaci
on del valor medio/offset y modificacion de la varianza/retardo
extra. El dise
no modular del SDDEF permite que las tareas de deteccion, clasificacion y estimacion se realicen oportunamente por el ACPA, SLD y RNA respectivamente. De esta forma se
genera un conjunto de informaci
on adecuada en cantidad y calidad: estadsticos de monitoreo
(Hotelling, Q, y z), tiempo de deteccion, cuantificacion del error a priori en la clasificacion (soporte de las reglas) y la contribuci
on media de cada variable a los estadstico. Esta informaci
on
resulta crucial para los operarios que deben evaluar el estado del proceso.
La metodologa aqu propuesta ha sido aplicada a casos de mediana y gran escala. Inicialmente, se propone la aplicacion a una PTAR la cual cuenta con dos lazos de control
descentralizados. Se ha considerado en este caso el siguiente marco de referencia: fallas del
tipo offset en sensores, ruidos de medicion, fallas en actudores/valvulas del tipo retardo extra,
fallas secuenciales, eventos secuenciales, perturbaciones periodicas habituales, compensaci
on
de fallas en sensores mediante actualizacion de la trayectoria de referencia, compensacion de
fallas en valvulas mediante reajuste de los controladores utilizando CBMI en lnea y modificaciones de la poltica de control por inclusion de controladores en avance. Efectivamente se
pudo observar mediante ndices adecuados los beneficios de contar con un sistema integrado
de SDDEF/CTF. Por otro lado, tambien se propuso la aplicacion a uno de los casos de estudio
de mayor cantidad de variables existentes en la literatura de control la PPP (varias veces mas
grande que el modelo de la Tennessee Eastman). En este caso se ha trabajado con el siguiente
marco de referencia: fallas en sensores del tipo offset, fallas en actuadores/valvulas del tipo
bloqueo, ruido de medici
on, puntos operativos cambiantes, fallas secuenciales, eventos secuenciales, perturbaciones no medibles, compensacion de fallas en sensores mediante actualizaci
on
de la trayectoria de referencia y compensacion directa de las mediciones, compensacion de
fallas en valvulas mediante actualizacion de la poltica de control ya sea mediante estrategia descentralizada o integrada al CPBM. Se han podido cuantificar los beneficios de contar
con una estrategia integrada de SDDEF/CTF en este caso, mediante ndices especficos de
rendimiento y econ
omicos.
Finalmente, se ha podido generalizar una metodologa para el correcto MSA en procesos de
peque
na, mediana y gran escala, generando ademas los recursos necesarios para una correcta
integraci
on al CTF. De esta forma el sistema resultante SDDEF/CTF cumple con los requisitos
deseables definidos en el captulo 2 y adiciona caractersticas automaticas de compensaci
on
de fallas. Desde el punto de vista de implementacion la metodologa aqu propuesta presenta
importantes ventajas considerando la carga computacional, los avances actuales referentes a
sensores, actuadores, comunicaciones industriales, bases de datos y hardware de potencia.
6.1.
Direcciones futuras
El area de desarrollo de sistemas hbridos de supervision e integracion al CTF representa

un gran problema abierto a
un y poco explorado para grandes procesos. La integracion de estas
tecnicas con otras operaciones de proceso de forma tal que resulten en sistemas de supervisi
on
mas efectivos, inteligentes y explicativos y analizar las posibles aplicaciones industriales de gran
escala resulta una tarea indispensable.
De todas formas, existen numerosos topicos que encuentran un grado de interconexi
on
con el desarrollo de SDDEF/CTF. Por un lado, el area de reconciliacion de datos parece
ser un problema importante y poco tratado en grandes procesos. A su vez, la inclusion de
tareas de DDF en el dise
no de procesos no ha sido considerado y resulta de gran importancia
para su futura puesta en funcionamiento. Otros topicos, como locacion optima de sensores
considerando minimizaci
on de costos y maximizacion de deteccion de fallas en el dise
no de
estrategias de control resulta un area de sumo interes.
167
168
Apndice A: MCR con factor de

olvido
Recordando el criterio de minimizacion de la ec. 3.33, podemos considerar un pesado

exponencial para el error de prediccion
N
2

1 X N k
y(k) (k)T
VN , Z N =
N
(a.1)
k=1
con 0 < 1, as resulta que los datos mas nuevos (N k cercano a 1) seran tratados con
mayor importancia en el funcional, por otro lado los datos mas viejos (N k cercano a 0) seran
olvidados dentro del criterio.
Para este caso la estima de mnimos cuadrados resulta
"N
#1 N
X
X
N =
N k (k)(k)T
N k (k)y(k)
(a.2)
k=1
k=1
denominando ahora con

"
PN =
N
X
#1
N k
(k)(k)
(a.3)
k=1
se puede expresar que

PN1 =
N
X
k=1
N k (k)(k)T =
N
1
X
N k (k)(k)T + (N )(N )T
(a.4)
k=1
notar que en este caso se puede expresar N k = N k1 , resultando en

"N 1
#
X
PN1 =
N k1 (k)(k)T + (N )(N )T = PN11 + (N )(N )T
k=1
169
(a.5)
La estima de mnimos cuadrados para N datos entrada-salida puede expresarse como

" N 1
#
X
N =PN
N k1 (k)y(k) + (N )y(N )
k=1
i
=PN PN11 N 1 + (N )y(N )
#
"
PN1 (N )(N )T
N 1 + PN (N )y(N )
=PN
h
i
=N 1 + PN (N ) y(N ) (N )T N 1
(a.6)
que resulta igual al caso sin factor de olvido.

Considerando ahora A = PN11 , B = (N ), C = (N )T y D = 1 para el lema de
inversion de matrices, resulta que en este caso debe ser

