Metodologia para El Diseno de Control Total de Planta PDF

Tesis de Maestría
METODOLOGÍA PARA EL DISEÑO DE

CONTROL TOTAL DE PLANTA
LUZ ADRIANA ALVAREZ TORO

Ingeniera Química
Maestría en Ingeniería – Ingeniería Química

Universidad Nacional de Colombia
Facultad de Minas
Medellín
2008
Tesis de Maestría
METODOLOGÍA PARA EL DISEÑO DE

CONTROL TOTAL DE PLANTA
Presentado por:
LUZ ADRIANA ALVAREZ TORO

Ingeniera Química
Como requisito para optar al título de:
Magíster en Ingeniería – Ingeniería Química
Director: Jairo Espinosa Oviedo, PhD.

Codirector: Hernán Alvarez Zapata, PhD.
Universidad Nacional de Colombia

Escuela de Procesos y Energía
Facultad de Minas
Medellín
2008
A Ricardo, Gloria y Lina.
Tesis de Maestría – Ingeniería Química
Luz Adriana Alvarez Toro
___________________________________________________________________________________________________
AGRADECIMIENTOS
Al Profesor Jairo Espinosa, quien dirigió esta Tesis y me motivó a trabajar en

Control Total de Planta, por los valiosos conocimientos transmitidos, por su
colaboración y por su confianza.
Al Profesor Hernán Alvarez, por el apoyo incondicional durante mi paso por la

Universidad, porque siempre creyó en mí y me hizo ver mis fortalezas.
A la Universidad Nacional de Colombia, por la Beca de Estudiantes

Sobresalientes de Posgrado otorgada durante los dos años de la Maestría.
A los Doctores Darci Odloak y Oscar A. Z. Sotomayor, de la Universidad de São

Paulo, por abrirme las puertas en su grupo de investigación e impulsarme a
trabajar en Control Predictivo y Optimización en Tiempo Real.
A la Red de Macrouniversidades de América Latina y el Caribe, por el auxilio

económico para desarrollar la pasantía en la Universidad de Sao Paulo.
Al Grupo de Automática de la Universidad Nacional, por permitirnos un espacio

de discusión a todos los que nos gusta el Control de Procesos.
Al Profesor Manuel Betancur, de la Universidad Pontificia Bolivariana, por las

sugerencias y correcciones hechas en el momento oportuno.
A los demás profesores de la Maestría en Ingeniería Química: Jaime Aguirre,

Alejandro Molina, Farid Chejne, Carlos Sánchez, Vesselina Pashova y Darío
Gallego, por contribuir con sus conocimientos en mi formación como Magíster.
1
___________________________________________________________________________________________________
2
___________________________________________________________________________________________________
RESUMEN
En esta Tesis se presenta una metodología basada en la controlabilidad para

selección de estructuras de control como una aproximación al control total de
planta. Inicialmente se presenta una definición y las perspectivas de control total
de planta. Para desarrollar la metodología, se hace énfasis en el concepto de
controlabilidad, se estudian las herramientas existentes para el diseño y selección
de estructuras de control, principalmente la matriz de ganancias relativas y el
análisis de valores singulares. La metodología propuesta utiliza una
representación del sistema basada en las matrices de controlabilidad y
observabilidad, conocida como la matriz de Hankel. Esta matriz representa el
comportamiento dinámico del proceso en términos entrada-salida. Por medio de
una descomposición en valores singulares se propone calcular el impacto
dinámico de cada variable en el sistema y con base en dicho impacto se formula
un criterio de selección de pareamientos de variables. La aproximación es
aplicada a la planta Tennessee Eastman parcialmente controlada, en un nivel
superior donde los lazos son interactuantes y en un nivel inferior donde las
dinámicas son más rápidas pero se presenta una menor interacción. Estos
resultados se comparan con el método de ganancias relativas. Finalmente se
presentan las conclusiones y los trabajos futuros.
3
___________________________________________________________________________________________________
4
___________________________________________________________________________________________________
ABSTRACT
In this work a methodology based on controllability for control structure selection is

presented, as an approximation to plant-wide control. First, a definition and
perspectives on plant-wide control are introduced. For developing the methodology,
controllability concept is emphasized, current tools for control structure selection
and design are studied, mainly the relative gain array and singular value analysis.
The methodology proposed uses a system representation derived from
controllability and observability matrix, the Hankel matrix. This matrix represents
the process dynamic input-output behavior. Through singular value decomposition,
it is intended to calculate the dynamic impact on the system for each input and
output variable. Based on this impact, a criterion for pairing variables is formulated.
The approximation is applied to the Tennessee Eastman process partially
controlled in two levels: a superior level where loops are hardly interacting, and a
lower level where loops operate very fast but interaction is not so hard. Results are
compared with Relative Gain Array in steady-state and in frequency. Finally,
conclusions and future works are given.
5
___________________________________________________________________________________________________
6
___________________________________________________________________________________________________
TABLA DE CONTENIDO
1 INTRODUCCIÓN 15
PARTE I. CONTROL TOTAL DE PLANTA: DEFINICIÓN Y

PERSPECTIVAS 19
2 TENDENCIAS DEL DISEÑO DE PROCESOS Y SUS

IMPLICACIONES EN EL CONTROL 21
2.1 Reciclo de Materia 22

2.2 Integración de Energía 22
2.3 Efecto “Bola de Nieve” 24
3 CONTROL TOTAL DE PLANTA 27
3.1 Decisiones Estructurales 29

3.2 Estado del Arte 31
3.2.1 Trabajos Previos en Control Total de Planta 31
3.2.1.1 Descomposición basada en unidades de proceso 31
3.2.1.2 Descomposición jerárquica basada en estructuras
de proceso 32
3.2.1.3 Descomposición jerárquica basada en objetivos de
control 32
3.2.1.4 Descomposición jerárquica basada en escalas de
tiempo 33
3.2.1.5 Otras aproximaciones 34
3.2.2 Trabajos Previos en Decisiones Estructurales 35
3.2.2.1 Selección de salidas controladas 35
3.2.2.2 Selección de entradas manipuladas 36
3.2.2.3 Selección de mediciones 36
3.2.2.4 Configuración del sistema de control 37
3.2.2.5 Selección del tipo de controlador 37
3.3 Comentarios Finales 38
7
___________________________________________________________________________________________________
PARTE II. DISEÑO DE ESTRUCTURAS DE CONTROL A PARTIR

DE LA CONTROLABILIDAD 41
4 CONTROLABILIDAD 43
4.1 Controlabilidad de Estado 43

4.2 Observabilidad de Estado 44
4.3 Controlabilidad de Salida 45
4.4 Controlabilidad Entrada-Salida 46
4.4.1 Definiciones propuestas en la literatura 46
4.4.2 Evaluación de la controlabilidad entrada-salida 48
4.5 Controlabilidad de Estado vs. Controlabilidad Entrada-Salida 49
5 HERRAMIENTAS PARA LA SELECCIÓN DE ESTRUCTURAS

DE CONTROL 51
5.1 Matriz de Ganancias Relativas 51

5.1.1 RGA en estado estacionario 51
5.1.2 Extensiones del método de ganancias relativas 53
5.2 Análisis de Valores Singulares 56
5.2.1 Descomposición en valores singulares - Definición 56
5.2.2 Aplicaciones de SVD en selección de estructuras de control 57
5.3 Acondicionamiento Numérico 61
5.4 Índice de Niederlinski 62
5.5 Otros Métodos de Selección de Estructuras de Control 63
5.6 Comentarios Finales 64
6 METODOLOGÍA PROPUESTA PARA EL DISEÑO DE

ESTRUCTURAS DE CONTROL 67
6.1 Matriz de Hankel 67

6.2 Interpretación en tiempo discreto de la matriz de Hankel 68
6.3 Selección basada en SVD de la matriz de Hankel 72
6.3.1 Descomposición SVD de la matriz de Hankel 72
6.3.2 Ponderación del efecto dinámico de entradas y salidas 73
6.3.3 Criterio de selección de pareamientos entrada-salida 75
6.4 Esquema de la Metodología basada en Hankel 76
7 CASO DE ESTUDIO: PLANTA TENNESSEE EASTMAN 79
7.1 Estrategias de control descentralizado en la planta TE 80

7.2 Obtención del Modelo 81
7.2.1. Definición del sistema 82
7.2.2. Obtención del modelo lineal en espacio de estados 84
7.2.3. Acondicionamiento numérico 85
8
___________________________________________________________________________________________________
7.3 Metodología basada en la SVD de la Matriz Hankel 86

7.3.1. Sistema SI: Lazos externos 86
7.3.2. Sistema SII: Lazos internos 87
7.4 Evaluación de la RGA 89
7.4.1. Sistema SI: Lazos externos 89
7.4.2. Sistema SII: Lazos internos 94
7.5 Análisis y Discusión de Resultados 97
8 CONCLUSIONES Y TRABAJOS FUTUROS 101
REFERENCIAS BIBLIOGRÁFICAS 107
APÉNDICE A: PLANTA TENNESSEE EASTMAN 117
APÉNDICE B: ESTRATEGIA DE CONTROL PREDICTIVO Y OPTIMIZACIÓN

DE LA PLANTA TENNESSEE EASTMAN 121
B.1 Revisión de la literatura 121
B.2 Controlador predictivo 123
B.3 Optimización en tiempo real RTO 126
B.4 Resultados 129
B.5 Comentarios finales 133
B.6 Referencias citadas en el apéndice B 134
9
___________________________________________________________________________________________________
10
___________________________________________________________________________________________________
LISTA DE FIGURAS
Figura 2.1. Dos configuraciones de columnas de destilación. a) Sin integración

energética. b) Con integración energética. 23
Figura 2.2 Representación en funciones de transferencia del reciclo de

materia 25
Figura 2.3 Respuesta de un sistema con reciclo para diferentes valores en la

ganancia del reciclo kR 26
Figura 3.1. Estructura jerárquica típica del sistema de control en una planta de
procesos químicos 28
Figura 3.2 Jerarquía típica de control en una planta (Larsson, 2000) 34
Figura 6.1 Algoritmo de la metodología SVD de la matriz de Hankel 77
Figura 7.1 Diagrama de proceso de la planta Tennessee Eastman (TE) 79
Figura 7.2. Representación esquemática de la planta TE controlada 82
Figura 7.3. Sistemas SI y SII de la planta TE parcialmente controlada 83
Figura 7.4. Ganancia relativa y distancia al punto 1+0i en todo el rango de

frecuencias para el par y1 - u1 del SI 91



11
___________________________________________________________________________________________________


frecuencias para el par y1 - u1 del SII 95




Figura A.1. Diagrama de la planta Tennessee Eastman 118
Figura B.1. Variables seleccionadas del esquema MPC en la planta TE 125
Figura B.2. Esquema MPC+RTO implementado en la planta TE 127
Figura B.3. Variables controladas del MPC en seguimiento de calidad y de

velocidad de producción con el esquema RTO 129
Figura B.4. Variables manipuladas del MPC en seguimiento de calidad y de

Figura B.5. Variables manipuladas del proceso en seguimiento de calidad y de

Figura B.6. Variables controladas del proceso en rechazo a perturbaciones con el

esquema RTO 131
Figura B.7. Variables manipuladas del controlador MPC en rechazo a

perturbaciones con el esquema RTO 132
Figura B.8. Variables manipuladas del proceso en rechazo a perturbaciones con

el esquema RTO 132
Figura B.9. Acción de control aplicada al proceso de la estrategia descentralizada

(izquierda) y de la estrategia RTO (derecha) 133
12
___________________________________________________________________________________________________
LISTA DE TABLAS
Tabla 4.1. Controlabilidad de Estado versus Controlabilidad Entrada-Salida 50
Tabla 7.1. Variables de entrada y salida definidas para los sistemas SI y SII 84
Tabla 7.2. Valores máximos y mínimos de las variables para el AN de los

sistemas SI y SII 85
Tabla A.1. Variables medidas de la planta Tennessee Eastman 118
Tabla A.2. Variables manipuladas de la planta Tennessee Eastman 120
Tabla B.1. Variables del controlador MPC 124
Tabla B.2. Ponderaciones en el controlador MPC 126
Tabla B.3. Restricciones en las entradas para el controlador MPC 126
Tabla B.4. Parámetros para el control MPC por zonas 128
13
___________________________________________________________________________________________________
14
___________________________________________________________________________________________________
1 INTRODUCCIÓN
Con el propósito de mejorar la eficiencia de los procesos químicos en la industria,

en el diseño de las plantas se vienen incluyendo cada vez más los reciclos de
materia y la integración energética. Estas características hacen más compleja la
operación del proceso, y en consecuencia, dificultan su control. El Control Total
de Planta surge como una manera de abordar dicho problema desde la globalidad.
Desafortunadamente, por el tamaño del problema, la mayoría de soluciones
propuestas son heurísticas, están basadas en el conocimiento del proceso y
buscan descomponer jerárquicamente el diseño del sistema de control en la planta.
No obstante, debe aclararse que Control Total de Planta se ocupa del diseño de la
estructura de control de la planta y no de los controladores, el cómo diseñar y
sintonizar los controladores no hace parte de su objeto de estudio. Nótese que con
la teoría de control moderna han surgido métodos muy sofisticados para diseñar
controladores, razón por la cual se considera que en diseño de controladores hay
mayor desarrollo en comparación con el diseño de las estructuras de control, que
generalmente se basa en decisiones heurísticas. Adicionalmente, para las plantas
con reciclo e integración energética, es mucho mas complejo el diseño de la
estructura de control que el de los controladores y el diseño de la estructura de
control es un paso previo al diseño de los controladores, lo cual le da una
importancia vital. Por esto, en esta Tesis se estudia especialmente el diseño de
estructuras de control y se encuentra un método sistemático para tomar estas
decisiones.
La mayoría de los métodos de diseño y selección de estructuras de control dicen

estar basados en la controlabilidad, uno de los más conocidos es la matriz de
ganancias relativas (RGA). Sin embargo, al revisar dichos métodos no se
encuentra un verdadero nexo con la controlabilidad de estado de Kalman, ya que
proponen índices y mediciones que relacionan las propiedades entrada-salida del
sistema, y sugieren configuraciones de los lazos de control. Según lo anterior,
para el desarrollo de este trabajo se considera importante aclarar el concepto de
controlabilidad y entender cómo y por qué se utiliza para la selección de
estructuras de control.
15
___________________________________________________________________________________________________
Por otro lado, en una planta el sistema de control no solamente debe garantizar un
buen desempeño, sino que también debe satisfacer los requerimientos
económicos. La calidad del producto y la velocidad de producción son dos
variables esenciales en términos económicos, y muchos de los procedimientos
heurísticos en control total de planta hacen uso del criterio económico teniendo en
cuenta estas dos variables. En las plantas de procesos químicos, los objetivos de
control generalmente están asociados a los objetivos económicos, razón por la
cual el criterio económico se emplea en el diseño de estructuras de control. Según
lo anterior, se considera importante estudiar de qué manera y en qué medida el
criterio económico es tenido en cuenta en Control Total de Planta.
Dentro de la jerarquía del control en una planta, se encuentra la optimización

económica, que se implementa en un nivel superior. Una de las estrategias más
avanzadas para mejorar el desempeño económico es la optimización en tiempo
real, la cual gobierna los puntos de ajuste de los controladores de la planta, que se
encuentran en niveles inferiores de la jerarquía. Como un complemento a la
investigación que se presenta en diseño de estructuras de control, este trabajo
presenta también el desarrollo de una estrategia de optimización en tiempo real
combinada con control predictivo. La idea es visualizar la forma jerárquica como el
control es efectuado en las plantas, a un nivel mas completo y sofisticado.
OBJETIVOS
En referencia a lo mencionado previamente respecto a Control Total de Planta,

diseño de estructuras de control, RGA, controlabilidad y criterios económicos, los
objetivos planteados en esta Tesis son los siguientes:
Objetivo General:
Proponer una metodología basada en el concepto de controlabilidad que permita

diseñar y seleccionar estructuras de control total de planta.
Objetivos Específicos:
- Explorar las relaciones entre el concepto de controlabilidad y la matriz de

ganancias relativas.
- Plantear una métrica que permita discriminar y evaluar diferentes

configuraciones del sistema de control desde el punto de vista de la
controlabilidad.
- Establecer un procedimiento para diseñar estructuras de control como una

aproximación al control total de planta.
- Comparar el criterio de controlabilidad y ganancias relativas con otros

criterios económicos.
16
___________________________________________________________________________________________________
ESTRUCTURA DE LA TESIS
El contenido de esta Tesis está dividido en dos partes, y cada parte está
distribuida en capítulos.
En la Parte I, Capítulos 2 y 3, se presenta la definición y las perspectivas en

Control Total de planta:
Capítulo 2: Muestra las tendencias en el diseño que obligan a tener una visión
global de la planta para su control.
Capítulo 3: Se define control total de planta y se presenta el estado del arte.
En la Parte II, Capítulos 4 al 7, se trata la selección de estructuras de control

utilizando el concepto de controlabilidad:
Capítulo 4: Se presentan las diferentes definiciones de controlabilidad.