1
PN 1 (N )(N )T PN 1
PN =
PN 1
(a.7)
+ (N )T PN 1 (N )
170
Apndice B: Prediccin con modelo

FIR
De esta forma, considerando el error planta-modelo (k) (estimacion de perturbaciones)

las predicciones del modelo vienen dadas por
y(k + i) =
N
X
g(j)u(k + i j) + (k + i)
j=1
i
X
g(j)u(k + i j) +
j=1
N
X
(b.1)
g(j)u(k + i j) +(k + i)
j=i+1
{z
acciones futuras
{z
acciones pasadas
donde u(k + i) es la se
nal de control y y(k + i) la prediccion del modelo. Una forma simple
de obtener una estimaci
on de la perturbacion (error planta-modelo) es considerarla constante
sobre todo el intervalo de prediccion, (k + i) = (k) = y(k) y(k) para i = Hw , . . . , Hp .
Las predicciones del modelo en el horizonte [Hw , Hp ] pueden expresarse como la superposicion de dos efectos, por un lado las acciones pasadas de control contenidas en (k) y los
efectos de las acciones futuras de control referidas con u
(k), es decir:
(k) = T1 GT2 u
y
(k) + T3 ST4 (k) + (k)
(b.2)
con
(k) = [
y
y (k + Hw ), , y(k + Hp )]T
(b.3)
(k) = [1, , 1] [y(k) y(k)]
(b.4)
u
(k) = [
u(k), , u
(k + Hu 1)]T
(b.5)
T
(k) = [u(k 1), , u(k N + Hw )]
171
(b.6)
g(1)
g(2)
.
..
G=
g(N )
0
.
.
.
0
0
..
.
..
..
..
..
.
...
...
..
.
0
..
.
g(1)
0
S =
g(2)
g(1)
..
.
g(1) + g(2)
..
g(N )
.
PN
0
1 g(i)
. . . g(N )
.
..
g(3) g(4)
0
..
.
.
(b.7)
g(4)
0
.
g(N ) .
..
..
.
.
..
..
.
.
g(N )
g(N )
0
0
...
0
g(2)
g(3)
g(4)
..
.
Las matrices de transformaci

on T1 , T2 , T3 y T4 estan constituidas por ceros y unos que
permiten seleccionar partes especficas de G y S, son funcion de los horizontes [Hw , Hp ] y Hu
as como del orden del modelo FIR N .

0
T1 = 0 I 0 (H H +1)(2N 1) T2 =
p
w
I
N Hu
(b.8)

0
T3 = I 0 (H H +1)(N 1)
T4 =
p
w
I (N 1)(N H )
w
donde 0 es una matriz de ceros y I = diag(1, , 1) la matriz identidad, ambas de dimensiones

apropiadas.
172
Apndice C: Prediccin con modelo

en ecuaciones de estado
Asumiendo que nuestro modelo interno esta representado por un modelo en tiempo discreto
en ecuaciones de estado de la forma
x(k + 1) = Ax(k) + Bu(k)
y(k) = Cx(k)
(c.1)
donde x(k) es el vector de estado de dimension n, u(k) es el vector de entradas de dimensi

on
l e y(k) es el vector de salidas del proceso a ser controladas de dimension p. Considerando
que el estado actual del modelo puede ser medido x
(k) = x(k) podemos evaluar su predicci
on
iterando el modelo.
x
(k + 1) = Ax(k) + B
u(k)
x
(k + 2) = A
x(k + 1) + B
u(k + 1)
= A2 x(k) + AB
u(k) + B
u(k + 1)
.. .. ..
. . .
(c.2)
x
(k + Hp ) = A
x(k + Hp 1) + B
u(k + Hp 1)
H
1
H
p
p
= A x(k) + A
B
u(k) + . . . + B
u(k + Hp 1)
Ahora, recordando que la se
nal de control solo cambia Hu veces y se mantiene constante
el resto del horizonte de predicci
on y expresando las predicciones en funcion de los cambios en
la se
nal de control
u(k + i), donde
u(k + i) = u
(k + i) u
(k + i 1), podemos escribir
en forma matricial, resultando
X(k)
= A x(k) + B1 u(k 1) + B2 U(k)
|
{z
}
| {z }
(c.3)
X(k)
= [
x(k + 1), . . . , x
(k + Hp )]T
U(k)
= [
u(k), . . . ,
u(k + Hu 1)]T
(c.4)
acciones pasadas
donde
acciones futuras
es el vector de predicci
on de los estados sobre el horizonte Hp y la secuencia futura de variaciones en la se
nal de control sobre el horizonte de control Hu respectivamente. A , B1 y B2
173
son matrices que dependen del modelo y de las dimensiones de los horizontes Hp y Hu
B
A
AB + B
..
..
..
..
..
.
.
.
P
.
.
H
1
u
iB
AHu
PHu 1 i
A
i=0
P
A
B
B
A = Hu +1 , B1 =
Hu
i=0
i B , B2 = P
A
A
Hu
iB
i=0
AB
+
B
i=0
.
.
..
..
..
..
..
.
.
.
P
Hp 1 i
H
p
A
PHp 1 i
PHp Hu i
i=0 A B
AB
i=0 A B
i=0
(c.5)
x(k) es el vector de estados medidos y u(k 1) es el vector de entradas aplicadas a la planta
en el instante de tiempo anterior.
Las predicciones de las salidas controladas pueden facilmente obtenerse mediante
= C A x(k) + C B1 u(k 1) + C B2 U(k)

Y(k)
= C X(k)
= x(k) + u(k 1) + U(k)

con
Y(k)
=
y
(k + 1)
..
,
.
y
(k + Hp )
C =
C 0
0 C
.. .. . .
.
. .
0 0
0
0
..
.
(c.6)
(c.7)
y = C A , = C B1 y = C B2 .
Ahora bien, si sobre la planta act
uan perturbaciones el modelo anterior no tiene en cuenta
dicho comportamiento. Una forma simple de incluir en las predicciones del modelo el efecto de
las perturbaciones es considerar estas como perturbaciones de salida y estimarlas calculando
el error plantamodelo, (k) = y(k) y
(k) donde y(k) es el vector de las salidas actuales del
proceso e y
(k) la estimaci
on actual dada por el modelo interno. Asumiendo ahora que dicha
perturbacion se mantiene constante sobre todo el horizonte de prediccion (k) = (k + i), con
1 i Hp , podemos as incluirla en la prediccion del modelo seg
un,
Y(k)
= x(k) + u(k 1) + U(k)
+ (k)
(c.8)
donde (k) = [1, . . . , 1]T [y(k) y