Capítulo 5: Se presentan las herramientas más utilizadas para selección de
Capítulo 6: Se propone una nueva metodología para diseño y selección de
Capítulo 7: Se prueba la metodología en una planta y se compara con el método
de ganancias relativas.
Capítulo 8: Presenta las conclusiones y los trabajos futuros.
El Apéndice A presenta en detalle la descripción del caso de estudio: la planta

Tennessee Eastman. El Apéndice B la implementación de una estrategia de
control predictivo y optimización en tiempo real en el caso de estudio.
17
___________________________________________________________________________________________________
18
___________________________________________________________________________________________________
PARTE I
CONTROL TOTAL DE PLANTA:

DEFINICIÓN Y PERSPECTIVAS
El diseño de procesos químicos busca minimizar los costos de producción y

maximizar el rendimiento de las materias primas. Como resultado, en las plantas
son cada vez mas frecuentes los reciclos de materia y la integración energética.
Estas características hacen más difícil el control del proceso, por lo cual se ve la
necesidad de diseñar el sistema de control desde la globalidad. Es así como surge
el Control Total de Planta, un tópico muy explorado desde la heurística, pero que
aún no está lo suficientemente maduro en lo teórico y conceptual.
En esta Parte I, se muestra un panorama global del problema de control total de

planta, para definirlo y entenderlo. Asimismo, como en investigación es esencial
conocer lo que otros investigadores han hecho en torno al tema, se da una
descripción general de trabajos previos. Se muestran diferentes aproximaciones,
de las cuales se tomaron algunos elementos para elaborar la propuesta de
investigación. Se espera que este capítulo justifique y sirva de soporte para todo el
trabajo desarrollado, que se presenta posteriormente en la Parte II.
19
___________________________________________________________________________________________________
20
___________________________________________________________________________________________________
2 TENDENCIAS DEL DISEÑO DE PROCESOS Y

SUS IMPLICACIONES EN EL CONTROL
En los procesos químicos, la demanda creciente de una operación óptima y de

una utilización eficaz de la energía y de las materias primas ha resultado en
procesos cada vez más integrados. El material que no reacciona se recircula y las
corrientes de proceso a alta temperatura se aprovechan como intercambiadores
de calor para otras corrientes que están a menor temperatura. La tendencia del
diseño de procesos a aumentar la integración tanto de materia como de energía
en la planta, tiene un efecto muy pronunciado, y en algunos casos no deseado,
sobre las dinámicas del proceso. Tales efectos dinámicos dificultan el control y la
correcta operación de la planta. Uno de ellos es el efecto denominado “bola de
nieve” (Luyben, 1994) que se manifiesta de forma dinámica y estática. Por ejemplo,
al recircularse la materia, una perturbación en la entrada al proceso se
retroalimenta al proceso mismo a través de la corriente de reciclo, aumentando las
ganancias y las constantes de tiempo del proceso, dicho en otras palabras, el
reciclo de materia hace el proceso más sensible a las perturbaciones y por lo tanto
le exige un mejor desempeño al sistema de control.
La integración de materia y energía, adicionalmente, implica generar nuevas

conexiones entre unidades de proceso que incrementan la interacción entre las
dinámicas de cada uno de los equipos que conforman la planta. De esta manera
las dinámicas de un equipo se encuentran sujetas a dinámicas de otros equipos, y
dichas relaciones se hacen más complejas en la medida que se aumenten los
reciclos y la integración energética.
La interacción dinámica entonces, obliga a abordar el problema del control en la

planta desde una perspectiva global. Surge entonces el concepto de control total
de planta. No obstante, debe quedar claro que incluso en procesos sin integración
es necesaria una visión global ya que la planta consiste de una secuencia de
unidades conectadas en series, y cada unidad actuará como perturbación para la
siguiente, ahí está la interacción.
21
___________________________________________________________________________________________________
2.1 RECICLO DE MATERIA

La mayoría de los procesos químicos en la industria contienen corrientes de
reciclo. Desde el punto de vista del diseño del proceso, el recircular la materia
tiene varios propósitos (Marcos, 2001):
- Aumentar la conversión: En procesos químicos con reacciones reversibles,

la conversión de los reactivos está limitada por el equilibrio químico. El
efluente de un reactor donde ocurre una reacción reversible siempre
contiene reactivos y productos, la separación y el reciclo de los reactivos es
esencial para que el proceso sea económicamente viable.
- Mejorar la economía del proceso: En la mayoría de los sistemas es más

económico tener un reactor con conversión incompleta y recircular los
reactivos, que alcanzar el nivel necesario de conversión con un solo reactor
de gran tamaño o con varios reactores en serie, para aumentar el tiempo
total de residencia.
- Mejorar la selectividad del proceso: En sistemas de reacciones en serie, por

ejemplo A→B→C, donde B es el producto deseado, la tasa de conversión
de A debe ser baja para evitar una alta concentración de B, ya que de este
se produce C, el producto no deseado. Esto es, la concentración de B en el
reactor debe mantenerse baja, evacuando el producto B y recirculando A.
- Prevenir reacciones secundarias: Frecuentemente se utiliza un gran exceso

de uno de los reactivos para mantener bajas las concentraciones de los
otros reactivos, principalmente el reactivo límite. Si el reactivo límite no se
mantiene en una concentración baja, este reacciona dando lugar a
productos no deseados. El reactivo límite debe entonces separarse del
reactor y recircular los reactivos en exceso, para evitar reacciones
secundarias.
- Controlar propiedades en reactores de polimerización: Como ya se

mencionó, con el reciclo es posible controlar la conversión de un reactivo
límite, manteniendo baja su concentración. En reactores de polimerización,
la conversión del monómero está limitada para conseguir unas
determinadas propiedades en el polímero, tales como su peso molecular
promedio, la distribución de pesos moleculares, etc. Por otro lado, la
conversión aumenta la viscosidad, al limitar entonces la conversión, se
facilita la agitación en el reactor y la eliminación de calor.
2.2 INTEGRACIÓN DE ENERGÍA

Cuando se utiliza una corriente del proceso a alta temperatura para ceder calor a
una corriente que se encuentra a menor temperatura, se dice que el proceso está
22
___________________________________________________________________________________________________
integrado energéticamente o acoplado térmicamente. El objetivo de la integración

energética es mejorar la eficiencia termodinámica del proceso, lo que supone una
reducción en los costos de servicios auxiliares, por ejemplo, de un vapor a alta
temperatura. En procesos con grandes demandas de energía el ahorro puede ser
muy significativo, por ejemplo en las columnas de destilación acopladas
térmicamente hay un gran interés en reducir los costos energéticos (Seborg et al,
2004).
Figura 2.1. Dos configuraciones de columnas de destilación. a) Sin integración

energética. b) Con integración energética.
En la Figura 2.1.b), se muestra un sistema de columnas de destilación con

integración energética. Dicha integración reduce los costos energéticos
permitiendo que el destilado de la columna 1 se utilice como medio de
calentamiento para el rehervidor de la columna 2. No obstante, esta configuración
es más difícil de controlar por dos razones básicas. Por un lado, el proceso es
altamente interactuante porque las perturbaciones en una columna afectan a la
23
___________________________________________________________________________________________________
otra columna de forma sinérgica, esto es, la perturbación se propaga por dos
caminos: el flujo de salida de la columna 1 entra en la columna 2 y la corriente
superior de la columna 1 a alta temperatura cede calor al rehervidor de la columna
2. Segundo, la demanda de calor del rehervidor de la columna 2 deja de ser una
variable manipulada independiente, por lo tanto, la configuración de la integración
energética tiene una variable manipulada menos que está disponible para el
control del proceso.
Según Seborg y colaboradores (2004), estas desventajas pueden disminuirse

accionando un pequeño rehervidor anexo para la columna 2, o utilizando
estrategias de control avanzado (Shinskey, 1996). El rehervidor anexo actúa en
paralelo con el rehervidor principal, pero posee un suministro separado de medio
de calentamiento que puede manipularse. De esta forma, añadiendo el rehervidor
anexo, se recupera el grado de libertad que se perdió originalmente como
resultado de la integración energética.
Nótese que la solución propuesta implica realizar cambios en el diseño del

proceso y no tiene en cuenta el problema de las interacciones. Por ejemplo si hay
una perturbación en la temperatura de la columna 1, esta se propagará mas rápido
y con una ganancia mas alta en la columna 2 en comparación con el sistema sin
integración energética, ya que la perturbación tiene dos caminos para propagarse
y el del acoplamiento térmico es el más fuerte, incluso si se colocara el rehervidor
anexo.
2.3 EFECTO “BOLA DE NIEVE”

Como puede verse, tanto el reciclo de materia como el acoplamiento térmico
incrementan la interacción entre las diversas dinámicas del proceso al generar
nuevas relaciones entre las variables involucradas. Es así como el proceso se
hace más complejo de controlar. Mediante el efecto “bola de nieve” es posible
explicar como la integración de materia y/o energía afecta el comportamiento
dinámico y de estado estacionario del proceso.
Luyben (1994) introdujo el término “bola de nieve” para describir el efecto del
reciclo en un sistema de reactor-separador con reciclo. Tal efecto implica que un
ligero cambio en alguna variable del proceso, como el flujo de alimentación al
reactor, puede producir cambios extremadamente grandes en otras variables del
proceso. Dicho efecto actúa como retroalimentación positiva y puede causar
inestabilidad en toda la planta.
Por ejemplo, el reciclo de materia en un sistema reactor-separador-reciclo se

puede representar en funciones de transferencia como una retroalimentación
positiva de la salida, tal como se observa en la Figura 2.2. Físicamente la salida
medida puede representar ya sea el flujo, la temperatura o la concentración en el
efluente del reactor, y la entrada una perturbación en la corriente de alimentación.
24
___________________________________________________________________________________________________
Figura 2.2 Representación en funciones de transferencia del reciclo de materia
La función de transferencia gD(s) representa el proceso sin reciclo (el reactor), y

gR(s) representa el reciclo de materia (la sección de separación-reciclo), por
simplicidad supóngase que la dinámica del reciclo es despreciable, y que la
dinámica del reactor es de primer orden y de ganancia unitaria:
g R (s) = k R (2.1)
1
g D ( s) = (2.2)
s +1
Supóngase además que la perturbación es un escalón unitario:
1
d (s) = (2.3)
s
La respuesta del sistema queda entonces en función de la ganancia del reciclo kR,
tal como se ve en la siguiente ecuación:
 1 
 
1 − k 1
y ( s) =  R 
  (2.4)
 1  s
  s + 1
1 − kR 
Para ilustrar los efectos dinámicos y estáticos del reciclo, en la Figura 2.3 se
graficó la respuesta del sistema con la ganancia del reciclo como parámetro.
Nótese que al aumentar la relación de reciclo la constante de tiempo del proceso
aumenta haciendo el proceso más lento, la ganancia del proceso en estado
estacionario tiende a aumentar con el reciclo y a su vez una relación de reciclo
muy alta tiende a desestabilizar el proceso, nótese que para kR=1, la salida
25
___________________________________________________________________________________________________
aparenta comportarse como un integrador puro. Nótese que por ejemplo en una
columna de destilación, kR corresponde a la relación de reflujo, esto es, la relación
entre el flujo que se recircula y el flujo total de salida. Cuando kR=1 implica que
todo el flujo que sale se recircula, obviamente esto genera una acumulación de
materia en el sistema. Dicho efecto se conoce como “bola de nieve” y se visualiza
en la Figura 2.3.
10
8
kR=1 kR=1
7
kR=0.9kR=0.9
Salida
4 kR=0.75
kR=0.75
3
2
kR=0
kR=0
1
0
0 1 2 3 4 5 6 7 8 9 10
Tiempo
Figura 2.3 Respuesta de un sistema con reciclo para diferentes valores en la
ganancia del reciclo kR
Con este ejemplo tan sencillo queda claro que la presencia del reciclo tiene
implicaciones en el comportamiento dinámico del proceso y en estado estacionario.
Con un análisis similar se puede demostrar el efecto “bola de nieve” para el caso
de integración energética.
26
___________________________________________________________________________________________________
3 CONTROL TOTAL DE PLANTA
Una planta puede tener miles de mediciones y lazos de control, Control Total de
Planta no se refiere a la sintonía y comportamiento de cada uno de estos lazos,
sino al diseño de toda la estructura de control, más específicamente, a las
decisiones estructurales. La decisión estructural incluye tanto la ubicación de las
válvulas y los sensores, así como la configuración del sistema de control. En la
práctica, el sistema de control de una planta de procesos químicos típica puede
representarse jerárquicamente como en la Figura 3.1.
− El nivel fundamental en el sistema de control es el nivel de Control

Regulatorio, este consiste principalmente en controladores de lazo sencillo,
junto con algunos prealimentados y controles de relación. En este nivel son
poco comunes los controladores multivariables. El nivel regulatorio
mantiene cierto número de variables controladas cerca de sus puntos de
ajuste, determinados ya sea por operadores o por niveles superiores en el
sistema de control. Este sirve principalmente para estabilizar la planta y
mantener unas condiciones seguras de operación. Comúnmente opera en
una escala de tiempo de minutos o segundos.
− Por encima del control regulatorio se encuentra el nivel de Control

Supervisorio. Este nivel coordina las acciones de los controladores
individuales del nivel regulatorio. Con frecuencia, los controladores
multivariables se implementan en este nivel, también pueden llevarse a
cabo algunas rutinas simples de optimización en partes específicas de la
planta. Generalmente opera en escala de minutos u horas.
− El nivel superior del sistema de control es el nivel de Optimización de la

Planta. En este, se optimiza la operación total de la planta para maximizar
el beneficio económico, sujeto a restricciones tales como capacidad de
equipamiento, seguridad y regulaciones ambientales. La optimización
puede operar en una escala de tiempo de días. En este nivel se considera
la planeación de la producción, y aunque es mucho más avanzado y
complejo que los niveles regulatorio y supervisorio, no puede considerarse
como el más importante ya que depende de los niveles inferiores. Cada
27
___________________________________________________________________________________________________
nivel superior depende del nivel regulatorio para implementar los cambios al
proceso determinados por el nivel supervisorio y de optimización. Un nivel
regulatorio bien diseñado hará más simple el diseño de niveles superiores,
y de la misma manera, un mal control regulatorio hará imposible lograr las
mejoras en el proceso calculadas por el optimizador.
Como puede verse, diseñar la estructura de control en una planta no es una tarea
simple, incluso sin considerar el nivel superior. Se requiere un buen conocimiento
del proceso y una serie de herramientas que permitan tomar las mejores
decisiones estructurales. En la mayoría de los casos el problema se ha resuelto de
forma heurística, sin el uso de herramientas matemáticas consolidadas.
OPTIMIZACIÓN DE LA PLANTA
CONTROL Puntos de
SUPERVISORIO Ajuste
CONTROL
REGULATORIO
Variables
PROCESO medidas
Variables
manipuladas
Figura 3.1. Estructura jerárquica típica del sistema de control en una planta de
procesos químicos
Por otra parte, dadas las implicaciones dinámicas y estáticas de la integración de

materia y energía en las plantas de proceso ya mencionadas en la sección anterior,
hasta aquí ya es clara la necesidad de tener una visión global del proceso para
diseñar su sistema de control. El impacto de la integración en un proceso sobre el
diseño de su estructura de control, demanda un mejor conocimiento y
comprensión del comportamiento dinámico y en estado estacionario del proceso
28
___________________________________________________________________________________________________
por parte del ingeniero, para posteriormente diseñar sistemas de control que
resulten en una operación eficiente y confiable. Adicionalmente, existe la
necesidad de utilizar procedimientos mas sofisticados para el diseño de
controladores que operen el proceso cerca del punto de operación óptimo a pesar
de las perturbaciones.
En la teoría de control moderna han surgido métodos bastante sofisticados de

diseño de controladores, por ejemplo, con la introducción de la teoría de control
óptimo en la década de los 60, el control óptimo H∞ y el control predictivo basado
en modelo MPC en la década de los 80. Sin embargo, la mayoría de teorías de
control disponibles y métodos de diseño asumen que la estructura de control está
dada antes del diseño. Estas no consideran de manera explícita las decisiones
estructurales involucradas en el diseño de la estructura de control, además fallan
al responder algunas preguntas básicas que el ingeniero regularmente se
encuentra en la práctica: ¿qué variables deben controlarse, cuáles deben medirse,
qué variables manipular, cómo enlazar estas variables y qué controlador utilizar?.
3.1 DECISIONES ESTRUCTURALES

Tal como se mencionó previamente, Control Total de Planta se refiere a las
decisiones estructurales en el diseño del sistema de control para la planta. Tales
decisiones estructurales se definen mediante cinco tareas básicas:
1. Selección de las salidas controladas: ¿Qué variables controlar en el proceso?

Normalmente dicha selección se hace de manera intuitiva, se sugiere determinar
cualitativamente los objetivos de control y luego cuantificarlos en términos de las
variables de salida, es decir, las variables que describen el comportamiento del
proceso.
2. Selección de las entradas manipuladas: ¿Donde colocar las válvulas de

control? Usualmente en un proceso se tiene una cantidad de variables de entrada
disponibles que pueden ajustarse de forma independiente. Para su selección, las
variables manipuladas elegidas deben cumplir las siguientes condiciones:
- Asegurar la “controlabilidad” de todas las variables controladas.
- Que el efecto sobre la variable controlada sea rápido y significativo.
- La incertidumbre en los modelos que relacionan las entradas y salidas debe
ser baja.
- La manipulación de estas variables debe suponer un bajo costo en la
operación de la planta.
3. Selección de variables medidas: Por lo general, los objetivos de control

pueden ser cantidades no medibles. En tal caso deben medirse otras variables
que puedan medirse fácil y rápidamente, y que determinen mediante alguna
relación matemática el valor de la variable controlada. Por otro lado, también
pueden medirse directamente las perturbaciones para monitorear el
29
___________________________________________________________________________________________________
comportamiento del proceso o para utilizarse en estrategias de control

prealimentado o predictivo.
4. Configuración del sistema de control: ¿Cómo enlazar las variables? La

configuración se refiere a la estructura del controlador que interconecta
mediciones, puntos de ajuste y variables manipuladas, es decir, la forma como se
relacionan todas estas variables. Esta decisión es especialmente importante en
control descentralizado, ya que los lazos de control deben estar configurados de
manera tal que se garantice que para cada lazo existe un controlador que
satisfaga los requerimientos de desempeño de la planta.
5. Selección del tipo de controlador: Se refiere a la ley de control, que puede

ser control PID, desacoplado, control predictivo MPC, entre otros. Dependiendo
del tipo de controlador seleccionado, esta decisión puede tomarse antes o
paralelamente con la configuración del sistema de control, por ejemplo para un
control por matriz dinámica DMC, el proceso debe ser estable, lo que implica que
deben controlarse previamente la o las variables que hacen el proceso inestable y
posteriormente seleccionar las variables que van a controlarse con el controlador
multivariable.
En la mayoría de los casos, el diseño de la estructura de control se resuelve

mezclando un análisis de objetivos de control y de grados de libertad (tareas 1 y 2),
con un diseño del sistema de control que comienza por estabilizar la planta (3, 4 y
5). Desafortunadamente, por lo general en este procedimiento no se utilizan
herramientas teóricas.
El diseño de estructuras de control fue considerado por Foss (1973) en su artículo

titulado “Crítica a la teoría de control de procesos químicos”. En este trabajo Foss
reta a los teóricos en control a cerrar la brecha entre la teoría de control y sus
aplicaciones. Años mas tarde Morari, Arkun y Stephanopoulos (1980) hablan
sobre el diseño de estructuras de control, control jerárquico y optimización
multiniveles en una serie de artículos titulados “Estudios en la síntesis de
estructuras de control para procesos químicos”. Muchos autores señalan que la
necesidad de una perspectiva global de la planta se debe a los cambios en la
forma como se diseñan las plantas: más reciclos e integración energética y menos
tanques amortiguadores. De hecho, estos factores llevan a más interacciones y
por ende, exigen una perspectiva más allá de las unidades individuales.
Tal como se señaló antes, el control se ha enfocado en el diseño de controladores,

pero en la práctica un paso previo al diseño del controlador es tomar estas
decisiones (seleccionar las variables, configurarlas y decidir el tipo de controlador).
Anteriormente los diseños de las plantas eran más simples, por lo tanto las
decisiones podían tomarse utilizando una visión heurística. En la actualidad, se
tienen procesos cada vez más complejos con dinámicas altamente interactuantes,
y aunque hay algunos avances en el diseño de estructuras de control (Capítulo 5),
aún hace falta más desarrollo teórico y métodos más rigurosos para tomar las
decisiones estructurales.
30
___________________________________________________________________________________________________
3.2 ESTADO DEL ARTE

Como conclusión de la sección anterior, debe estar claro que en diseño de
estructuras de control no se tiene el mismo avance teórico que en diseño de
controladores. Por lo general, las decisiones estructurales en control total de
planta se manejan sin los fundamentos teóricos suficientes. En el caso de las
plantas de proceso, tanto por su tamaño como por su complejidad, el diseño de la
estructura de control termina siendo casi una receta heurística.
En este texto se presenta el estado del arte en dos direcciones: la primera

presenta el control total de planta abordado con un enfoque global pero heurístico,
una visión desde el proceso. El otro punto de vista más matemático, involucra las
decisiones estructurales manejadas de forma independiente. En este último se
describen algunas aproximaciones específicas en las tareas descritas en la
sección anterior.
3.2.1 TRABAJOS PREVIOS EN CONTROL TOTAL DE PLANTA
La primera discusión comprensiva sobre control total de planta fue dada por
(Buckley, 1964) en su libro “Techniques of process control”. Allí se aborda por
primera vez el tema como una problemática a nivel industrial, aún cuando los
reciclos y la integración energética no eran muy comunes, además de la presencia
de tanques amortiguadores entre unidades para reducir o anular el efecto de las
perturbaciones. A partir de Buckley, se han propuesto otras aproximaciones, la
mayoría de estas son heurísticas y tratan de descomponer el problema en partes
más manejables o jerarquizar criterios de selección. Hay cuatro formas comunes
de descomponer el problema de control total de planta: Basada en unidades de
proceso, basada en estructura del proceso, basada en objetivos de control y
basada en escalas de tiempo. A continuación se describe cada una:
3.2.1.1 Descomposición basada en unidades de proceso
Se trata de una descomposición descentralizada propuesta en (Umeda et al.,

1978), que plantea: i) descomponer la planta en unidades individuales de
operación, ii) generar la mejor estructura de control para cada unidad, iii) combinar
todas estas estructuras para formar una estructura completa para toda la planta, iv)
hacer ajustes para eliminar las inconsistencias entre las estructuras de control
individuales. Esta aproximación se ha utilizado ampliamente en la industria, sin
embargo los diseños en las plantas han venido cambiando: inclusión de reciclos
de materia para mejorar la conversión, integración energética para mejorar la
eficiencia termodinámica y la reducción de tanques amortiguadores entre unidades.
El sistema de control para una planta con dichas características diseñado bajo la
aproximación basada en unidades puede resultar ineficiente, inconsistente y poco
práctico.
31
___________________________________________________________________________________________________
3.2.1.2 Descomposición jerárquica basada en estructuras de proceso
Douglas (1988) presenta unos niveles jerárquicos para hacer diseño de procesos: i)
batch vs. continuo, ii) estructura entrada-salida, iii) estructura de reciclo, iv)
estructura general del sistema de separación, v) interacción energética.
Fisher y colaboradores (1988) plantean utilizar esta jerarquía para desarrollar un

análisis de controlabilidad y Ponton y Laing (1993) señalan que a partir del nivel ii,
esta jerarquía puede utilizarse para diseñar sistemas de control. Estas ideas
permiten desarrollar paralelamente el diseño del proceso con su sistema de
control.
Ng y Stephanopoulos (1998) proponen utilizar una jerarquía similar para diseñar

estructuras de control. La diferencia entre las jerarquías de (Douglas, 1988) y (Ng
and Stephanopoulos, 1998) es que el nivel i se reemplaza por un análisis
preliminar, y el nivel iv se reemplaza por estructuras de control más detalladas.
Los objetivos de control identificados en cada paso se trasladan al paso siguiente
y se identifican nuevos objetivos. Por otro lado, un punto clave es que en cada
nivel debe probarse si hay suficientes variables manipuladas para incorporarlas a
las restricciones y optimizar la operación.
Aunque la aproximación de Ng y Stephanopoulos tiene en cuenta los reciclos y la

integración energética, es aún muy heurística, poco generalizable y carece de
soporte teórico.
3.2.1.3 Descomposición jerárquica basada en los objetivos de control
Es un procedimiento que comienza por definir los objetivos de control desde los
niveles superiores y de forma descendente. Esta aproximación se enfoca en las
tareas que debe desarrollar los controladores en cada uno de los niveles.
Price y colaboradores (Price et al, 1993) dividen el procedimiento en cuatro tareas

diferentes: i) control de inventario y de velocidad de producción, ii) control de la
especificación del producto, iii) restricciones de operación y de los equipos, iv)
mejora del desempeño económico. Con base en una serie de simulaciones
proponen algunas pautas para seleccionar actuadores y controles de inventario,
luego las aplican al problema Tennessee Eastman (Price et al, 1994). Ricker (1996)
comenta sobre el trabajo de Price y colaboradores (1994), señala que deben
considerarse también los grados de libertad para seleccionar un actuador.
Luyben y colaboradores (1997) plantean un procedimiento que consiste en: i)

establecer los objetivos de control, ii) determinar los grados de libertad para el
control con el número de válvulas independientes, iii) establecer un control de la
energía para remover los calores de reacción y prevenir la propagación de
perturbaciones térmicas, iv) fijar la velocidad de producción que solamente puede
incrementarse con la velocidad de reacción en el reactor, v) control de calidad del
producto y de seguridad, vi) control de inventario fijando un flujo en todos los
32
___________________________________________________________________________________________________
reciclos, establece que los niveles de líquido y las presiones deben controlarse en
toda la planta, vii) verificar los balances de componentes y si es necesario
devolverse al punto iv, viii) control de unidades de operación, ix) optimización
económica o mejorar la controlabilidad dinámica. Larsson (2000) en el capítulo 4
de su Tesis, cuestiona la regla propuesta por Luyben, utilizando una planta
sencilla de columna de destilación con reciclo demuestran que la aplicación de
esta regla conduce a problemas mayores, tales como un exceso de carga en la
columna de destilación.
McAvoy (1999) presenta un método en el cual el objetivo de control se divide en

dos categorías: variables que deben controlarse y calidad del producto. Su
aproximación busca encontrar el conjunto de entradas que minimicen los
movimientos de válvula, donde solo se puede utilizar tantas válvulas como
variables controladas. El problema de optimización es resuelto utilizando un
modelo lineal en estado estacionario.
3.2.1.4 Descomposición jerárquica basada en escalas de tiempo
Buckley (1964) propuso diseñar el sistema de control de calidad como un filtro

pasa-altos para perturbaciones y diseñar el sistema de control de balance de
masa como un filtro pasa-bajo. Si la frecuencia de corte del sistema de control de
calidad se diseña de un orden de magnitud mayor que la frecuencia de corte del
sistema de control de balance de masa, se garantiza que los dos lazos no serán
interactuantes.
McAvoy y Ye (1994) dividen el método en cuatro etapas: i) diseño de los lazos

internos en cascada, ii) diseño de lazos básicos descentralizados, excepto los
asociados con calidad y velocidad de producción, iii) control de velocidad de
producción y de calidad, iv) control de niveles superiores. La descomposición en
las etapas i)-iii) están basadas en la velocidad de los lazos. En la etapa i) la idea
es reducir localmente los efectos de las perturbaciones, en ii) hay un gran número
de configuraciones alternativas. Estas se pueden examinar utilizando herramientas
como RGA.
Douglas (1988) presenta una jerarquía para diseñar sistemas de control basado
en las dinámicas involucradas. En esta jerarquía el punto de vista no es el
diagrama de flujo, sino la operación de estado estacionario, la respuesta dinámica
normal y anormal. Zheng y colaboradores (1999) continúan este trabajo, poniendo
especial atención en la factibilidad de las restricciones y la optimalidad robusta.
El criterio básico en esta descomposición es la velocidad en la que trabaja cada

uno de los controladores, se asemeja a la configuración de control en cascada, en
la cual los lazos externos operan más lentamente que los internos. Según este
criterio se debe diseñar de adentro hacia afuera. Aunque es coherente, se queda
corto en la definición de variables controladas y manipuladas, ya que no considera
estas decisiones.
33
___________________________________________________________________________________________________
3.2.1.5 Otras aproximaciones
Larsson (2000) propone una descomposición jerárquica en diferentes niveles tal

como se observa en la Figura 3.2. Las variables controladas y manipuladas se
seleccionan mediante un análisis descendente de los objetivos de control
partiendo desde el nivel superior. Se realiza un análisis de grados de libertad y
luego se formula un problema de optimización. Por otro lado, el sistema de control
se diseña de manera ascendente partiendo desde el nivel inferior, comenzando
desde los lazos más rápidos. Con un análisis basado en control parcial (Häggblom
and Waller, 1988), respecto a las limitaciones impuestas por un nivel inferior sobre
el nivel siguiente, se demuestra que si en dicho nivel el controlador es de fase
mínima, estable y se dispone de las mediciones y los puntos de ajuste, no pueden
imponerse nuevas limitaciones sobre el nivel siguiente. El autor sugiere trabajar
aún más en la estructuración de los niveles inferiores para darle robustez a los
niveles superiores. Lo que significa generar un procedimiento mejor para diseñar
las configuraciones.
Figura 3.2 Jerarquía típica de control en una planta (Larsson, 2000).
Skogestad (2004) continúa el trabajo de Larsson (2000). En este, se afirma que el

nivel inferior debe ser lo menos complejo posible. Introduce entonces el “número
de complejidad” como una herramienta para medir la complejidad de los lazos de
control SISO en el nivel inferior.
34
___________________________________________________________________________________________________
Si bien en estos trabajos se maneja un mayor rigor con respecto al diseño de

Control Total de Planta, se considera un procedimiento heurístico porque tanto en
el análisis ascendente como el descendente quedaron muchos vacíos, en los
cuales los autores no son claros, esto puede deberse a que se quedaron sin
herramientas teóricas y por lo tanto se tuvo que recurrir a la heurística.
3.2.2 TRABAJOS PREVIOS EN DECISIONES ESTRUCTURALES
Hasta aquí se han presentado las aproximaciones al control total de planta con un
enfoque global y heurístico. En esta sección se presenta una recopilación de
trabajos que se han enfocado en alguna de las cinco tareas que definen las
decisiones estructurales, ya mencionadas en la sección 3.1.
3.2.2.1 Selección de salidas controladas
Las salidas controladas siempre van ligadas a los objetivos de control. En una
planta el objetivo principal es de tipo económico, esto es, obtener el máximo
beneficio minimizando los costos de operación. Las salidas controladas se refieren
a aquellas variables controladas para los cuales los puntos de ajuste están
determinados por el nivel de optimización, ver la Figura 3.1. También hay otras
salidas controladas internamente, que resultan de la descomposición del sistema
de control en diferentes niveles. Estas variables controladas internas se
consideran en la selección de mediciones secundarias y en la configuración del
sistema de control, por lo tanto se discuten en las tareas 3 y 4 respectivamente
(sección 3.2.2.3 y 3.2.2.4). De acuerdo a esto, nótese que las salidas controladas
son aquellas que se seleccionan para controlar en sus puntos de ajuste.
Morari y colaboradores (1980) propusieron definir una estructura de control

retroalimentada optimizante, trasladando los objetivos económicos a objetivos de
control. La idea aquí es encontrar una función de las variables del proceso, que al
mantenerla constante, lleve automáticamente a ajustes óptimos de las variables
manipuladas, y con esta, a las condiciones óptimas de operación. Planteó
seleccionar el mejor conjunto de variables controladas minimizando la pérdida
económica.
En (Fisher et al, 1988) se dan algunas ideas heurísticas considerando la relación

entre la parte económica y el control. Como ejemplo se utiliza la planta HDA y en
la selección de variables controladas se presenta una discusión, que resulta
similar a lo expuesto en (Morari et al, 1980).
Luyben (1988) introdujo el término “eigenstructure” para describir la estructura de

control inherentemente mejor. Sin embargo, no define el término ni lo diferencia
del concepto matemático de autovalores (eigenvalues en inglés). En otros trabajos
(Luyben, 1975; Yi and Luyben, 1995) se presentan algunos ejemplos de selección
de variables controladas, en los cuales se propone seleccionar las salidas
controladas que minimicen la sensibilidad en estado estacionario de la variable
manipulada a las perturbaciones. Esta propuesta es similar a Skogestad (2000)
35
___________________________________________________________________________________________________
que plantea minimizar la sensibilidad de la pérdida económica respecto a las