(k)] y [1, . . . , 1]T un vector de dimension pHp 1, con p el
n
umero de salidas. Este esquema simple de estimacion y compensacion de perturbaciones es
el ampliamente utilizado en la mayora de los productos comerciales de control predictivo.
Por otro lado tambien podemos encontrarnos con el inconveniente de no poder medir
algunos o todos los estados del proceso. En estos casos es u
til emplear un observador de
estados y de esta forma estimar el estado actual x
(k). As las predicciones del modelo en
espacio de estados sobre el horizonte de prediccion resultan finalmente
Y(k)
=
x(k) + u(k 1) + U(k)
+ (k)
174
(c.9)
Apndice D: Algoritmo de
factorizacin UD
Suele ser de gran ayuda expresar las matrices de forma factorizada y as evitar problemas numericos con grandes matrices mal condicionadas. Uno de los metodo utilizados es la
factorizaci
on UD que tiene por objeto representar la matriz de covarianza como:
P(k) = U (k)D (k)U (k)
(d.1)
donde U (k) es una matrixz triangular superior con todos sus elementos en la diagonal iguales
a uno y D (k) una matriz diagonal (Ljung (1999); Zhang and Li (1999); Jordan et al. (2006);
Jordan (1990)).
El algoritmo recursivo para mnimos cuadrados resulta entonces
A)- Inicializaci
on, k = 0
D (0) = I, con = 102 104
B)- Para k > 0
f (k) = UT (k 1)(k)
v(k) = D (k 1)f (k)
0 (k) =
1)- Para j = 1, 2, . . . , N
j (k) = j1 (k) + fj (k)vj (k)
Djj (k) = j1 (k)Djj (k 1)/j (k)
j (k) = vj (k)
uj (k) = fj (k)/j1 (k)
2)- Para i = 1, . . . , j 1
Uij (k) = Uij (k 1) + i (k)uj (k)
i (k) i (k) + Uij (k 1)
j (k)
3)- Computar
(k) = N1(k) [
1 (k), 2 (k), . . . , N (k)]T
4)- Actualizar
h
i
1) + (k) y(k) T (k)(k

1)
(k)
= (k
5)- Almacenar U (k), D (k) y (k)

donde y(k) es la salida del proceso, (k) el regresor lineal de las entradas (caso FIR) y el
factor de olvido, las demas variables son internas utilizadas para el calculo de la factorizaci
on.
175
De esta forma se obtiene una actualizacion de la matriz de covarianza P(k), actualizando

directamente su factorizaci
on U (k) y D (k). El algoritmo ademas permite el calculo recursivo
del vector de parametros estimados (k).
176
Apndice E: Control basado en

modelo interno (CBMI)
Una de las tecnicas mas ampliamente difundidas de control basado en modelos es el CBMI
(Rivera (2007, 1986)). Esta necesita de un modelo interno confiable del proceso que mediante
una factorizaci
on adecuada puede utilizarse para ajustar los parametros de los controladores
clasicos (PI, PID). Este tipo de metodologa es aplicada fuera de lnea para el dise
no de
controladores. En esta tesis se propone integrar esta tecnica con la informacion dada por el
SDDEF resultando en un algoritmo que permita el reajuste de controladores clasicos en lnea.
En lo siguiente se dara una breve descripcion de la metodologa utilizada, para mas detalles
ver Rivera (1986, 2007). Esta estrategia esta basada en criterios de robustez, estabilidad y
rendimiento. El modelo del proceso en el dominio transformado de Laplace puede representarse
como G(s)
= g+ (s)
g (s), donde g+ (s) es la parte no invertible conteniendo todos los retardos
y ceros no mnima fase y g (s) que es la parte invertible estable del modelo. El dise
no CBMI
resulta entonces:
1
Gc (s) = g
(s)flp (s)
(e.1)
donde flp (s) es un filtro pasa bajos de orden especfico de forma tal que Gc (s) sea al menos
una funci
on propia. Mediante esta factorizacion Gc (s) resulta fsicamente realizable.
Considerando entonces un modelo de primer orden de la forma G(s)

= km /(m s + 1) y
realizando la factorizaci
on dicha anteriormente, g+ (s) = 1 y g (s) = km /(m s + 1), se puede
ahora trabajar con algebra de bloque sobre la Fig. E.6.1(a) y llegar a la estructura de control
clasica por realimentaci
on que se observa en la Fig. E.6.1(b), donde:
C(s) =
g1 (s)
Gc (s)
= 1
1 g(s)gc (s)
flp (s) g+ (s)
(e.2)
considerando ahora la factorizaci

on realizada y la transferencia del filtro flp (s) = 1/(f s + 1),
el controlador resultante tiene la forma

m s + 1
m
1
C(s) =
=
1+
(e.3)
km f s
km f
m s
que es justamente la estructura de un controlador clasico PI. Es decir, se puede realizar el
ajuste de este controlador teniendo un modelo confiable de primer orden del proceso y los
parametros de un filtro pasa bajos de primer orden. De esta forma la ganancia proporcional
del controlador es calculada como m /km f y la constante de tiempo integral como m .
Cuando estamos en presencia de un modelo perfecto G(s)

= G(s) la constante de tiempo
del filtro pasa bajos puede seleccionarse libremente. En la practica raramente se obtiene un
177
(a) CBMI
(b) Cl
asica
Figura E.1: Estructuras de control por realimentacion

modelo perfecto del proceso, generalmente puede aproximarse el comportamiento con modelos
que poseen un rango de validez en un entorno frecuencial de trabajo.
Un proceso puede ser satisfactoriamente modelado en la practica mediante un modelo de
primer orden con retardo de la forma G(s) = km es /(m s + 1). Recordando que para derivar
la ec. e.3 se utiliz
o un modelo de primer orden sin informacion del retardo g+ (s) = 1 (se
asumio una aproximaci
on del retardo de Pade de orden cero, es = 1), la estrategia de CBMI
permite cuantificar la validez de dicho modelo y delimitar el rango de frecuencias efectivo del
sistema a lazo cerrado.
Para analizar el problema de utilizar una aproximacion de Pade de orden cero se define la
funcion de error multiplicativo de norma acotada, |em (s)|, donde
em (s) =
G(s) G(s)
G(s)
(e.4)
Generalmente |em (s)| posee un valor que aproxima o supera la unidad para frecuencias
altas. Evaluando as |em ()| = 1 resulta que
= 1/ generando un lmite frecuencial de
validez para el modelo. Para un rango operacional de > 1/ no puede garantizarse la
robustez a incertidumbres multiplicativas. Ademas, en la estrategia de CBMI la respuesta a
lazo cerrado del sistema resulta proporcional a la constante de tiempo del filtro f (es decir
1/f = ). En este contexto, se puede obtener un dise
no conservativo si se selecciona f > .
Teniendo en cuenta lo expresado hasta aqu, se puede entonces utilizar la informacion
que suministra el SDDEF respecto del retardo identificado y redise
nar los parametros del
controlador en lnea; considerando la condicion f > del error cometido y la ecuacion de
dise
no e.3.
178
Apndice F: Control en avance

(feedforward control)
El control en avance (CEA) puede idealmente eliminar por completo el efecto de las perturbaciones medidas en las salidas del proceso. Incluso cuando existen errores de modelado el CEA
puede reducir el efecto de dichas perturbaciones mejor que una estrategia de realimentaci
on
solamente.
Los beneficios econ
omicos del CEA pueden provenir de un menor costo operativo y/o
incrementar la venta de productos por mejoras en su calidad. Generalmente el CEA trabaja
en conjunto con una estrategia de control por realimentacion. Este u
ltimo tiene por objeto
realizar el seguimiento de la poltica de referencia y rechazar perturbaciones no medidas que
siempre estan presentes en procesos reales.
Figura F.1: Estructura de control en avance (feedforward control)