perturbaciones.
En (Narraway et al, 1991; Narraway and Perkins, 1993; Narraway and Perkins,
1994) se recalca la necesidad de basar la selección de la estructura de control en
la parte económica y se discute el efecto que tienen las perturbaciones sobre esta.
Sin embargo no formulan reglas o procedimientos para seleccionar las variables
controladas.
Por su parte, en (Mizoguchi et al (1995); Marlin and Hrymark, 1997) se hace

hincapié en la necesidad de implementar una solución óptima en términos de
cómo el sistema de control debe responder a las perturbaciones. Estos trabajos
sugieren que para mejorar los sistemas de optimización en tiempo real, se deben
seleccionar variables controladas que produzcan el mayor beneficio económico
para un rango de perturbaciones que ocurren entre cada ejecución de la rutina de
optimización.
Skogestad (2000) retomó la idea de Morari y colaboradores (1980) para

seleccionar variables controladas, pero su descripción fue mas flexible al cambiar
“ajustes óptimos” por “ajustes aceptables”. En este caso se tomó en cuenta el
error de implementación para evaluar las pérdidas económicas. Mas adelante, en
(Larsson et al, 2001) se aplica esta aproximación a la planta Tennessee Eastman
(Downs and Vogel, 1993).
3.2.2.2 Selección de entradas manipuladas
Las entradas manipuladas se refieren a los grados de libertad físicos para

controlar el proceso, típicamente posiciones de válvula o entradas de potencia
eléctrica. Por lo general, la selección de estas variables es una consecuencia
directa del diseño del proceso, y no necesariamente es una etapa de diseño de la
estructura de control.
Sin embargo existe la posibilidad de adicionar válvulas o cambiarlas de lugar. Por

ejemplo, si se instala una tubería de paso alterno (bypass en inglés) y una válvula,
se puede utilizar el flujo de paso alterno como un grado de libertad extra para
propósitos de control.
Finalmente, debe aclararse que la posibilidad de no utilizar activamente algunas

entradas manipuladas o cambiarlas, es una decisión estructural en control total de
planta, que puede tomarse paralelamente a la configuración del sistema de control
o a la selección de salidas controladas.
3.2.2.3 Selección de mediciones
En una planta pueden hacerse muchas mediciones, el número, la ubicación y

exactitud de estas es un compromiso entre el costo de las mediciones y el
beneficio de un control mejorado. En la mayoría de los casos, la selección de
36
___________________________________________________________________________________________________
mediciones puede considerarse simultáneamente con la selección de la

configuración del sistema de control, es el caso por ejemplo, del uso de
mediciones extra o secundarias en control centralizado, control inferencial y
control en cascada.
En el controlador centralizado (MPC) todas las mediciones se utilizan para calcular

la entrada óptima. Este controlador contiene implícitamente un modelo estimador.
Por otro lado, el controlador inferencial utiliza un modelo basado en las mediciones
para calcular la salida primaria (por ejemplo una salida controlada). En el control
en cascada, por su parte, las mediciones secundarias se controlan localmente y
sus puntos de ajuste se utilizan como grados de libertad para controladores en
niveles superiores. Nótese que tanto el control centralizado como el control
inferencial utilizan las mediciones extra para estimar parámetros en un modelo,
mientras que el control en cascada las utiliza para adicionar un lazo
retroalimentado.
La estimación y la selección de medidores para estimación están más allá del

alcance de esta tesis. En Ljung (1987) se presenta una aproximación desde el
punto de vista del control y en Martens (1989) una aproximación desde la química
para estos dos aspectos. No obstante, cabe señalar que el sistema de control se
debe diseñar para obtener el mejor control posible de las variables primarias y no
para la mejor estimación posible. Según Larsson (2000) una desventaja del control
inferencial es que la estimación generalmente se toma para control prealimentado
(feed-forward).
Para control en cascada, Havre (1998) presenta un método de selección de

mediciones secundarias tal que el requerimiento de actualizar los puntos de ajuste
sea pequeño. Para ello propone dos aproximaciones diferentes, la primera busca
que las funciones de transferencia que relacionan a la perturbación y al error de la
variable secundaria con el error en la variable primaria sean pequeñas. La
segunda alternativa, menos exacta, es maximizar el mínimo valor singular en la
función de transferencia de las variables secundarias. En (Lee and Morari, 1991)
se considera un problema similar y se propone una aproximación mas rigurosa,
dicha aproximación considera explícitamente la incertidumbre del modelo y los
valores singulares como herramienta.
3.2.2.4 Configuración del sistema de control
Häggblom y Waller (1988) introdujeron el concepto de “control parcial” para

analizar el efecto que produce el cerrar los lazos de control regulatorios, o del nivel
inferior en la jerarquía (Figura 3.1). En (Larsson, 2000) se sugiere utilizar un
análisis de control parcial en cada nivel de la jerarquía del sistema de control,
principalmente en el nivel inferior, para garantizar que los niveles superiores no
estarán limitados por el comportamiento de fase no mínima, la inestabilidad y la
falta de mediciones o referencias. Este método solo sirve para juzgar las
limitaciones de una estructura de control ya diseñada, por lo cual se considera
muy indirecto.
37
___________________________________________________________________________________________________
Havre (1998) en su Tesis Doctoral utiliza los polos del sistema para configurar el
sistema de control. El enfoque de este trabajo es la estabilidad y los ceros de fase
no-mínima.
Por otro lado, en la literatura abundan métodos para configuración de sistemas de

control basados en la “controlabilidad entrada-salida”, tales como la matriz de
ganancias relativas (Bristol, 1966), análisis de valores singulares (Skogestad and
Postlethwaite, 1996) y el índice de Niederlinski (Niederlinski, 1971), entre otros. En
el capítulo 5 se tratan todos estos métodos en más detalle.
3.3 COMENTARIOS FINALES

A lo largo de los Capítulos 2 y 3 se buscó dar respuesta a las siguientes preguntas
sobre el problema de Control Total de Planta:
¿Por qué surgió?

El reciclo de materia y la integración energética conducen a una mayor dificultad
para operar el proceso, esto se demostró mediante el efecto “bola de nieve”. Estas
características hacen más difícil el control del proceso, lo que genera la necesidad
de diseñar el sistema de control desde la globalidad.
¿Qué es?
Control Total de Planta no se ocupa del diseño o sintonía de los controladores de
la planta. Se refiere unicamente al diseño de la estructura de control, la cual se
define mediante 5 decisiones estructurales: Selección de variables controladas,
selección de variables manipuladas, selección de variables medidas, configuración
del sistema de control y selección del tipo de controlador.
¿Qué se ha hecho?
En general se ha abordado desde dos perspectivas: i) Desde una visión heurística:
Descompone el problema en partes mas manejables y ii) desde las decisiones
estructurales: Cada decisión estructural se ha estudiado de manera independiente.
Con la descripción del tema, aquí debe quedar claro que en esta Tesis no se
pretende proponer un procedimiento jerárquico riguroso para diseñar estructuras
de control, sino proponer una metodología para selección de estructuras de control,
y por otro lado, mostrar como se implementan los niveles jerárquicos en control
total de planta.
Nótese que la descomposición del sistema de control en una planta mostrada en

la Figura 3.1, es una descomposición vertical o multinivel, allí los niveles tienen
diferentes escalas de tiempo o frecuencias de ajuste de las entradas. Es una
descomposición que permite visualizar la jerarquía de decisiones en el control de
una planta. No obstante, la estructura de control puede descomponerse de forma
horizontal y de esta manera se obtiene un sistema descentralizado. La
38
___________________________________________________________________________________________________
configuración horizontal del sistema de control implica determinar en un solo nivel

la conexión entre las variables, para ello es preciso utilizar conceptos como el de
controlabilidad y estudiar la interacción entra las variables.
De acuerdo a esto, con este trabajo se busca proponer una metodología para
hacer los pareamientos de variable manipulada-variable controlada. El aporte es
entonces desde el punto de vista de la configuración del sistema de control
(sección 3.1, decisión estructural 4), en este caso los pareamientos de las
variables. Con dicho aporte, desarrollado en la Parte II y más específicamente en
el Capítulo 6, se le da cumplimiento a los objetivos planteados en la Tesis.
Adicionalmente, en el Apéndice B se presenta otro tipo de estrategia de control:

una configuración de control predictivo simultáneamente con optimización en
tiempo real para una planta, con ello se quiere ilustrar la jerarquía de control en
una planta, en este caso utilizando herramientas más sofisticadas. La idea no es
comparar la estrategia descentralizada del Capítulo 6 con la estrategia
centralizada del Apéndice B, sino mostrar dos aproximaciones diferentes: una
descentralizada con selección de pareamientos basada en el concepto de
controlabilidad, y una centralizada que incluye criterios económicos en la
optimización.
39
___________________________________________________________________________________________________
40
___________________________________________________________________________________________________
PARTE II
DISEÑO DE ESTRUCTURAS DE
CONTROL A PARTIR DE LA
CONTROLABILIDAD
En esta segunda parte se presenta una metodología basada en el concepto de

controlabilidad para selección de lazos de control descentralizados en plantas de
proceso. Este concepto se ha manejado principalmente desde dos perspectivas: la
controlabilidad de estado y la controlabilidad entrada-salida. Inicialmente, se dan
diversas definiciones de controlabilidad y se presentan herramientas para la
selección de estructuras de control, asociadas con el concepto de controlabilidad
entrada-salida. Se presenta luego el método propuesto en esta Tesis, basado en
la descomposición en valores singulares de la matriz de Hankel. Este nuevo
método integra a la controlabilidad entrada-salida, la controlabilidad de estado y la
observabilidad. Por último se muestra la aplicación de la metodología propuesta
en la planta Tennessee Eastman, un benchmark muy conocido y trabajado en la
comunidad académica desde su publicación en 1993.
41
___________________________________________________________________________________________________
42
___________________________________________________________________________________________________
4 CONTROLABILIDAD
Ziegler y Nichols (1943) definieron la controlabilidad como “la habilidad del

proceso para lograr y mantener el valor de equilibrio deseado”. Años mas tarde, en
los 60’s surgió el concepto de Controlabilidad de Estado, introducido por Kalman
con una definición más estricta, para referirse a la habilidad de llevar el sistema
desde un estado inicial hasta un estado final en un tiempo finito. Con el concepto
de Kalman, muchos teóricos han utilizado el término controlabilidad para referirse
a la controlabilidad de estado. Según Skogestad (1996), la controlabilidad de
estado usualmente tiene poco significado práctico, ya que los modos inestables
pueden ser controlables y observables. Rosenbrock (1970) también notó que la
mayoría de las plantas industriales son controladas satisfactoriamente aunque no
sean controlables de estado. Para evitar confusiones, Morari (1983) introdujo el
término resiliencia dinámica, sin embargo para Skogestad y Postlethwaite (1996),
este término no aparenta tener relación alguna con el control del proceso, así que
lo denominaron Controlabilidad Entrada-Salida, o simplemente Controlabilidad. En
(Havre, 1998) se estudia la Controlabilidad Entrada-Salida para hacer diseño de
estructuras de control. Por su parte, Ochoa (2005) define la Controlabilidad Local
Práctica a partir de la controlabilidad de Kalman, y la utiliza para proponer una
metodología de diseño integrado. Como puede verse, el término controlabilidad se
ha utilizado con diferentes connotaciones. En este Capítulo se presentan las
diferentes aproximaciones a la controlabilidad para encontrar un punto común, que
permita proponer un método de selección de estructuras de control nutrido de las
diferentes concepciones de la controlabilidad.
4.1 CONTROLABILIDAD DE ESTADO

Según la definición dada por Kalman en 1960, un sistema es controlable si existen
acciones de control capaces de llevar el sistema desde un estado inicial hacia un
estado final en un tiempo finito. Dado el sistema lineal de orden n:
x& = Ax + Bu
(4.1)
y = Cx
43
___________________________________________________________________________________________________
Donde x ∈ ℜ n es el vector que contiene los estados del sistema, u ∈ ℜ m es el

vector de las entradas manipuladas y y ∈ ℜ l es el vector que contiene a las
salidas medidas. Este es controlable si y solo si el rango rco de la matriz de
controlabilidad Co es igual al orden n del sistema. Donde la matriz de
controlabilidad se construye a partir de las matrices A y B:
[
C o = B AB ... A n -1 B ] (4.2)
Si el sistema no es controlable, se dice que la diferencia entre el rango de la matriz

y el orden del sistema corresponde a los modos no controlables del sistema.
De la anterior definición, nótese que la controlabilidad de estado solo tiene en

cuenta los estados x del sistema en relación con las entradas u, indiferente de lo
que ocurra con las salidas y.
Aquí debe aclararse que la controlabilidad implica estrictamente que el estado final
alcanzado sea el origen. Si se trata de cualquier estado final, el concepto es
alcanzabilidad, por lo tanto si un sistema es controlable también es alcanzable
pero la controlabilidad no implica alcanzabilidad. Aunque para un sistema lineal
cualquier punto de ajuste puede llevarse al origen. Una discusión más clara se
encuentra en Ochoa (2005).
Por otro lado, una de las deficiencias de la definición de Kalman es que asume
que la acción de control no presenta restricciones, es decir que no es acotada y
por lo tanto la controlabilidad que este propone está garantizada en el
intervalo (−∞,+∞) de la variable manipulada, la cual no asegura la controlabilidad
de los estados en la práctica. Ochoa (2005) define entonces la controlabilidad local
práctica, teniendo en cuenta el acotamiento de las acciones de control, que es una
restricción real del sistema. En su trabajo se toma esta definición para hacer
diseño integrado.
Según Skogestad y Postlethwaite (1996), una desventaja de la controlabilidad de

estado es que no considera la calidad de la respuesta entre y después de los dos
estados, inicial y final, además no indica cuantas acciones de control se requieren
para alcanzar el estado final. La controlabilidad de estado, pese a ser un concepto
riguroso, no es capaz de medir o cuantificar la controlabilidad de los estados y se
limita simplemente a evaluarla en un sentido binario.
4.2 OBSERVABILIDAD DE ESTADO

Nótese que en el concepto de controlabilidad de estado no se tiene en cuenta la
salida. Para complementarlo se propuso un concepto análogo y complementario:
la observabilidad. Simultáneamente con el concepto de controlabilidad, Kalman
(1960) desarrolló el concepto de observabilidad, que relaciona las salidas con los
44
___________________________________________________________________________________________________
estados. De acuerdo a su definición, un sistema es observable si el estado puede

ser determinado a partir de la observación de la salida durante un intervalo de
tiempo finito. Según esto, el sistema es completamente observable si cada
variable de estado del sistema afecta a alguna de las salidas medibles.
En los sistemas lineales, se dice que un sistema es observable si y solo si el rango

rob de la matriz de observabilidad Ob es igual orden n del sistema. Donde la matriz
de observabilidad se define como:
[
Ob = C CA ... CA n-1 B ]
T
(4.3)
De lo anterior, es claro que la observabilidad complementa la controlabilidad al

relacionar los estados y las salidas, además es un concepto análogo.
Antes de pasar a la siguiente definición, cabe comentar que una aplicación

importante de la matriz de observabilidad son los observadores de estado. La
condición de observabilidad de estado permite diseñar observadores de estado.
Estos se implementan en dispositivos o programas de computador, y estiman u
observan las variables de estado de un sistema a partir de las mediciones de las
salidas. Kalman (1960b) desarrolló un estimador de estados que lleva su nombre:
Filtro de Kalman, el cual estima los estados exclusivamente a partir de datos de
las salidas. Con el paso de los años se han desarrollado otros estimadores
basados en el filtro de Kalman, pero que incluyen mediciones de las entradas,
estos se conocen como filtros de Kalman extendidos (Ramírez, 1994).
4.3 CONTROLABILIDAD DE SALIDA

Tal como se mencionó, la controlabilidad de estado es un concepto incompleto al
no considerar las salidas. Aunque hay un concepto complementario que es la
observabilidad, siendo consecuentes con la definición de controlabilidad de estado,
la controlabilidad de la salida también puede ser evaluada en un sistema lineal por
medio de una matriz.
Por ejemplo, si se mira el sistema en términos discretos:
x(k + 1) = A d x(k ) + B d u (k )
(4.4)
y (k ) = Cx(k )
Donde x(k ) ∈ ℜ n . Ad y Bd son las matrices para el sistema discretizado, nótese

que C permanece igual al caso continuo. La controlabilidad de estado se evalúa
directamente a partir de la matriz:
Co = Bd[ A d B d ... A d
n -1
Bd ] (4.5)
45
___________________________________________________________________________________________________
 u (n − 1) 
u (n − 2)
donde:
n
[
x(n) = A d x(0) + B d A d B d ... A d B d
n -1
] 
 M 
 (4.6)
 
 u ( 0) 
Adicionalmente, el estado y la salida en el instante n, se relacionan por medio de

la matriz C:
y (n) = Cx(n) (4.7)
Por lo tanto, se obtiene una relación directa entre la salida en el instante n y la

secuencia de entradas previas al instante n:
 u (n − 1) 
u (n − 2)
[
y (n) = CA d x(0) + CB d CA d B d ... CA d B d
n n -1
] 
 M 
 (4.8)
 
 u ( 0) 
[ n -1
]
Donde CB d CA d B d ... CA d B d es la matriz de controlabilidad de la salida. Si el
rango de esta matriz es igual al orden del sistema, la salida del sistema es
controlable.
Hasta este punto se tiene una herramienta que permite evaluar la controlabilidad
de la salida. Nótese que sin embargo tiene una desventaja, y es que no permite
cuantificar dicha controlabilidad, solo la evalúa como una condición que se cumple
o no en el sistema. Si el sistema resulta controlable, no puede discriminarse cuan
controlable es, ni sugiere pareamientos o conjuntos de variables de entrada-salida
para el diseño de la estructura de control.
4.4 CONTROLABILIDAD ENTRADA-SALIDA

4.4.1 Definiciones propuestas en la literatura
Aunque existe una definición rigurosa de la controlabilidad, que es la

controlabilidad de estado, en la literatura se ha utilizado ampliamente el término
controlabilidad para estudiar y medir las propiedades entrada-salida de un sistema,
y en algunos casos, utilizar estas mediciones para proponer métodos de selección
de estructuras de control. Este enfoque es más conocido como controlabilidad
entrada-salida y ha sido definido de diferentes maneras a lo largo de la historia.
46
___________________________________________________________________________________________________
Ziegler y Nichols (1943) definieron la controlabilidad como “la habilidad del

proceso para lograr y mantener el valor de equilibrio deseado”. Más adelante,
Rosenbrock (1970) introdujo el término controlabilidad funcional, según el cual un
sistema es funcionalmente controlable si dado cualquier vector conveniente de
funciones de salida, existe un vector de entradas que genere el vector de salidas
desde la condición inicial del estado en el origen. Nótese que dicha definición está
dada en términos de controlabilidad entrada-salida ya que solo tiene en cuenta el
estado en el instante inicial.
Para evitar confusiones con el término de controlabilidad de estado de Kalman,

Morari (1983) introdujo en la literatura el término resiliencia dinámica, que definió
como la calidad del comportamiento regulatorio y de seguimiento que puede ser
obtenido mediante control realimentado. Este concepto está estrechamente
relacionado a la controlabilidad funcional, pero la resiliencia dinámica incluye una
medida cuantitativa del desempeño logrado (Jorgensen et al, 1998).
En 1996, Skogestad y Postlethwaite propusieron el uso del término controlabilidad

entrada-salida en lugar del término resiliencia dinámica, ya que según él, este no
parece estar relacionado con el control del proceso. En este se define la
controlabilidad entrada-salida como “la habilidad de lograr un desempeño
aceptable del sistema de control, esto es, mantener las salidas en unos límites
específicos pese a las variaciones en el proceso tales como perturbaciones y
cambios en la planta, utilizando las entradas y las mediciones disponibles”.
En (Van de Wal and De Jager, 2001) se presenta una definición de controlabilidad

entrada-salida, se afirma que una planta es controlable en términos entrada-salida
si se puede lograr un desempeño aceptable, si las salidas y las entradas se
mantienen en regiones pequeñas, en presencia de incertidumbres, referencias,
perturbaciones y ruidos en los sensores. La diferencia de esta definición con la de
Skogestad y Postlethwaite (1996) es que tiene en cuenta la incertidumbre. En
contraste con la controlabilidad de estado, también se reitera que la controlabilidad
entrada-salida trata de capturar aspectos que son relevantes en la práctica.
La controlabilidad entrada-salida sintetiza las propiedades entrada-salida

deseadas en un sistema de control, pero que son inherentes del proceso. Según
(Albertos and Sala, 2004) un sistema es controlable en términos entrada-salida si
es posible implementar un sistema de control apropiado que cumpla con los
requerimientos en seguimiento y regulación, pese a las incertidumbres en el
modelo del proceso. En rigor, para asegurar la controlabilidad entrada-salida, la
única manera de probarlo es diseñando un buen controlador. Sin embargo, para
evaluar si existe la posibilidad de encontrar tal controlador antes de invertir tiempo
y esfuerzo en su diseño, pueden utilizarse diferentes herramientas como la
descomposición en valores singulares, la matriz de ganancias relativas, entre otras.
Estas herramientas permiten evaluar la controlabilidad entrada-salida y configurar
de un modo conveniente el sistema de control, como paso previo al diseño de los
controladores.
47
___________________________________________________________________________________________________
4.4.2 Evaluación de la Controlabilidad Entrada-Salida
Aunque se carece de una definición unánime en la literatura de la controlabilidad

entrada-salida, existe una cantidad de herramientas para evaluarla, entre ellas el
análisis de valores singulares (Klema and Laub, 1980), el índice de resiliencia
(Morari, 1983), los ceros en el semiplano derecho (Holt and Morari, 1985), la
matriz de ganancias relativas (Bristol, 1966) y el número de condición de la
perturbación (Skogestad and Morari, 1987). A continuación se presentan algunos
trabajos de la literatura en los que se desarrolla un análisis de controlabilidad con
el enfoque entrada-salida.
Skogestad (1996) presenta un procedimiento para analizar la controlabilidad

entrada-salida de sistemas SISO (Single Input – Single Output) en un proceso de
neutralización de pH. En su análisis considera modelos lineales y utiliza el dominio
de la frecuencia para evaluar la controlabilidad. Según este, en el análisis es clave
tener en cuenta las perturbaciones y acondicionar numéricamente las variables de
manera apropiada.
Por su parte, en (Gross et al, 1998) se desarrolla un análisis de controlabilidad

para diferentes esquemas de control propuestos en un proceso con integración
energética, a partir de un modelo lineal y empleando índices de controlabilidad
como la matriz de ganancias relativas, el análisis de valores singulares y el
número de condición. En este trabajo se concluye que el análisis de
controlabilidad debe tomarse como una condición necesaria pero no suficiente en
la selección de estructuras de control, ya que esto debería complementarse con la
evaluación de algún índice de desempeño como la integral absoluta del error en el
tiempo, ITAE.
Nótese que las dos aproximaciones hasta ahora presentadas para evaluar la
controlabilidad son bastante engorrosas y no dan un resultado contundente en
cuanto a la mejor estructura de control. Su principal limitación es que implican el
diseño de una serie de experimentos, en este caso de diferentes configuraciones
del sistema de control y entre ellas escoger la mejor de acuerdo a las mediciones
de controlabilidad propuestas.
Scali y Paolino (1998) desarrollaron un análisis de controlabilidad utilizando lo que

ellos llaman “herramientas orientadas al proceso” para determinar el conjunto de
variables manipuladas más apropiado en la planta Tennessee Eastman (Downs
and Vogel, 1993). Las herramientas propuestas buscan medir la “eficacia” que
tiene un conjunto de variables manipuladas sobre un conjunto de variables de
salida, entre ellas una versión modificada de RGA (Bristol, 1966). En su trabajo
resaltan las ventajas de la aproximación propuesta frente a las técnicas
tradicionales como valores singulares, ganancias relativas y número de condición,
entre otras.
Vinson y Georgakis (2000) presentan una nueva medida geométrica para evaluar
la controlabilidad entrada-salida en lazo abierto de un sistema no lineal,
48
___________________________________________________________________________________________________
multivariable y en estado estacionario, en ausencia de cualquier estructura de

control regulatorio. La medición de controlabilidad (Output Controllability Index,
OCI) busca cuantificar la habilidad del proceso de alcanzar el rango completo de
valores de salida deseados en presencia de las perturbaciones conocidas y dentro
del rango limitado de las entradas disponibles. Para determinar el OCI, se obtiene
el espacio factible de las salidas a partir del espacio disponible de las entradas, y
posteriormente se calcula la intersección con el espacio deseado para las salidas,
dicha intersección da como resultado el OCI. Una de sus limitaciones es que
requiere del modelo en estado estacionario, ignorando las dinámicas del proceso.
En el análisis de valores singulares (SVD), se dice que un sistema con el máximo

valor singular muy grande es un sistema difícil de controlar. Esto se deduce
sabiendo que un valor singular muy alto indica que el sistema de control será muy
sensible a las inexactitudes de las válvulas. McAvoy y Braatz (2003) presentan
una herramienta para evaluar la controlabilidad entrada-salida en este tipo de
procesos, indiferentemente de la magnitud del mínimo valor singular, es decir, ya
sea grande o pequeño. La aproximación consiste en seleccionar actuadores y
sensores tal que la matriz de ganancias del proceso tenga su máximo valor
singular por debajo del límite de saturación de los sensores y su mínimo valor
singular mayor que uno. En esta metodología se ven dos limitaciones, por un lado
nótese que el análisis debe desarrollarse para diferentes combinaciones de grupos
de variables, lo que hace el método poco directo y bastante tedioso.
Adicionalmente, los autores presentan la aproximación con modelos en estado
estacionario, sin considerar el comportamiento dinámico del proceso.
Como puede verse, en la literatura se ha utilizado el concepto de controlabilidad

entrada-salida para diferentes propósitos, pero estos tienen en común estudiar las
propiedades entrada-salida del sistema. Desafortunadamente, la mayoría de los
métodos para evaluar controlabilidad entrada-salida ignoran el comportamiento
dinámico porque utilizan modelos en estado estacionario, y tratan el sistema como
una caja negra. El cómo diseñar la estructura de control es uno de los problemas
que se busca resolver con la evaluación de la controlabilidad. Tal es el caso de la
descomposición en valores singulares y la matriz de ganancias relativas. En el
Capítulo 5, se presentan las herramientas más utilizadas en selección de
estructuras de control y que están estrechamente asociadas a la controlabilidad
entrada-salida.
4.5 CONTROLABILIDAD DE ESTADO vs. CONTROLABILIDAD

ENTRADA-SALIDA
En la Tabla 4.1 se presenta una comparación de los dos conceptos de
controlabilidad más comunes en la literatura, enumerando sus ventajas y
desventajas.
49
___________________________________________________________________________________________________
Tabla 4.1. Controlabilidad de Estado versus Controlabilidad Entrada-Salida
Controlabilidad de Estado Controlabilidad Entrada-Salida
Ventajas ~ Es rigurosa en su fundamento. ~ Estudia las propiedades entrada-

salida del sistema.
~ Se complementa con la
observabilidad. ~ Las mediciones asociadas son
cuantitativas y sirven para diseñar
~ Independiente del controlador, estructuras de control.
propiedad inherente del proceso.
~ Independiente del controlador,
propiedad inherente del proceso.
Desventajas ~ Su evaluación no es útil para ~ No hay una definición unánime

discriminar estructuras de control. en la literatura
~ No se puede medir, solo se ~ Para medirla se utilizan modelos

evalúa (se cumple o no se cumple). que suprimen las dinámicas G(0), o
que las engloban en una sola
~ Sólo relaciona la entrada con el frecuencia G(iω).
estado, no tiene en cuenta las
salidas.
50
___________________________________________________________________________________________________
5 HERRAMIENTAS PARA LA SELECCIÓN DE

ESTRUCTURAS DE CONTROL
En sistemas multivariable, un paso previo al diseño del controlador es la selección

de la estructura de control, esto es, cuales variables controlar, cuales manipular y
como configurar estas variables. Si el sistema es muy grande, como es el caso de
control total de planta, el diseño de la estructura de control es muy complejo y
requiere de un enfoque menos heurístico. En torno a la controlabilidad entrada-
salida se han desarrollado diferentes herramientas que son útiles para el diseño y
selección de estructuras de control, y que son independientes del controlador que
se utilice. Aquí se presentan algunas de ellas.
5.1 MATRIZ DE GANANCIAS RELATIVAS

5.1.1 Matriz de Ganancias Relativas en Estado estacionario
Bristol (1966) desarrolló una aproximación sistemática para el análisis de

problemas de control de sistemas multivariable. Su aproximación solo requiere
información de estado estacionario y provee dos elementos importantes:
- Una medida de las interacciones del proceso

- Pareamientos entre variables manipuladas y variables controladas.
La aproximación de Bristol está basada en el concepto de ganancia relativa. Al

considerar un proceso con n variables controladas y n variables manipuladas. La
ganancia relativa λij entre una variable controlada yi y una variable manipulada uj
está definida como la relación adimensional de dos ganancias de estado
estacionario:
( ∂y i / ∂u j )u Ganancia en lazo abierto

λij = = (5.1)
( ∂y i / ∂u j )y Ganancia en lazo cerrado
para i = 1, 2 ,... , n y j = 1, 2, ... , n.
51
___________________________________________________________________________________________________
El símbolo ( ∂y i / ∂u j )u denota una derivada parcial que se evalúa con todas las
variables manipuladas constantes excepto uj, este término es la ganancia en lazo
abierto entre yi y uj. Similarmente, ( ∂y i / ∂u j )y se evalúa manteniendo todas las
variables controladas constantes excepto yi. Esta situación se puede lograr en la
práctica ajustando las otras variables manipuladas utilizando controladores con
acción integral. Así, este último término puede interpretarse como la ganancia en
lazo cerrado que indica el efecto de uj sobre yj cuando todas las variables
controladas ( yi ≠ yj ) permanecen constantes.
El arreglo matricial de la relación de ganancias λij, se conoce como la matriz de

ganancias relativas (Relative Gain Array, RGA), denotada por Λ:
u1 u2 L un
y1 λ11 λ12 L λ1n
Λ = y2 λ21 λ22 L λ2 n (5.2)
M M M M
yn λn1 λn 2 L λnn
La RGA tiene propiedades importantes para modelos de proceso en estado

estacionario (Bristol, 1966; McAvoy, 1983). Cuando la RGA es una matriz
cuadrada, la suma de los elementos en cada fila y columna es igual a la unidad.
Cuando es rectangular, solamente la suma de los elementos correspondientes a
las filas o a las columnas es igual a la unidad, para las columnas o filas,
respectivamente, la suma da menor que uno. Por otro lado, nótese que las
ganancias relativas son adimensionales, razón por la cual esta medición no se ve
afectadas por la escogencia de las unidades o el acondicionamiento numérico de
las variables (sección 5.3).
Una vez construida la matriz de ganancias relativas, se lleva a cabo el análisis que
permite la selección de los pares variable manipulada - variable controlada. Se
pueden presentar las siguientes situaciones:
− Si λij = 0, no existe relación entre la variable manipulada j y la variable

controlada i, por lo cual para controlar la variable controlada i se necesitará
usar otra variable manipulada.
− Si λij = 1, no hay interacción con otros lazos y por consiguiente, el
controlador podrá ser diseñado sin tener en cuenta los otros lazos.
− Si 0 < λij < 1, los otros lazos forman un lazo de realimentación negativa en
paralelo con el lazo principal, lo que implica un aumento de la ganancia en
estado estable del sistema, por lo cual se deberá reducir la ganancia del
controlador y ajustar la acción integral.
− Si λij < 0, significa que el numerador y el denominador tienen distinto signo,
lo que implica que cuando se cierran los otros lazos de control, el sistema
52
___________________________________________________________________________________________________
se verá sometido a la realimentación positiva lo cual genera inestabilidad.