En la Fig. F.1 se puede observar la clasica estructura de un control por realimentaci
on
(PI) actuando en conjunto con un controlador en avance (CEA). Se puede entonces escribir
la funci
on de transferencia entre salida y y perturbacion medida d como
Gp (s) Kf f (s)G(s)
y(s)
=
d(s)
1 + P I(s)P (s)
(f.1)
claramente se observa que si la perturbacion medida no debe influenciar la salida del proceso
entonces se debe cumplir que
Gp (s) Kf f (s)G(s) = 0
179
(f.2)
un calculo aproximado de dicho controlador puede realizarse considerando los modelos del
p (s) resultando en
proceso G(s)
yG
1 (s)G
p (s)
Kf f (s) = G
(f.3)
teniendo en cuenta que el modelo G(s)

no contenga retardos ni ceros de no mnima fase.
180
Bibliografa
N.H. Afgan, M.G. Carvalho, P.A. Pilavachi, A. Tourlidakis, G.G. Olkhonski, and N. Martins.
An expert system concept for diagnosis and monitoring of gas turbine combustion chambers.
Applied Thermal Engineering, (26):766/771, 2006.
ASM. Abnormal situation management consortium. http://www.asmconsortium.com.
M. Bauer and N.F. Thornhill. A practical method for identifying the propagation path of
plant-wide disturbances. Journal of Process Control, (doi:10.1016/j.jprocont.2007.11.007),
2008.
M. Bhushan, S. Narasimhan, and R. Rengaswamy. Robust sensor network design for fault
diagnosis. Computers and Chemical Engineering, 32:1067/1084, 2008.
S. Bjorklund and L. Ljung. A review of time-delay estimation techniques. In Proceedings of
42nd IEEE Conference on Decision and Control, page 2502/2507, Hawaii-USA, 2003.
M. Blanke, M. Kinnaert, J. Lunze, and M. Staroswiecki. Diagnosis and Fault-Tolerant Control.
Springer Berlin Heidelberg, 2 edition, 2006.
D. Campos-Delgado and Kemin Zhou. Reconfigurable fault-tolerant control using GIMC structure. IEEE Transactions On Automatic Control, 48(5):832/838, May 2003.
J.J. Castro and F.J. Doyle. A pulp mill benchmark problem for control: Problem description.
Journal Of Process Control, (14):17/29, 2004a.
J.J. Castro and F.J. Doyle. A pulp mill benchmark problem for control: Application of platwide
control design. Journal Of Process Control, (14):329/347, 2004b.
CEFIC. European chemical industry council. http://www.cefic.be.
H. Cheng, M. Nikus, and S.L. Jamsa-Jounela. Fault diagnosis of the paper machine short
circulation process using novel dynamic causal digraph reasoning. Journal of Process Control,
(doi:10.1016/j.jprocont.2007.12.003), 2008.
L. Chiang, M. Kotanchek, and A. Kordon. Fault diagnosis based on fisher discriminant analysis
and support vector machines. Computers and Chemical Engineering, (28):1389/1401, 2004.
L.H. Chiang and L.F. Colegrove. Industrial implementation of on-line multivariate quality
control. Chemometrics and Intelligent Laboratory Systems, (88):143/153, 2007.
181
Bibliografa
P. Christofides and N. El-Farra. Control of Nonlinear and Hybrid Process Systems. Designs for
Uncertainty, Constraints and Time-Delays. Springer-Verlag Berlin Heidelberg, 2005.
C. Commault and J.M. Dion. Sensor location for diagnosis in linear systems: A structural
analysis. IEEE Transactions On Automatic Control, 52:155/169, 2007.
J. Coop. The cost simulation benchmark, description and simulator manual. Technical report,
COST (European Coop. in the field of Scientific and Technical Research), 2001.
N.A. Darwish and N. Hilal. Sensitivity analysis and faults diagnosis using artificial neural networks in natural gas TEG-dehydration plants. Chemical Engineering Journal, 137:189/197,
2008.
I. Daubechies. The wavelet transform, time-frequency localization and signal analysis. IEEE
Transactions On Information Theory, 36(5):961/1005, 1990.
H. Demuth and M. Beale. Neural network toolbox for use with matlab (users guide version
4). Technical report, The Math Works Inc., 2002.
M. Ekman, B. Bj
orlenius, and M. Andersson. Control of the aeration volume in an activated
sludge process using supervisory control strategies. Water Research, (40):1668/1676, 2006.
N. El-Farra, Y. Lou, and P. Christofides. Fault-tolerant control of fluid dynamic systems via
coordinated feedback and switching. Computers and Chemical Engineering, (27):1913/1924,
June 2003.
N.H. El-Farra. Integrated fault detection and fault-tolerant control architectures for distributed
processes. Ind. Eng. Chem. Res., page Published on Web April 14, 2006.
A. Fekih and P. Pilla. A passive fault tolerant control strategy for the uncertain MIMO
aircraft model F-18. 39th Southeastern Symposium on System Theory, page 320/325,
Mercer University, Macon, GA, 31207, March 4-6 2007.
W. Gao, G.F. Ma, M.L. Zhou, Y.C. Li, and Ying Li. Parameter identification and adaptive
predictive control of time-varying delay systems. In Proceedings of the Fourth International
Conference on Machine Learning and Cybernetics, page 609/613, Guangzhou, August 18/21
2005.
X. Gu, Q. Zhu, and Z. Geng. Self-adaptive signal processing integrated wavelet theory & PCA
for process monitoring. In ICSP04 Proceedings, 2004.
F. Hamelin, T. Boukhobza, H. Jamouli, and C. Join. An integrated way to design FD/FTC
modules via parity space and model following. In A Proceedings Volume from the 6th IFAC
Symposium, SAFEPROCESS 2006, page 372/377, Beijing, P.R. China, August 30/September 1 2006.
Q. He, J. Wang, and S. Qin. A new fault diagnosis method using fault directions in fisher
discriminant analysis. Technical report, Texas-Wisconsin Modeling and Control Consortium,
2004.
D.M. Himes, R.H. Storer, and C. Georgakis. Determination of the number of principal components for disturbance detection and isolation. In Proceeding Of The American Control
Conference, page 1279/1283, Baltimore-Maryland, June 1994.
H.P. Huang and K.Y. Luo. On-line wavelets filtering with application to linear dynamic data
reconciliation. Ind. Eng. Chem. Res., 46:8746/8755, 2007.
182
Bibliografa
C. Jiang and D.H. Zhou. Fault detection and identification for uncertain linear time-delay
systems. Computers and Chemical Engineering, 30:228/242, 2005.
M. Jordan, M. Basualdo, and D. Zumoffen. An approach to improve the performance of
adaptive predictive control systems: Theory, simulations and experiments. International
Journal Of Control, 79(10):1216/1236, 2006.
M.A. Jordan. Digitale adaptive Regelung mit linearen nichtparametrischen Modellen. PhD
thesis, Darmstad, Germany, 1990.
Stoyan Kanev. Robust Fault-Tolerant Control. PhD thesis, University of Twente, The Netherlands, 2004.
F. Kimmich, A. Schwarte, and R. Isermann. Fault detection for modern diesel engines using
signal and process model-based methods. Control Engineering Practice, (13):189/203, 2005.
M. Kinnaert. Robust fault detection based on observers for bilinear systems. Automatica, 35:
1829/1842, 1999.
R. Kofahl. Robustness in Parameter Adaptive Control (Chap. XIII in Adaptive Control Systems). Prentice Hall, 1992.
J. Komenda, J.H. van Schuppen, B. Gaudin, and H. Marchand. Supervisory control of modular
systems with global specification languages. Automatica, 44:1127/1134, 2008.
P.R. Kotecha, M. Bhushana, and R.D. Gudi. Constraint programming based multi-objective
sensor network design for fault diagnosis. In 17th European Symposium on Computer Aided
Process Engineering, volume 24 of Computer Aided Chemical Engineering, page 745/750,
2007.
T. Kourti. Process analysis and abnormal situation detection: From theory to practice. IEEE
Control Systems Magazine, page 10/25, 2002.