En la práctica representa una dificultad muy grande para realizar control
distribuido.
− Si λij > 1, significa que la interacción de los otros lazos reduce el efecto de
las acciones de control aplicadas al par ij. Entre más grande sea este valor,
mayor será la inhibición de la acción de la variable manipulada j sobre la
variable controlada i.
Como complemento al último caso mencionado, cabe resaltar que cuando la RGA
presenta valores muy altos, indica que el sistema es altamente interactuante y
potencialmente difícil de controlar (Skogestad and Morari, 1987).
En cuanto al cálculo de la RGA, también es posible efectuarlo con la matriz G(s),

desde el modelo del proceso en funciones de transferencia. La RGA se calcula
como el producto Schur ⊗ (elemento a elemento) de la matriz G y la transpuesta
de su inversa:
Λ (s) = G(s) ⊗ (G -1(s))T (5.3)
Como se requieren los valores numéricos, se evalúa en estado estacionario s = 0:
Λ (0) = G(0) ⊗ (G-1(0))T (5.4)
Nótese que cuando G(0) tiene integradores, RGA no se puede calcular. En este
caso no es posible calcular la ganancia en estado estacionario, porque la variable
con integrador nunca lo alcanza. En la sección 5.1.2 se presenta una
aproximación al cálculo de RGA en procesos integradores.
Por otro lado, si bien el método es útil para seleccionar pareamientos en sistemas
multivariable, nótese también que hay una gran limitación en la matriz de
ganancias relativas en estado estacionario y esta radica en el uso de modelos
estáticos, que no tienen en cuenta el comportamiento dinámico del proceso. En
otros trabajos se han propuesto diferentes extensiones de la aproximación de
Bristol intentando sobrellevar este inconveniente, estos se presentan en la
siguiente sección.
5.1.2 Extensiones del Método de Ganancias Relativas
Hasta la actualidad, muchos autores han tratado de corregir las limitaciones del
método original propuesto por Bristol. Los procesos con integradores, el empleo
del dominio de la frecuencia y el considerar la perturbación, son algunas de las
extensiones propuestas para RGA.
RGA para Plantas No-Cuadradas
Para el caso de numerosas entradas manipuladas candidatas, se puede

considerar no utilizar aquellas entradas cuyas manipulaciones corresponden a
53
___________________________________________________________________________________________________
columnas en RGA donde la suma de los elementos es mucho menor que uno
(Cao, 1995). Similarmente, para el caso de muchas salidas medidas candidatas o
controladas, se puede considerar no utilizar aquellas salidas correspondientes a
las filas en RGA donde la suma de los elementos es mucho menor que uno.
RGA para Procesos Integradores
En procesos con integradores, las relaciones matemáticas entre ciertas variables

de estado y entradas están gobernadas por integradores. En el caso de los
procesos químicos, por ejemplo, para algunos niveles de líquido, la velocidad de
cambio del nivel es independiente del nivel en sí mismo.
Cuando el sistema posee integradores, no es posible calcular la función de

transferencia del sistema en estado estacionario. Para ello, Arkun y Downs (1990)
proponen una metodología que consiste en calcular la derivada de la salida con
respecto al tiempo para el elemento integrador, y generar una representación con
nuevas funciones de transferencia que cancelen el polo integrador. Las filas donde
se calculó la derivada se reemplazan en la matriz de ganancias en estado
estacionario G(0) original. Sobre este nuevo arreglo matricial se efectúa el cálculo
de la RGA en estado estacionario.
McAvoy (1998) y McAvoy y Miller (1999) utilizaron esta metodología en la planta

Tennessee Eastman (Downs and Vogel, 1993) para seleccionar lazos de control
realimentados.
RGA a la Frecuencia de Corte
Al igual que las ganancias en estado estacionario, también se han propuesto

métricas de interacción que consideran la dinámica del proceso o la respuesta en
frecuencia (Witcher and McAvoy, 1977; Tung and Edgar, 1981; Grosdidier and
Morari, 1986; Skogestad and Postlethwaite, 1996). Aunque estos métodos son
más complicados que la aproximación con la RGA estándar, ofrecen más
información sobre el comportamiento en lazo cerrado del sistema. La
interpretación de la RGA en el dominio de la frecuencia indica como debe
considerarse la dinámica en el pareamiento de entradas y salidas. La RGA en
frecuencia de corte (s=iωC) se puede expresar:
Λ (iωC) = G(iωC) ⊗ (G-1(iωC))T (5.5)
Skogestad and Postlethwaite (1996) recomiendan hacer pareamientos para los

cuales las ganancias relativas a la frecuencia de corte sean cercanas a la unidad.
Para este análisis, las variables de entrada y salida se reordenan basadas en los
pareamientos sugeridos, lo cual produce una RGA diagonalmente dominante y
cercana en magnitud a la matriz identidad (Grosdidier and Morari, 1986). Las
plantas que contengan elementos en la RGA muy grandes alrededor de la
frecuencia de corte, son inherentemente difíciles de controlar por la sensibilidad a
los errores en los parámetros del modelo o a su incertidumbre, lo cual hace que
54
___________________________________________________________________________________________________
las aproximaciones de diseño sean poco atractivas desde el punto de vista de la

interacción.
RDG de la Perturbación
Stanley y colaboradores (1985) tuvieron en cuenta la posible amplificación o

atenuación de la respuesta de la perturbación para un pareamiento candidato
particular. En su trabajo proponen calcular la ganancia relativa de la perturbación
(Relative Disturbance Gain, RDG) como la relación entre el cambio en el esfuerzo
de control requerido para contrarrestar la perturbación en un lazo cuando el resto
de los lazos están cerrados versus el caso con el resto de lazos abiertos. Este
implica disponer de un modelo de la perturbación.
Los valores de RDG menores que uno indican una interacción benéfica donde los
lazos cooperan, y los valores mayores que uno indican que cerrando un lazo se
exacerban los efectos de la perturbación sobre los demás.
RGA Dinámica
McAvoy y colaboradores (2003) proponen una aproximación para calcular la RGA

dinámica (Dynamic Relative Gain Array, DRGA) con el propósito de considerar la
dinámica del proceso que ignora la RGA original y corregir sus deficiencias. El
cálculo de DRGA requiere del diseño previo de un controlador y del modelo del
proceso en espacio de estados. El controlador se diseña en línea por medio de
optimización, para ello se calcula un controlador retroalimentado proporcional para
un valor esperado de determinada perturbación.
RGA Efectiva
Recientemente, Xiong y colaboradores (2005) desarrollaron una modificación de

RGA en la cual, en lugar de utilizar la matriz G en estado estacionario, utiliza el
producto Schur ( ⊗ ) de G en estado estacionario y una matriz constituida por las
integrales en la frecuencia del valor absoluto de los elementos de G. Los límites de
la integral van desde la frecuencia 0 hasta el ancho de banda del sistema. Esta
extensión del método RGA, lo denominaron RGA efectiva (ERGA).
Se puede decir que el trabajo de (Xiong et al., 2005) es la punta en RGA porque
en contraste con los trabajos previos de RGA, este corrige todas sus falencias.
ERGA tiene en cuenta todo el rango de frecuencias de operación y en
comparación con DRGA, este no implica el diseño de controladores. No obstante,
por ser la sumatoria de un producto de ganancias, trabaja con valores muy
alterados de la ganancia para evaluar la RGA, lo que puede llevar a resultados
distorsionados, y por ende, a pareamientos erróneos.
55
___________________________________________________________________________________________________
5.2 ANÁLISIS DE VALORES SINGULARES

Esta sección se divide en dos partes, la primera presenta la parte matemática de
la descomposición en valores singulares. En la segunda parte se describen
diferentes aproximaciones para diseñar estructuras de control a partir de la
descomposición en valores singulares.
5.2.1 Descomposición en Valores Singulares - Definición
Cualquier matriz compleja G de orden l x m puede factorizarse como una

descomposición en valores singulares:
G = UΣV T (5.6)
donde la matriz U de orden l x l y la matriz V de orden m x m son unitarias, y la

matriz Σ de orden l x m contiene una matriz diagonal Σ1 de valores singulares
reales no negativos, σi, arreglados en orden descendente:
Σ 
Σ =  1 ; l≥m ó Σ = [Σ1 0] ; l≤m
0
donde
Σ1 = diag {σ 1 , σ 2 ,..., σ k } ; k = min(l , m)
σ ≡ σ 1 ≥ σ 2 ≥ ... ≥ σ k ≡ σ
Donde σ es el máximo valor singular de la matriz G, y σ es el mínimo valor

singular. La matriz de valores singulares se encuentra ordenada del mayor al
menor valor singular.
Las matrices unitarias U y V forman bases ortonormales para el espacio columna

(espacio de salida) y el espacio fila (espacio de entrada) de G. Los vectores
columna de V, denotados Vi, se denominan vectores singulares de entrada y los
vectores columna de U, denotados Ui, se denominan vectores singulares de salida.
Los valores singulares son las raíces cuadradas positivas de los k = min(l , m)
valores propios más grandes de GGT y GTG. Se tiene:
σ i (G ) = λi (G T G ) = λi (GG T ) (5.7)
También, las columnas de U y V son los vectores propios unitarios de GGT y GTG,
respectivamente.
56
___________________________________________________________________________________________________
El rango de una matriz es igual al número de valores singulares diferentes de cero.

Si rank (G ) = r , la matriz G tiene rango deficiente si r < k = min(l , m) , y se tienen
valores singulares σ i = 0 para i = r + 1,...k
El número de condición (NC) está definido como:
γ (G ) = σ 1 σ = σ σ (5.8)
k
Con k = min(l , m) . Se dice que una matriz con un NC grande está mal
condicionada, y por lo tanto una matriz con un NC infinito es una matriz con rango
deficiente.
5.2.2 Aplicaciones de SVD en Selección de Estructuras de Control
El análisis de valores singulares (Singular Value Decomposition, SVD) ha sido

ampliamente utilizado en diversas áreas de la ingeniería, en este caso se tratarán
sus aplicaciones en la selección de estructuras de control.
En control, los sistemas lineales multivariable están representados por medio de

matrices, ya sea G en el dominio de Laplace, o {A, B, C} en el espacio de estados.
La descomposición en valores singulares de la matriz G, por ejemplo, tiene un
significado físico importante. Los valores singulares de la matriz G representan los
modos en los cuales opera la planta, y los vectores singulares indican la dirección
en la cual operan los modos. Un modo es una manera en la cual opera la planta y
significa que para determinada dirección en la que se muevan las entradas
generará una determinada dirección en las salidas de la planta. La dirección se
refiere a los signos, + aumenta y – disminuye. Los vectores de entrada V, indican
la dirección en la cual se mueven las variables manipuladas, y los vectores de
salida U indican la dirección en la cual se moverán las variables de salida, dados
los vectores V. Los modos más probables de la planta están representados por los
valores singulares más altos, es decir los primeros en la matriz Σ. Y los modos
correspondientes a los valores singulares más pequeños, son los modos más
difíciles de conseguir para cualquier sistema de control. Como puede verse, el
análisis SVD provee información muy importante para diseñar un sistema de
control. Una ilustración más completa sobre SVD se encuentra en (Skogestad and
Postlethwaite, 1996).
A continuación se presenta una revisión de trabajos enfocados al diseño de

estructuras de control a partir del análisis SVD. La revisión se clasifica según el
criterio utilizado: a) el mínimo valor singular, b) el máximo valor singular, c) el
número de condición y d) los vectores singulares.
57
___________________________________________________________________________________________________
a) El mínimo valor singular σ
Para este criterio, la regla general es que los conjuntos entrada-salida deben ser
seleccionados tal que generen un valor de σ grande. Una primera medida de la
controlabilidad entrada-salida, que con frecuencia se utiliza en selección de
entradas y salidas, es el mínimo valor singular dependiente de la frecuencia σ ( jω ) .
Por ejemplo, en (Tzouanas et al., 1990) se sugiere utilizarlo para selección en
línea del conjunto de entradas para adaptarlo continuamente a los cambios en las
condiciones de operación.
La idea de seleccionar un conjunto de variables que generen un valor de σ

grande está justificada con diversos argumentos. Skogestad y Postlethwaite (1996)
afirman que un σ > 0 garantiza que las variables podrán ser controladas
independientemente. Por otro lado, Morari (1983) se refiere a las restricciones en
las entradas, argumentando que para que una planta tenga buen desempeño en
seguimiento y regulación, en el caso de que existan limitaciones en la magnitud de
las entradas, σ debe ser grande. Yu y Luyben (1986) designan a σ como el
“Índice de Resiliencia de Morari” (MRI) y lo consideraron un sinónimo de la
controlabilidad entrada-salida. Estos sugieren seleccionar el conjunto de entradas
con el MRI más grande sobre el rango de frecuencias de interés, lo cual es
adoptado mas tarde por Havre y colaboradores (Havre et al., 1996) y Wolff y
colaboradores (Wolff et al., 1992). Según los autores mencionados, este índice
cuantifica la regla “seleccione aquellas entradas manipuladas que tengan un
efecto fuerte sobre las salidas” (Seborg et al., 2004).
b) El máximo valor singular σ
En general, lo deseable es que el máximo valor singular sea pequeño. Sin

embargo esta no es la condición buscada en todos los casos. Dependiendo del
objetivo y de la función de transferencia que se analice, puede requerirse un valor
de σ grande o pequeño.
En (Havre et al., 1996) y (Skogestad and Postlethwaite, 1996) se utiliza σ como un

criterio para seleccionar mediciones secundarias en control inferencial. En este
caso, se realiza el análisis de SVD para las funciones de transferencia que
relacionan el error en la salida con la perturbación y con la incertidumbre. La regla
para seleccionar mediciones secundarias es mantener el σ de ambas funciones
de transferencia pequeños, para todo el rango de frecuencias de interés.
En otros trabajos, en cambio, se sugiere escoger conjuntos de variables que

generen un σ grande. Por ejemplo, Cao y Biss (Cao, 1995; Cao and Biss, 1996)
proponen un método para seleccionar conjuntos de entradas manipuladas. Según
ellos, deben seleccionarse aquellas entradas para las cuales se obtenga un σ
grande en la matriz que resulta como producto de: a) la pseudoinversa del modelo
del proceso y b) del modelo de la perturbación. El argumento es que este producto
58
___________________________________________________________________________________________________
representa la relación entre la entrada y la perturbación cuando se fija la salida en

cero, por lo tanto un σ grande implicará que la entrada no afecta la propagación
de la perturbación, lo cual será efectivo para rechazar la perturbación. No obstante,
en (Van de Wal and De Jager, 2001) se critica este criterio afirmando que un σ
pequeño implicaría un menor esfuerzo de control para un conjunto dado de
perturbaciones.
c) El número de condición γ
Como se mencionó en la sección 5.2.1, el número de condición (NC) de una

matriz es una medición que indica su condicionamiento numérico. En control, un
sistema representado por una matriz con un número de condición muy grande es
un sistema difícil de controlar, puesto que tiene modos en los cuales es casi
imposible poner a operar el proceso. Por esta razón, en general, debe
seleccionarse un conjunto de entradas y salidas que resulten en un sistema con
número de condición pequeño. Nótese que el NC de un vector columna o fila es
igual a uno, por lo cual el método no es selectivo si nu = 1 ó ny = 1.
En (Morari, 1983; Skogestad and Postlethwaite, 1996) se establece que un γ

pequeño indica buena robustez ante las incertidumbres. Por su parte, en (Reeves,
1991) se propone un método para reducir el número de entradas y salidas
candidatas, previo a un análisis de estabilidad robusta. Este comienza con el
conjunto completo de entradas y salidas, que se van eliminando gradualmente con
base en el NC, el cual es calculado a la frecuencia de corte del sistema. El
conjunto se reduce gradualmente hasta que sea manejable para otras técnicas.
Sin embargo, el método no garantiza que el conjunto de variables resultante posea
el menor NC posible en relación a otros conjuntos con esa misma dimensión.
Skogestad y Morari (1987) proponen el número de condición de la perturbación

(NCP), como una medida de la magnitud de la entrada que se requiere para
rechazar la perturbación en la dirección que requiera el mínimo esfuerzo de control.
El conjunto de entradas que produzca el menor NCP es el que se espera, mejor
rechace las perturbaciones. Dicho cálculo lo hacen sobre la matriz G a la
frecuencia de corte.
En (Seborg et al, 2004), se propone seleccionar grupos de variables entrada-

salida buscando un compromiso entre RGA y el NC. Para ello se deben evaluar
ambos índices en todas las combinaciones posibles de entradas y salidas. Es un
método engorroso si se tiene un proceso de gran escala, y además, utiliza como
modelo la matriz G en estado estacionario.
d) Vectores singulares U y V
Este grupo de mediciones de controlabilidad entrada-salida involucra los vectores

singulares izquierdos o de salidas (U para las y) y derechos o de entradas (V para
las u) del análisis de valores singulares. Recuérdese que la función de los vectores
59
___________________________________________________________________________________________________
singulares es direccionar las variables de cada uno de los modos, representados

en los valores singulares.
Moore y colaboradores (Moore et al, 1987) proponen tres reglas de selección

basadas en los vectores singulares. La idea fundamental es encontrar el mejor
compromiso entre salidas mutuamente independientes y salidas que sean
sensibles a los cambios en las entradas u. Para este propósito, se desarrolla la
descomposición en valores singulares de G en estado estacionario y se toman
conjuntos entrada-salida cuadrados. La primera regla recae en la SVD de G(0)
para el conjunto de salidas completo. Se seleccionan aquellas salidas que
correspondan a las entradas de cada vector singular izquierdo U con los valores
singulares más grandes. Esta se basa en la noción de que los vectores singulares
izquierdos apuntan en la dirección del primer y1, el segundo y2, etc., la
combinación más sensible de salidas. Las salidas seleccionadas se consideran
sensibles a las entradas, y debido a la ortogonalidad de los vectores de U,
relativamente independientes. Un procedimiento similar se propone para selección
de entradas, involucrando los valores absolutos más grandes de V. Este método
de selección es directo, ya que la SVD no se recalcula para cada candidato. Por
tal razón este método puede ser poco efectivo. La segunda regla es una versión
modificada de la primera, y consiste en calcular la diferencia entre los valores
absolutos de los vectores singulares U y tomar un grupo de salidas con base en
esta diferencia, con el fin de “reducir” la interacción. La tercera regla resuelve la
posible ineficacia de las anteriores, recalculando la SVD para todos los conjuntos
de salidas candidatas.
Keller y Bonvin (1987) plantean una descomposición en valores singulares de la

matriz B de la descripción de la planta en espacio de estados, previo
acondicionamiento numérico (sección 5.3). Con este método de selección se
busca escoger las nu entradas con el “efecto mas fuerte y ortogonal” sobre las
salidas controladas. Este efecto se pondera con los nu valores singulares más
altos y los correspondientes vectores singulares V. El método es directo si B se
genera para el conjunto completo de entradas.
En (Cao and Biss, 1996) se sugiere una aproximación directa para seleccionar las
nu ≥ Ny entradas, de las Nu candidatas, con el mayor efecto sobre un número fijo
Ny de salidas y. Esta aproximación consiste en calcular la SVD de G a una
frecuencia relevante, por ejemplo la frecuencia de corte. Asumiendo que G tiene
rango completo Ny, la “efectividad de cada entrada” (single-input effectiveness)
para uj está dada por:
Ny
vuj (G ) = ∑U
i =1
ji * U ji (5.9)
60
___________________________________________________________________________________________________
De acuerdo a esto, deben seleccionarse las nu entradas que generen los valores
vuj más grandes. En Cao (1995), se utiliza la “efectividad de cada perturbación”
como una medición similar para la efectividad en el rechazo a perturbaciones.
Nótese que los métodos basados en vectores singulares buscan ponderar los
efectos de las entradas y salidas para seleccionar conjuntos entrada-salida.
Desafortunadamente, el modelo del sistema que utilizan no es lo suficientemente
representativo. Por un lado, la matriz G en estado estacionario ignora las
dinámicas del sistema. En el caso de G evaluada a una determinada frecuencia,
esta ya tiene en cuenta el comportamiento dinámico, pero lo engloba en una sola
frecuencia, quitándole información al modelo. Y B, por su parte, si bien representa
adecuadamente el proceso, solo indica el impacto que tiene la entrada sobre el
estado, y no sobre la salida.
5.3 ACONDICIONAMIENTO NUMÉRICO

En esta Tesis, el término Acondicionamiento Numérico (AN) corresponde al
término original “scaling” en inglés empleado en la literatura (Skogestad and
Postlethwaite, 1996; McAvoy, 1998; Albertos and Sala, 2004). Aunque este no
tiene profundas raíces matemáticas, el AN es de vital importancia en la práctica.
Un buen condicionamiento numérico ayuda a simplificar el análisis de un sistema y
el diseño de su estructura de control.
Desafortunadamente, hasta ahora no hay un cálculo estándar para acondicionar

numéricamente los sistemas. Lo que si es claro, es que se requiere de un fuerte
conocimiento del diseño del proceso por parte del ingeniero, asimismo como del
desempeño requerido del sistema. Para esto, se toman decisiones basadas en la
magnitud esperada de las perturbaciones y de los cambios en las referencias, en
la magnitud permitida de cada señal de entrada y en la magnitud de la desviación
permitida de cada salida, lo que implica una profunda comprensión del proceso.
Al comparar magnitudes, las unidades de las variables son críticas. Además, para
determinar la ganancia o la relación entre la magnitud de las variables, más aun
en un sistema MIMO (Multiple Input – Multiple Output), las mediciones deben
normalizarse, y de esta manera, llevarlas a una escala tal que sean comparables.
En síntesis, con el AN se busca quitarle las unidades a las variables, esto es
volverlas adimensionales, para hacerlas comparables.
Nótese que la mayoría de mediciones de controlabilidad entrada-salida dependen

fuertemente del AN de las variables y esto se presenta cuando la medición no es
adimensional, tal es el caso del análisis por SVD. El condicionamiento de una
matriz depende del valor numérico de sus elementos, un incorrecto AN de las
variables puede dar como resultado una matriz mal condicionada, lo que conlleva
en la práctica a un problema inmanejable.
61
___________________________________________________________________________________________________
Desde el punto de vista del AN, es bastante cuestionable la idea de que una
planta está mal condicionada cuando el NC del modelo que describe el proceso es
muy grande (sección 5.2.2 c)), ya que el valor del NC depende directamente del
AN. Waller y Waller (1995) trataron de definir la direccionalidad de la planta con
respecto al AN desde el punto de vista del desempeño, utilizando la SVD. Los
autores consideran que la idea de que las plantas con un NC grande son más
difíciles de controlar, tiene una gran relevancia teórica que va mas allá del AN,
mencionando especialmente la estabilidad.
En la literatura se han propuesto diferentes cálculos para el AN:
Albertos y Sala (2004) recomiendan realizar el AN de las variables manipuladas de

tal manera que el rango del actuador esté mapeado entre [-1,1], las perturbaciones
tal que su valor máximo estimado se mapee a 1. Y para las variables controladas,
acondicionarlas de forma tal, que una unidad en la nueva escala sea equivalente a
los errores máximos admisibles.
En su libro, Skogestad y Postlethwaite (1996) proponen hacer todas las variables

menores que uno en su magnitud, esto se consigue dividiendo cada variable por
su valor máximo esperado o el máximo cambio permitido. Nótese que en el caso
de las variables controladas, se propone dividir la variable entre el error máximo,
esto es, la desviación de su referencia. En este libro se muestra un procedimiento
matricial para el AN.
Nótese que las ideas de (Albertos y Sala, 2004) y (Skogestad and Postlethwaite,
1996) son similares en cuanto al AN de las variables controladas, con un valor
máximo de 1. No obstante, McAvoy (1998) propuso otro tipo de cálculo. El autor
recomienda dividir todas las variables entre su valor nominal o de estado
estacionario, este tipo de AN lo utiliza en la planta Tennessee Eastman (Downs
and Vogel, 1993) para las matrices A, B y C de la representación en espacio de
estados. No obstante, la única medición de controlabilidad entrada-salida que
utiliza el autor es la RGA, que es adimensional y no depende de la magnitud de
las variables. Por lo tanto, no demuestra la efectividad del tipo de AN propuesto.
5.4 ÍNDICE DE NIEDERLINSKI

Este método fue propuesto por Niederlinski (1971) para descartar aquellos lazos
de control que generen inestabilidad, y está asociado a la controlabilidad entrada-
salida. El índice de Niederlinski (NI), es una condición necesaria para la
estabilidad de una configuración de control específica. Por medio de este análisis,
un pareamiento es inaceptable si resulta un sistema de control con un NI negativo.
Tal condición implica un sistema de control permanentemente inestable. El índice
de Niederlinski se define como:
62
___________________________________________________________________________________________________
det(G (0))
NI = N
<0 (inestable) (5.10)
∏G
i =1
ii ( 0)
donde det(G(0)) es el determinante de la función de transferencia del proceso G

evaluada en estado estacionario. El denominador, es la multiplicación de los
elementos diagonales de la función de transferencia del proceso evaluada en
estado estacionario.
Un punto a favor del método de Niederlinski es el considerar la estabilidad del

pareamiento seleccionado. A diferencia de los métodos basados en valores
singulares, el NI tiene en cuenta la estabilidad. Sin embargo, el hecho de utilizar la
función de transferencia del proceso en estado estacionario le quita generalidad,
puesto que no tiene en cuenta la parte dinámica, es bien sabido que el proceso no
siempre opera en estado estacionario.
5.5 OTROS MÉTODOS DE SELECCIÓN DE ESTRUCTURAS DE

CONTROL
En (Van de Wal and De Jager, 2001) se presenta una revisión de los métodos de
selección de estructuras de control existentes hasta ese año. Los métodos son
agrupados de acuerdo a la propiedad del sistema de control que es evaluada
como criterio de selección:
- Accesibilidad
- Controlabilidad y observabilidad de estado
- Ceros en el semiplano derecho
- Controlabilidad entrada-salida
- Eficiencia de la manipulación y de la estimación
- Estabilidad robusta y desempeño nominal
- Desempeño robusto
- Búsqueda basada en estadística
Cada uno de estos criterios de selección se evalúa de acuerdo a las propiedades

deseadas del método de selección. Los autores proponen 8 propiedades:
1. Bien fundamentado
2. Eficiente
3. Efectivo
4. Aplicabilidad general
5. Riguroso
6. Cuantitativo
7. Independiente del controlador
8. Directo
63
___________________________________________________________________________________________________
De acuerdo al propósito de esta Tesis, se consideran solamente los métodos

basados en controlabilidad, esto es, los basados en controlabilidad y
observabilidad de estado y los basados en controlabilidad entrada-salida. Al
comparar la evaluación que (Van de Wal and De Jager, 2001) hacen en estos dos
criterios de selección, se encuentra que:
- Los métodos basados en controlabilidad y observabilidad de estado se

consideran mejor fundamentados que los basados en controlabilidad
entrada-salida. Esto es de esperarse, la controlabilidad entrada-salida no tiene
por lo menos una definición clara.
- Los métodos basados en controlabilidad entrada-salida son considerados
más cuantitativos que los basados en controlabilidad de estado. En torno a
controlabilidad entrada-salida se han desarrollado diferentes índices que miden
dicha controlabilidad, en controlabilidad de estado se tiene un criterio binario.
Nótese que estos argumentos estaban expuestos previamente en la sección 4.5,

donde se muestran comparativamente las ventajas y desventajas de los dos
conceptos de controlabilidad.
5.6 COMENTARIOS FINALES

En todo el Capítulo 5 se presentó una revisión de las metodologías existentes para
el diseño y selección de estructuras de control. Aquí se discuten los métodos
basados en la RGA y la SVD.
Nótese que en la mayoría de los casos, la RGA se evalúa en estado estacionario

con el modelo G(0), ignorando las dinámicas del sistema y asumiendo que el
proceso siempre opera en estado estacionario. Por esta razón, la RGA también es
evaluada a una frecuencia relevante, en este caso, a la frecuencia de corte del
sistema. Pero la desventaja de este cálculo es que la dinámica del sistema se
engloba en una sola frecuencia, cuando se trata de un sistema multivariable en el
cual los lazos y todas las dinámicas operan a distintas frecuencias. La RGA a la
frecuencia de corte, por ejemplo, ignora el comportamiento de estado estacionario.
En un esfuerzo por generalizar la RGA a todo el rango de frecuencias, se propuso

ERGA (Xiong et al., 2005). Para su cálculo se toma una representación en la cual
la ganancia del sistema es reemplazada por una expresión modificada de la
ganancia: el producto entre la ganancia en estado estacionario y la integral de la
ganancia desde la frecuencia 0 hasta el ancho de banda del pareamiento. Si bien
es muy general, la expresión que reemplaza la ganancia es una versión muy
alterada del modelo que puede dar resultados distorsionados, y por lo tanto, llevar
a pareamientos poco convenientes.
Como un punto importante, vale la pena cuestionar en que medida el método RGA
evalúa la interacción de los pareamientos. Nótese que la RGA solamente
considera la relación de ganancias cuando los demás lazos están abiertos versus
64
___________________________________________________________________________________________________
cuando los demás lazos están cerrados, lo cual es una condición suficiente para
juzgar pareamientos en el caso de un sistema 2x2. No obstante, cuando se tiene
un sistema de orden mayor a 2, el método no tiene en cuenta la ganancia para las
demás combinaciones de lazos abiertos y cerrados, en otras palabras, RGA no
abarca todas las posibilidades. Por este motivo, se concluye que RGA no es un
método lo suficientemente general.
Con respecto a los métodos basados en la SVD, estos presentan una limitación en
común con RGA: la representación o modelo del sistema. Para los métodos aquí
reportados, SVD utiliza la matriz de ganancias en estado estacionario, o el modelo
evaluado a la frecuencia de corte. Hace falta una representación más general del
sistema, tanto para SVD como para RGA.
Por otro lado, los métodos basados en SVD dependen fuertemente de las
unidades de las variables, el AN del modelo del proceso para volver las variables
adimensionales obedece a las restricciones del proceso mismo, pero como no hay
un procedimiento estándar para el AN, los resultados del método SVD pueden
parecer ambiguos (Waller and Waller, 1995). En este sentido, RGA tiene un punto
a favor, como la ganancia relativa es adimensional, todos los métodos basados en
ganancias relativas son independientes del AN.
El método que se propone en esta Tesis busca corregir algunas de las limitaciones
ya mencionadas de los métodos basados en la RGA y la SVD, una de estas es la
representación del sistema, aquí se propone una representación de la planta en el
dominio del tiempo por medio de la matriz de Hankel. En la siguiente sección se
describe en detalle la metodología para diseño de estructuras de control.
65
___________________________________________________________________________________________________
66
___________________________________________________________________________________________________
6 METODOLOGÍA PROPUESTA PARA EL DISEÑO

DE ESTRUCTURAS DE CONTROL
Con la descripción de las múltiples interpretaciones que se le han dado al

concepto de controlabilidad a lo largo de la historia, y las diferentes maneras de
evaluarla haciendo énfasis en la medición de la controlabilidad entrada-salida,
hasta aquí es claro que el diseño y selección de estructuras de control se ha
trabajado bajo un enfoque entrada-salida. Tal es el caso de las herramientas ya
referidas en el Capítulo 5, la RGA y la SVD, que se utilizan específicamente en el
diseño de estructuras de control. En esta sección se presenta una nueva
aproximación para el diseño de estructuras de control basado en la matriz de
Hankel, que tiene en cuenta el comportamiento dinámico del proceso. La
metodología toma algunos elementos del análisis de valores singulares, pero en
este caso la representación del sistema es mucho más genérica y contiene la
información dinámica de la cual carecen los modelos utilizados en aproximaciones
previas.
6.1 MATRIZ DE HANKEL

Considere un sistema discreto SISO (Single Input – Single Output), invariante en
el tiempo descrito por el siguiente modelo en espacio de estados:
x(k + 1) = Ax(k ) + bu (k )
(6.1)
y (k ) = cx(k )
Donde x(k ) ∈ ℜ n . Empíricamente, la matriz de Hankel se define como la respuesta

impulso del sistema, y se calcula a partir de los parámetros de Markov, que son
los valores de la respuesta impulso del sistema y se definen como:
hi = cA i −1b i = 1, 2, ... (6.2)
La matriz de Hankel del sistema (ec. 6.1) está dada por:
67
___________________________________________________________________________________________________
 hi hi +1 L hi + j 
h hi + 2 
H[i, j ] =  
i +1
(6.3)
 M 
 
hi + j hi + 2 j 
Si el sistema es de orden n, la matriz de Hankel H[i, i + r ] es no singular para r ≤ n

y singular para r > n .
Adicionalmente, se puede demostrar que la matriz de Hankel es el producto de las

matrices de observabilidad y controlabilidad:
 c 
 cA 
H=
 M 
[
 b ... A n-2 b A n-1b ] (6.4)
 n −1 
cA 
La matriz de Hankel representa las propiedades entrada-salida del sistema en

términos dinámicos y ha sido ampliamente estudiada en el análisis de sistemas
lineales (Moore, 1981). En particular, los valores singulares de la matriz de Hankel
tienen un significado importante en la teoría de sistemas lineales (Kailath, 1980).
Estos se calculan como la raíz cuadrada de los valores propios de la matriz que
resulta como producto de los gramianos de observabilidad y controlabilidad.
Dentro de las principales aplicaciones del análisis en valores singulares de la
matriz de Hankel, está la reducción de modelos, identificación de sistemas y
diseño de filtros digitales (Sreeman and Zomaya, 1991).
En Van de Wal y De Jager (2001) se considera que los valores singulares de la

matriz de Hankel están asociados a la controlabilidad de estado en un sentido
cuantitativo. Los autores señalan que la controlabilidad y observabilidad de estado
tienen un sentido binario, esto es, la planta exhibe o no la propiedad, y presumen
que los valores singulares de la matriz de Hankel pueden ser un indicador
cuantitativo de la controlabilidad y observabilidad de estado. Como se verá a lo
largo de todo el Capítulo 6, en el presente trabajo se apunta en la misma dirección
para proponer un método que permita seleccionar estructuras de control.
6.2 INTERPRETACIÓN EN TIEMPO DISCRETO DE LA MATRIZ DE