W. Ku, R.H. Storer, and C. Georgakis. Disturbance detection and isolation by dynamic principal
component analysis. Chemometrics and Intelligent Laboratory Systems, (30):179/196, 1995.
S. Lane, E.B. Martin, A.J. Morris, and P. Gower. Application of exponentially weighted principal
component analysis for the monitoring of a polymer film manufacturing process. Transactions
Of The Institute Of Measurement And Control, 1(25):17/35, 2003.
C. Lee, S.W. Choi, and I.B. Lee. Sensor fault identification based on time-lagged PCA in
dynamic processes. Chem. and Int. Lab. Syst., (70):165/178, 2004.
G. Lee, T. Tosukhowong, J.H. Lee, and C. Han. Fault diagnosis using the hybrid method of
signed digraph and partial least squares with time delay: The pulp mill process. Ind. Eng.
Chem. Res., (45):9061/9074, 2006.
J. Lehtoranta and H.N. Koivo. Fault diagnosis of induction motors with dynamical neural
networks. In IEEE International Conference on Systems, Man and Cybernetics, volume 3,
page 2979/2984, 10/12 Oct. 2005.
W. Li and S.J. Qin. Consistent dynamic PCA based on errors-in-variables subspace identification. Journal Of Process Control, (11):661/678, 2001.
W. Li, H.H. Yue, S. Valle-Cervantes, and S.J. Qin. Recursive pca for adaptive process monitoring. Journal Of Process Control, (10):471/486, 2000.
183
Bibliografa
L. Ljung. System Identification (Theory for the user). Second edition, 1999.
R. Luo, M. Misra, and D. Himmelblau. Sensor fault detection via multiscale analysis and
dynamic PCA. Ind. Eng. Chem. Res., 38:1489/1495, 2005a.
X. Luo, X. Zuo, and D. Du. Varying model based adaptive predictive control of highly nonlinear chemical process. International Conference on Control and Automation (ICCA2005),
Budapest, Hungary, June 27/29 2005b.
Y.G. Ma, L.Y. Ma, and J. Ma. RBF neural network based fault diagnosis for the thermodynamic
system of a thermal power generating unit. In Proceedings of the Fourth International
Conference on Machine Learning and Cybernetics, Guangzhou, 18/21 August 2005.
J.M. Maciejowski. Predictive Control With Constraints. Prentice Hall, 2002.
M. Mahmoud, J. Jiang, and Y. Zhang. Active Fault Tolerant Control Systems. Springer-Verlag
Berlin Heidelberg, 2 edition, 2003.
M.S. Mahmoud, E.K. Boukas, and A. Ismail. Robust adaptive control of uncertain discretetime state-delay systems. Computers & Mathematics with Applications, (55):2887/2902,
2008.
S.G. Mallat. A theory for multiresolution signal decomposition: The wavelet representation.
IEEE Transactions On Pattern Analysis And Machine Intelligence, II(7):674/693, 1989.
S. Manuja, S. Patwardhan, and S. Narasimhan. Fault tolerant control with identified models:
An experimental study. IEEE-ICISIP, page 460/465, 2004.
The MathWorks. Fuzzy logic toolbox for use with matlab (users guide version 2). Technical
report, The Math Works Inc., 2002.
A. Maulud, D. Wang, and J.A. Romagnoli. A multi-scale orthogonal nonlinear strategy for
multi-variate statistical process monitoring. Journal of Process Control, (16):671/683, 2006.
M.R. Maurya, R. Rengaswamy, and V. Venkatasubramanian. Fault diagnosis using dynamic
trend analysis: A review and recent developments. Engineering Applications of Artificial
Intelligence, (20):133/146, 2007.
P. Mhaskar. Robust model predictive control design for fault-tolerant control of process systems. Ind. Eng. Chem. Res., (45):8565/8574, 2006.
P. Mhaskar, A. Gani, N. El-Farra, C. McFall, P.D. Christofides, and J. Davis. Integrated fault
detection and fault-tolerant control of process systems. AIChE J., (52):2129/2148, 2006.
P. Mhaskar, A. Gani, C. McFall, P. Christofides, and J. Davis. Fault-tolerant control of nonlinear
process systems subject to sensor faults. AIChE J., (53):654/668, 2007.
M. Misiti, Y. Misiti, G. Oppenheim, and J. Poggi. Wavelet toolbox for use with matlab (users
guide version 2). Technical report, The Math Works Inc., 2002.
M. Misra, H.H. Yue, S.J. Qin, and C. Ling. Multivariate process monitoring and fault diagnosis
by multi-scale PCA. Computers and Chemical Engineering, (26):1281/1293, 2002.
S. Montania, L. Portinale, A. Bobbioa, and D. Codetta-Raiteria. Radyban: A tool for reliability
analysis of dynamic fault trees through conversion into dynamic bayesian networks. Reliability
Engineering & System Safety, 93, 2008.
184
Bibliografa
C. Mu
noz, D. Rojas, O. Candia, L. Azocar, C. Bornhardt, and C. Antileo. Supervisory control
system to enhance partial nitrification in an activated sludge reactor. Chemical Engineering
Journal, doi:10.1016/j.cej.2008.04.032, 2008.
E. Musulin. Process Monitoring and Abnormal Situation Management in Chemical Processes. PhD thesis, Departament dEnginyeria Qumica, Escola T`ecnica Superior dEnginyers
Industrials de Barcelona, Universitat Polit`ecnica de Catalunya, Espa
na, June 2005.
E. Musulin, M. Bagajewicz, J. Nougues, and L. Puigjaner. Instrumentation design and upgrade
for principal components analysis monitoring. Ind. Eng. Chem. Res., 43:2150/2159, 2004.
E. Musulin, I. Yelamos, and L. Puigjaner. Integration of principal component analysis and fuzzy
logic systems for comprehensive process fault detection and diagnosis. Ind. Eng. Chem. Res.,
(45):1739/1750, 2006.
H.H. Niemann and J. Stoustrup. Passive fault tolerant control of a double inverted pendulum.
A case study. Control Engineering Practice, (13):1047/1059, 2005.
P.M. Nrgaard, O. Ravn, N.K. Poulsen, and L.K. Hansen. Neural Networks For Modelling And
Control Of Dynamic Systems: a practitioners handbook. Springer-Verlag London, 2 edition,
2001.
O. Ondela, E. Boutleux, G. Clerc, and E. Blanco. FDI based on pattern recognition using
kalman prediction: Application to an induction machine. Engineering Applications of Artificial Intelligence, (doi:10.1016/j.engappai.2007.11.005), 2008.
S.C. Patwardhan and S.L. Shah. From data to diagnosis and control using generalized orthonormal basis filters. part I: Development of state observers. Journal of Process Control,
(15):819/835, 2005.
S.C. Patwardhan, S. Manuja, S. Narasimhan, and S.L. Shah. From data to diagnosis and
control using generalized orthonormal basis filters. part II: Model predictive and fault tolerant
control. Journal of Process Control, (16):157/175, 2006.
J. Prakash, S.C. Patwardhan, and S. Narasimhan. A supervisory approach to fault-tolerant
control of linear multivariable systems. Ind. Eng. Chem. Res., (41):2270/2281, 2002.
M. Primucci and M. Basualdo. Thermodynamic predictive functional control applied to CSTR
with jacket system. Proceedings of 15th Triennial World Congress, Barcelona, Spain, 2002.
IFAC.
A. Pu
nal, E. roca, and J. Lema. An expert system for monitoring and diagnosis of anaerobic
wastewater treatment plants. Water Research, (36):2656/2666, 2002.
J.P. Richard. Time-delay systems:an overview of some recent advances and open problems.
Automatica, (39):1667/1694, 2003.
L. Rieger, T. Thomann, W. Gujer, and H. Siegrist. Quantifying the uncertainty of on-line
sensors at wwtps during field operation. Water Research, (39):5162/5174, 2005.
D. Rivera. Internal model control. 4. PID controller design. Ind. Eng. Chem. Process Des.
Dev., 25:252/265, 1986.
D. Rivera. Una metodologa para la identificacion integrada con el dise
no de controladores
IMC-PID. RIAI (Rev. Iberoamericana de Autom e Inf. Ind), 4(4):5/18, 2007.
185
Bibliografa
C. Rosen. A Chemometric Approach to Process Monitoring and Control With Applications

to Wastewater Treatment Operation. PhD thesis, Doctoral Dissertation in Industrial Automation Department of Industrial Electrical Engineering and Automation, Lund University,
Sweden, 2001.
D. Ruiz. Fault Diagnosis In Chemical Plants Integrated To The Information System. PhD
thesis, Departament dEnginyeria Qumica, Escola Tecnica Superior dEnginyers Industrials
de Barcelona, Universitat Politecnica de Catalunya, Espa
na, March 2001.
S. Sastry and M. Bodson. Adaptive Control: Stability, Convergence and Robustness. PrenticeHall, 1989.
D. Sauter, F. Hamelin, H. Noura, and D. Theilliol. Fault tolerant control in dynamic systems.
15th Triennial World Congress, Barcelona, Spain, 2002. IFAC.
S. Simania and R.J. Patton. Fault diagnosis of an industrial gas turbine prototype using a
system identification approach. Control Engineering Practice, (16):769/786, 2008.
J. Stoustrup and V.D. Blonde. A simultaneous stabilization approach to (passive) fault tolerant
control. Proceeding of the 2004 American Control Conference, page 1817/1822, Boston,
Massachusetts, June 30/July 2 2004.
V. Suplin and U. Shaked. Robust H output-feedback control of systems with time-delay.
Systems & Control Letters, (57):139/199, 2008.
G. Tao, S. Joshi, and X. Ma. Adaptive state feedback and tracking control of systems with
actuator failures. IEEE Transactions On Automatic Control, 46(1):78/95, January 2001.
G. Tao, S. Chen, and S. M. Joshi. An adaptive actuator failure compensation controller using
output feedback. IEEE Transactions On Automatic Control, 47:506/511, March 2002.
X. Tian, B. Xia, Z. Yu, and S.H. Yang. Non-linear dynamic data reconciliation for industrial
processes. In IEEE International Conference on Systems, Man, and Cybernetics, Taipei,
Taiwan, October 8-11 2006.
D. Tien, K. Lim, and L. Jim. Comparative study of PCA approaches in process monitoring and
fault detection. In The 30th Annual Conference Of The IEEE Industrial Electronic Society,
page 2594/2599, Busan, Korea, November 2/6 2004.
R.V. Tona, C. Benqlilou, A. Espu
na, and L. Puigjaner. Dynamic data reconciliation based on
wavelet trend analysis. Ind. Eng. Chem. Res., 44:4323/4335, 2005.
V.T. Trana, B.S. Yanga, M.S. Oha, and A.C. Tan. Machine condition prognosis based on
regression trees and one-step-ahead prediction. Mechanical Systems and Signal Processing,
(22):1179/1193, 2008.
D. van Schrick. Fault-tolerant control management: A conceptual view. 15th Triennial World
Congress, Barcelona, Spain, 2002. IFAC.
V. Venkatasubramanian, R. Rengaswamy, and S. Dash. Fuzzy-logic based trend classification
for fault diagnosis of chemical process. Computers and Chemical Engineering, 27:347/362,
2003a.
V. Venkatasubramanian, R. Rengaswamy, and S. Kavuri. A rewiew of process fault detection
and diagnosis: Qualitative models searh strategies. Computers and Chemical Engineering,
27:313/326, 2003b.
186
Bibliografa
V. Venkatasubramanian, R. Rengaswamy, K. Yin, and S. Kavuri. A rewiew of process fault

detection and diagnosis: Quantitative model-based methods. Computers and Chemical Engineering, 272:293/311, 2003c.
V. Venkatasubramanian, R. Rengaswamy, K. Yin, and S. Kavuri. A rewiew of process fault detection and diagnosis: Process history based methods. Computers and Chemical Engineering,
27:327/346, 2003d.
M. Walker and Y. Papadopoulos. Synthesis and analysis of temporal fault trees with PANDORA: The time of priority and gates. Nonlinear Analysis: Hybrid Systems, (2):368/382,
2008.
D. Wang and J.A. Romagnoli. Robust multi-scale principal components analysis with applications to process monitoring. Journal of Process Control, (12):869/882, 2005.
G. Wang, Z. Luo, X. Qin, Y. Leng, and T. Wang. Fault identification and classification of
rolling element bearing based on time-varying autoregressive spectrum. Mechanical Systems
and Signal Processing, (22):934/947, 2008.
S. Wold. Exponentially weighted moving principal components analysis and projection to latent
structures. Chemometrics And Intelligent Laboratory Systems, (23):149/161, 1994.
J.D. Wu and C.H. Liua. An expert system for fault diagnosis in internal combustion engines
using wavelet packet transform and neural network. Expert Systems with Applications,
(doi:10.1016/j.eswa.2008.03.008), 2008.
H. Yang, S. Cho, C.S. Tae, and M. Zaheeruddin. Sequential rule based algorithms for temperature sensor fault detection in air handling units. Energy Conversion and Management,
(doi:10.1016/j.enconman.2008.01.029), 2008.
H. Ye, G. Wang, and S. Ding. A new parity space approach for fault detection based on
stationary wavelet transform. IEEE Transaction on Automatic Control, 49(2):281/287, 2004.
C.K. Yoo, P.A. Vanrolleghem, and I.B. Lee. Nonlinear modeling and adaptive monitoring with
fuzzy and multivariate statistical methods in biological wastewater treatment plants. Journal
of Biotechnology, (105):135/163, 2006.
K.W. Yu and C.H. Lien. Robust H control for uncertain TS fuzzy systems with state and
input delays. Chaos, Solitons and Fractals, (37):150/156, 2008.
H.H. Yue and S.J. Qin. Reconstruction-based fault identification using a combined index. Ind.
Eng. Chem. Res., 40:4403/4414, 2001.
J. Zhang, G. Liu, W. Yu, and M. Ouyanga. Adaptive control of the airflow of a pem fuel cell
system. Journal of Power Sources, (179):649/659, 2008.
Y. Zhang and X. Li. A fast ud factorization-based learning algorithm with applications to
nonlinear system modeling and identification. IEEE Transactions On Neural Networks, 10
(4):930/938, 1999.
D.H. Zhou and P.M. Frank. Fault diagnostics and fault tolerant control. IEEE Transactions
On Aerospace And Electronic Systems, 34(2):420/427, 1998.
D. Zogg, E. Shafai, and H.P. Geering. Fault diagnosis for heat pumps with parameter identification and clustering. Control Engineering Practice, (14):1435/1444, 2006.
187
Bibliografa
D. Zumoffen and M. Basualdo. From large chemical plant data to fault diagnosis integrated
to decentralized fault-tolerant control: Pulp mill process application. Ind. Eng. Chem. Res.,
47(4):1201/1220, 2008a.
D. Zumoffen and M. Basualdo. Improvements in fault tolerance characteristics for large chemical plants. Part I: Waste water treatment plant with decentralized control. Ind. Eng. Chem.
Res., 2008b.
D. Zumoffen and M. Basualdo. Improvements in fault tolerance characteristics for large chemical plants. Part II: Pulp mill process with model predictive control. Ind. Eng. Chem. Res.,
2008c.
D. Zumoffen, M. Basualdo, M. Jordan, and A. Ceccatto. Robust adaptive predictive faulttolerant control linked with fault diagnosis system applied on a nonlinear chemical process.
In Proceedings of the 45th IEEE Conference on Decision and Control, page 3512/3517, San
Diego,CA,USA, 2006.
D. Zumoffen, M. Basualdo, M. Jordan, and A. Ceccatto. Robust adaptive predictive faulttolerant control integrated to a fault-detection system applied to a nonlinear chemical process. Ind. Eng. Chem. Res., 46(22):7152/7163, 2007.
188
Anexo
Durante el desarrollo de esta tesis se han generado diversas publicaciones. Las principales
se detallan a continuaci
on:
A- An Approach to Improve the Performance of Adaptive Predictive Control Systems: Theory, Simulations and Experiments. M. Jordan, M. Basualdo and D. Zumoffen. International
Journal Of Control. 2006, 79(10), 1216/1236.
B- Robust Adaptive Predictive Fault-Tolerant Control Linked with Fault Diagnosis System
Applied On a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and A.
Ceccatto. Proceedings of the 45th IEEE Conference on Decision and Control. 2006, 3512/3517.
San Diego, CA, USA.
C- Robust Adaptive Predictive Fault-Tolerant Control Integrated To a Fault-Detection System Applied to a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and
A. Ceccatto. Ind. Eng. Chem. Res.. 2007, 46(22), 7152/7163.
D- From Large Chemical Plant Data to Fault Diagnosis Integrated to Decentralized FaultTolerant Control: Pulp Mill Process Application. D. Zumoffen and M. Basualdo. Ind. Eng.
Chem. Res.. 2008, 47(4), 1201/1220.
E- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part I: Waste
Water Treatment Plant with Decentralized Control. D. Zumoffen and M. Basualdo. Ind.
F- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part II: Pulp
Mill Process with Model Predictive Control. D. Zumoffen, M. Basualdo and G. Molina. Ind.
Las publicaciones A, B y C forman parte del captulo 3 y la estructura fundamental del

captulo 4. A su vez las publicaciones D, E y F estructuran el captulo 5. En cada caso, dichos
captulos pretenden otorgar un vision extendida de las publicaciones documentando nuevos
resultados y estrategias.
Ademas, numerosos trabajos interdiciplinarios se han llevado a cabo en este perodo. El
resultado de dicha interacci
on se ve reflejada en las publicaciones enunciadas anteriormente y
los siguientes trabajos presentados en congresos y reuniones cientficas:
1. Desarrollo De Un Sensor Virtual De Composiciones Para La Implementacion De Control Con
Trayectoria Optima
Aplicado A Destilacion Batch. J.P. Ruiz, F. Garetto, D. Zumoffen y M.
Basualdo. Congreso X RPIC, Argentina. 2003.
2. A Nonlinear Soft Sensor For Quality Estimation And Optimal Control Applied In A Ternary Batch
Distillation Column. J.P. Ruiz, D. Zumoffen, M. Basualdo and L. Jimenez Esteller. ESCAPE 14
European Symposium on Computer Aided Process Engineering, Portugal. 2004.
189
Bibliografa
3. Aplicaci
on De Control Predictivo Funcional Para El Seguimiento De Una Trayectoria Optima
De
Temperatura En Una Columna De Destilacion Batch Multicomponente. D. Zumoffen, L. Garyulo
y M. Basualdo. XIX Congreso Argentino de Control Automatico, Argentina. 2004.
4. Predictive Functional Control Applied To Multicomponent Batch Distillation Column. D. Zumoffen, L. Garyulo, M. Basualdo and L. Jimenez. ESCAPE 15, European Symposium on Computer
Aided Process Engineering, Spain. 2005, 1465/1470.
5. Sistema De Detecci
on De Fallas En Un CSTR Controlado Con PFC. D. Zumoffen, M. Basualdo
y A. Ceccatto. Congreso XI RPIC, Argentina. 2005.
6. Control Tolerante Predictivo Funcional aplicado A Un CSTR. D. Zumoffen, M. Basualdo y M.
Jordan. Congreso XI RPIC, Argentina. 2005.
7. Control predictivo generalizado no lineal aplicado a una columna de destilacion batch ternaria.
J. Walczuk, L. Caviglia, D. Zumoffen y M. Basualdo. Congreso XI RPIC, Argentina. 2005.
8. On the Design of Fault-Tolerant Systems using Robustness Filtering with Adaptive Control. M.
Jordan, M. Basualdo and D. Zumoffen. Congreso XI RPIC, Argentina. 2005.
9. An Industrial Application Of Signal Processing For Developing A Fault Diagnosis System Linked
With A Fault Tolerant Control Strategy. M. Basualdo and D. Zumoffen. Workshop on Signal
Processing (WSP06), Argentina. 2006.
10. Control Tolerante A Fallos Integrado A Un Sitema De Diagnosis Basado En Analisis De Principales
Componentes Y L
ogica Difusa. D. Zumoffen, M. Basualdo y G. Molina. XX Congreso Argentino
de Control Automatico, Argentina. 2006.
11. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part I: FDIE System
Design. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina. 2007.
12. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part II: Reconfiguration of the Control Strategy. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina.
2007.
13. Hybrid Fault Diagnosis For Large Chemical Plants Under Control. D. Zumoffen and M. Basualdo.
ESCAPE 18, European Symposium on Computer Aided Process Engineering, France. 2008.
14. Fault Diagnosis and Identification System Applied to a Non-invasive Biosensor of Blood Glucose.
M. Basualdo, D. Zumoffen and A. Rigalli. ESCAPE 18, European Symposium on Computer Aided
Process Engineering, France. 2008.
15. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte I: Dise
no del SDDEF. D. Zumoffen y M.
16. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte II: Integracion al CTF. D. Zumoffen y M.
190

Zumoffentesis 2008

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Zumoffentesis 2008

Cargado por

Copyright:

Formatos disponibles

Universidad Nacional De Rosario (UNR)

Facultad De Ciencias Exactas, Ingeniera Y Agrimensura

David Alejandro R. Zumoffen

Dra. Marta S. Basualdo

Miembros del jurado: Dr. Carlos Ruiz

Tesis presentada en la Facultad de Ciencias Exactas, Ingeniera y Agrimensura, en

Certifico que el trabajo incluido en esta tesis es el resultado de tareas de investigaci

David Alejandro R. Zumoffen

Grupo de Informatica Aplicada a Ingeniera de Procesos.

Las publicaciones A, B y C forman parte del captulo 3 y la estructura fundamental del

Analisis en componentes principales

Vector de unos de longitud m

Valor medio de la variable i

Inicio horizonte de prediccion

Cte. tiempo filtro

Punto operativo de la entrada

Lmite de confianza para z

Funcional costo adicional

Matriz del modelo EE

2. Estado del Arte

2.4.4. Utilizando el conocimiento teorico y del proceso . . . . . . . . . . . . . 30

4. Aplicaciones de CAP como CTF activo

5.2. Indices de rendimiento . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

1.1. Porcentajes de fuentes de situaciones anormales (ASMr) . . . . . . . . . . . .

Estructura general de diagnostico . . .

Respuesta del proceso y FIR estimado . . . . . . . . . . .

4.9. CAP ante falla en el sensor . . . . . . . . . . . . . . . . . . . . . . . . . . .

5.1. Algoritmo ACPA con estadsticos combinados . . . . . . . . . . . . . . . . . . 101

Parametros del controlador predictivo

5.1. Elementos del proceso y variables en la PTAR . . . . . . . . . . . . . .

5.24. Parametros de las RNA - CPBM . . . . . . . . . . . . . . . . . .

Manejo de situaciones anormales (MSA)

De forma general una situaci

1.1. Manejo de situaciones anormales (MSA)

Figura 1.1: Porcentajes de fuentes de situaciones anormales (ASMr)

1.1. Manejo de situaciones anormales (MSA)

Figura 1.2: Contribucion relativa de cada fuente (ASMr)

1.1. Manejo de situaciones anormales (MSA)

B. Factores relacionados con los equipos

1.1. Manejo de situaciones anormales (MSA)

fase. Se dispone as de procedimientos que describen el re-procesamiento de fases que

1.1. Manejo de situaciones anormales (MSA)

Figura 1.3: Anatoma de un incidente catastrofico (ASMr)

1.2. Monitoreo de procesos

De los analisis de procesos realizados en las compa

1.2. Monitoreo de procesos

* El tanque de almacenamiento de gas fue llenado superando su capacidad.

Estado del Arte

La disciplina del control de procesos ha adquirido ventajas enormes con el advenimiento

Figura 2.1: Estructura general de diagnostico

Caractersticas de un sistema de diagn

proponen herramientas de identificaci

En contraste con los metodos basados en modelos donde es necesario un conocimiento a

Tabla 2.1: Comparaci

Desde un punto de vista industrial, la mayor parte de las aplicaciones en diagnostico de

Se ha mostrado mucho interes en el concepto de control total de procesos. Debido a las

2.2. Control tolerante a fallos (CTF)

hbridas con algoritmos geneticos.

Control tolerante a fallos (CTF)

De forma general, una falla es alg

Estructura de un sistema de CTF

La estructura general de un CTF puede observarse en la Fig. 2.3. Claramente se distinguen

2.2. Control tolerante a fallos (CTF)