HANKEL
Hasta aquí ya es claro que la matriz de Hankel es el producto de la matriz de
observabilidad y la matriz de controlabilidad. En esta sección se mostrará que el
significado físico de la matriz de Hankel es mucho más claro si se llevan las
variables a tiempo discreto.
68
___________________________________________________________________________________________________
Obtención de la matriz de observabilidad
El sistema representado por la ecuación 4.4 es observable si hay un k finito tal que
el conocimiento de las entradas u (0), u (1),...u (k − 1) y de las salidas
y (0), y (1),... y (k − 1) es suficiente para determinar el estado inicial del sistema. Para
simplificar se asume que u (k ) = 0 y que y (0), y (1),... y (n − 1) son conocidos. De ahí
puede escribirse el siguiente conjunto de ecuaciones:
y (0) = Cx(0)
y (1) = Cx(1) = CA d x(0)
y (2) = Cx(2) = CA d x(0)
2
(6.5)
M
y (n − 1) = Cx(n − 1) = CA d
n−1
x ( 0)
Usando notación vectorial, se obtiene:
 y ( 0)   C 
 y (1)   CA 
 = d 
x ( 0) (6.6)
 M   M 
   n −1 
 y (n − 1) CA d 
La matriz obtenida es la matriz de observabilidad, y representa la relación entre el

estado inicial x(0) y la secuencia de mediciones de la salida y (0), y (1),... y (n − 1) .
Obtención de la matriz de controlabilidad
Considérese nuevamente el sistema representado por la ecuación 4.4. Supóngase

que el estado inicial x(0) está dado. El estado está dado por:
x(1) = A d x(0) + B d u (0)

x(2) = A d x(1) + B d u (1) = A d x(0) + A d B d u (0) + B d u (1)
2
(6.7)
x(3) = A d x(2) + B d u (2) = A d x(0) + A d B d u (0) + A d B d u (1) + B d u (2)
3 2
M M M M M M M
y siguiendo sucesivamente, el estado en el instante n, donde n es el orden del

sistema, está dado por:
x(n) = A d x(0) + A d B d u (0) + A d B d u (1) + ... + B d u (n − 1)

n n -1 n -2
(6.8)
69
___________________________________________________________________________________________________
En notación vectorial, puede expresarse como:
u (n − 1)
 M 
[
x ( n ) = A d x ( 0) + B d
n
... A d
n -2
Bd
n -1
Ad Bd ] 
 u (1) 
 (6.9)
 
 u ( 0) 
La matriz que relaciona la secuencia de entradas pasadas u (n − 1),...u (1), u (0) con
el estado actual x(n) representa la matriz de controlabilidad, nótese que el primer
término de esta expresión (ec. 6.9) es constante.
Obtención de la matriz de Hankel
Nota: Por simplicidad, de aquí en adelante se suprimirá el subíndice d en las

matrices A y B, que indica que la matriz corresponde al sistema discreto.
En la expresión de observabilidad (ec. 6.6) en lugar de evaluar el estado inicial en

0, se evaluará en el instante n:
 y (n)   C 
 y (n + 1)   CA 
 =  x ( n) (6.10)
 M   M 
   n −1 
 y (2n − 1) CA 
Ahora, en esta expresión (ec. 6.10) se reemplaza x(n) de la expresión de la

controlabilidad (ec. 6.9):
 y (n)   C   C  u (n − 1)
 y (n + 1)   CA     M 

 M
=
  M   M 
[
 A n x(0) +  CA  B ... A n -2 B A n -1 B ] 
 u (1) 
 (6.11)
   n −1   n −1   
 y (2n − 1) CA  CA   u ( 0) 
Nótese que el primer término de la expresión (ec. 6.11) es constante, y el segundo

término representa la relación dinámica entre las entradas anteriores al instante n
y las salidas posteriores al instante n. Dicha relación está dada por el producto de
las matrices de observabilidad y controlabilidad, más conocida como la matriz de
Hankel:
70
___________________________________________________________________________________________________
 C 
 CA 
H=
 M 
[
 B ... A n- 2 B A n-1 B ] (6.12)
 n −1 
CA 
Así,
 CB CAB L CA n−1B 
 CAB CA 2 B 
L CA n B 
H= (6.13)
 M M M 
 n −1 n 2n−2 
CA B CA B L CA B 
Si se denomina K al término constante de la ec. 6.11:
 C 
 CA 
K=  A n x ( 0) (6.14)
 M 
 n −1 
CA 
Por lo tanto, de las ecuaciones 6.11, 6.12, 6.13 y 6.14:
 y (n)   CB CAB L CA n−1B  u (n − 1)

 y (n + 1)   CAB CA 2 B L n   
 =  CA B   M +K (6.15)
 M   M M M   u (1) 
   n −1 2n−2   
 y (2n − 1) CA B CA B L CA B   u (0) 
n
 y ( n)  u (n − 1)
 y (n + 1)   M 
 =H  +K (6.16)
 M   u (1) 
   
 y (2n − 1)  u ( 0) 
La ecuación 6.16 muestra claramente que la matriz de Hankel H es una

representación dinámica del sistema, a través la cual se obtiene la secuencia de
respuestas a partir del instante n, y (n), y (n + 1),... y (2n − 1) ante una secuencia de
entradas previas al instante n, u (0), u (1),...u (n − 1) .
Nótese que la matriz de Hankel tiene orden n.l × n.m , donde n es el orden del
sistema, m es el número de entradas y l es el número de salidas. Si el número de
entradas es igual al de salidas, l = m , la matriz de Hankel será una matriz
cuadrada de orden n.m .
71
___________________________________________________________________________________________________
6.3 SELECCIÓN BASADA EN SVD DE LA MATRIZ DE HANKEL

Una vez se dispone de la matriz de Hankel como modelo del sistema, se procede
a desarrollar un análisis de valores singulares que finalmente servirá como criterio
para formar lazos de control realimentados. La SVD de la matriz de Hankel
(sección 6.3.1) y la ponderación dinámica (6.3.2) que se presenta a continuación
puede aplicarse en sistemas no cuadrados, no obstante el criterio de selección
(sección 6.3.3) restringe la metodología a sistemas cuadrados.
El desarrollo analítico del método se ilustra con un sistema de 2 estados, 3

entradas y 3 salidas, con el estado inicial x(0) = 0 . Dicho sistema se puede
representar con la siguiente expresión, donde H es la matriz de Hankel:
 y1 (2)   u1 (1) 
 y ( 2)   u (1) 
 2   2 
 y 3 ( 2)   u 3 (1) 
 ≅H   (6.17)
 y1 (3)   u1 ( 0) 
 y 2 (3)  u 2 (0)
   
 y 3 (3)  u 3 (0) 
Para tal caso se tiene orden n = 2. Nótese que la matriz de Hankel del sistema es
una matriz cuadrada de orden 6x6, y representa la respuesta del sistema en los
instantes k = 2, k = 3 ante el valor de las entradas en los instantes k = 0, k = 1 .
6.3.1 Descomposición SVD de la Matriz de Hankel
Al descomponer la matriz de Hankel en valores singulares:
H = U ΣV T (6.18)
Los vectores columna de U y de V son ortogonales y ortonormales, y la matriz Σ ,

una matriz diagonal que contiene los valores singulares del sistema:
L U 16  σ 1
T
U 11 U 12  V11 V12 L V16 
U U 22 L U 26   σ2  V L V26 
H =  21   21 V22 (6.19)
 M M M  O  M M M 
   
U 61 U 62 L U 66   σ 6  V61 V62 L V66 
El número de vectores singulares es igual al número de valores singulares

considerados para aproximar la matriz original. Aquí por simplicidad, se toma
72
___________________________________________________________________________________________________
únicamente el primer valor singular de la ec. 6.19, de esta manera el sistema

puede expresarse como:
 y1 (2)   U 11    u1 (1) 
 y (2)  U    
 2    21    u 2 (1) 
 y3 (2)   U 31    u 3 (1) 
  ≅   [σ 1 ][V11 V21 V31 V41 V51 V61 ] ⋅   (6.20)
 y1 (3)   U 41    u1 (0) 
 y 2 (3)   U 51   u (0)
      2 
 y 3 (3)   U 61   u 3 (0) 
Al desarrollar completamente la ecuación 6.20, se obtiene un vector en el cual las

salidas están expresadas en función de las entradas y de los valores obtenidos en
la descomposición SVD. En esta expresión es posible visualizar el papel de cada
elemento de los vectores singulares y del valor singular tomado:
 y1 (2)  U 11σ 1 (V11u1 (1) + V21u 2 (1) + V31u 3 (1) + V41u1 (0) + V51u 2 (0) + V61u 3 (0) )
 y (2) U σ (V u (1) + V u (1) + V u (1) + V u (0) + V u (0) + V u (0) )
 2   21 1 11 1 21 2 31 3 41 1 51 2 61 3 
 y3 (2)  U 31σ 1 (V11u1 (1) + V21u 2 (1) + V31u 3 (1) + V41u1 (0) + V51u 2 (0) + V61u 3 (0) )
 ≅  (6.21)
 y1 (3)  U 41σ 1 (V11u1 (1) + V21u 2 (1) + V31u 3 (1) + V41u1 (0) + V51u 2 (0) + V61u 3 (0) )
 y 2 (3)  U 51σ 1 (V11u1 (1) + V21u 2 (1) + V31u 3 (1) + V41u1 (0) + V51u 2 (0) + V61u 3 (0) )
   
 y 3 (3)  U 61σ 1 (V11u1 (1) + V21u 2 (1) + V31u 3 (1) + V41u1 (0) + V51u 2 (0) + V61u 3 (0) )
Nótese que según esta ecuación 6.21, en cada salida no es posible discriminar
una entrada que tenga impacto diferente, en relación a las demás salidas. Esto se
debe a que la expresión que contiene las entradas es la misma para todas las
salidas: (V11u1 (1) + V21u 2 (1) + V31u3 (1) + V41u1 (0) + V51u 2 (0) + V61u3 (0) ) .
Lo único que diferencia a las salidas entre sí son los valores del vector de salida
Ui1. Esto significa que el análisis permite determinar el impacto de cada entrada
sobre todo el proceso, sin discriminar entre las salidas, y este impacto está dado
solamente por el valor de Vj1.
De la misma manera, para cada entrada manipulada no es posible determinar la

salida a la cual más impacta, en relación a las demás entradas. Puesto que las
salidas están ponderadas por un valor Ui1 que multiplica al término que contiene
las entradas. Por lo tanto, sólo es posible determinar a través de los valores de Ui1
el impacto neto de las entradas sobre cada salida.
6.3.2 Ponderación del Efecto Dinámico de Entradas y Salidas
Como el número de variables en el análisis de Hankel para cada entrada y cada

salida es igual al orden del sistema ( n = 2 en este caso), se requiere ponderar el
73
___________________________________________________________________________________________________
impacto dinámico de cada entrada y cada salida. Para ello se propone calcular la
norma del vector correspondiente a cada una de las salidas y entradas, de tal
manera que se estime el efecto global en el tiempo de cada variable.
El efecto en la salida i, α yi , se calcula con base en los vectores de salida Ui1:
α y = U 11 2 + U 41 2
1
α y = U 21 + U 51
2 2
2
(6.22)
α y = U 31 2 + U 61 2
3
El índice α yi da una medida de que tan impactable dinámicamente es la salida i

en el proceso.
De la misma manera, el efecto en la entrada j, α uj , se calcula utilizando los

vectores de entrada Vj1:
α u = V11 2 + V41 2
1
α u = V21 + V51
2 2
2
(6.23)
α u = V31 2 + V61 2
3
El índice α uj da una medida de qué tan impactante dinámicamente es la entrada j

en el proceso.
Para generalizar, en el caso de tomar más de un valor singular, el efecto dinámico

de la variable se calcula teniendo en cuenta el valor singular σ i . Recuérdese que
el número de vectores singulares es igual al número de valores singulares
considerados para aproximar la matriz original, por lo tanto se incluye el valor
singular en el cálculo de la norma:
αy = ∑σ [U 1i + U 4i ]
2 2 2
1 i
i
(6.24)
αu = ∑σ (V j1 + V ji 4 )
2 2 2
1 j
j
Nótese que si se toma un solo valor singular, esta ecuación (ec. 6.24) también es
válida, puesto que al discriminar entre variables, todas están multiplicadas por el
mismo valor singular, lo que no afecta su efecto dinámico.
74
___________________________________________________________________________________________________
De forma aún más genérica, en un sistema con n estados, ny salidas y nu entradas,

puede demostrarse que para la k-ésima variable:
∑ σ ∑ [U ]
 n −1
αy =
k i
2
k + ny* j ,i
2
(6.25)
i  j =0 
∑ σ ∑ [V ]
 n −1
αu =
k i
2
i , k + nu * j
2
(6.26)
i  j =0 
Estas expresiones (ecs. 6.25 y 6.26) representan el impacto dinámico que tiene
cada variable en el proceso. Este cálculo es útil para seleccionar pareamientos
entrada-salida que formen lazos de control realimentados.
6.3.3 Criterio de selección de pareamientos entrada-salida
Con base en una descomposición en valores singulares de la matriz G en estado

estacionario, Moore y colaboradores (Moore et al, 1987) propusieron seleccionar
aquellas entradas y salidas correspondientes a los valores absolutos más altos en
el vector singular, para crear grupos de variables candidatas a formar lazos de
control o pareamientos. Como otra alternativa, propusieron calcular la diferencia
entre los valores absolutos de los vectores singulares y tomar un grupo de salidas
con base en esta diferencia, con el fin de “reducir” la interacción.
Por su parte, la aproximación de Keller y Bonvin (1987) consistió en seleccionar el

conjunto de entradas con el “efecto mas fuerte y ortogonal” sobre las salidas
controladas, este se cuantifica con los valores singulares mas grandes y sus
correspondientes vectores singulares en la matriz B de la descripción de la planta
en espacio de estados.
Retomando estas ideas y las de Cao y Biss (1996), expuestas en detalle en la

sección 5.2.2 d), en este trabajo se propone una regla de selección que forme los
pareamientos tomando las variables con más efecto sobre el proceso. Esto es,
parear la salida más impactada con la entrada más impactante, lo cual se
mide a través del efecto dinámico de las ecuaciones 6.25 y 6.26. Una vez se
eliminan las dos variables del grupo, se seleccionan las de más impacto para
formar un lazo de control. Luego, asumiendo un control perfecto en dicho lazo, se
toman las variables restantes como un nuevo sistema y se recalcula para este la
matriz de Hankel y los ponderadores para generar un nuevo lazo de control.
Nótese que cada vez se forma un nuevo grupo reducido, con dos variables
candidatas menos, las dos variables que ya formaron un lazo de control. De esta
manera se continúan formando pareamientos hasta terminar con todas las
variables del sistema.
75
___________________________________________________________________________________________________
Para proponer esta metodología, se decidió apoyarse en los vectores singulares y

no en los otros criterios de SVD expuestos en 5.2.2. La justificación es que con los
métodos basados en el número de condición, el máximo valor singular y el mínimo
valor singular, no es posible determinar realmente el impacto que tiene cada
variable controlada y manipulada en el sistema. A través de la ponderación de los
valores en los vectores singulares se logró cuantificar el efecto dinámico de
entradas y salidas.
Adicionalmente, nótese que en este caso se propuso una representación más

general del sistema, la matriz de Hankel. El método presentado por (Moore et al,
1987) utiliza una representación en estado estacionario que no tiene en cuenta las
dinámicas del proceso, y el método de Keller y Bonvin (1987) se queda corto
porque sólo selecciona aquellas entradas que afectan los estados y no dice como
seleccionar salidas. Adicionalmente, el método planteado en esta Tesis es directo,
ya que la regla de selección determina directamente como formar los lazos de
control.
Por otro lado, debe aclararse que el método aquí presentado se limita a sistemas
cuadrados, puesto que las variables se parean una a una y para ello se necesita el
mismo número de entradas y salidas.
En cuanto a la metodología desarrollada, es importante tener en cuenta que el

conjunto de variables seleccionado para el pareamiento debe ser estable en lazo
abierto. Garantizar la estabilidad de los pareamientos seleccionados en un sistema
inestable en lazo abierto, está fuera del alcance de este trabajo, en (Cao and Saha,
2005) se presenta un método de diseño de estructuras de control que considera la
estabilidad.
6.4 ESQUEMA DE LA METODOLOGÍA BASADA EN HANKEL

En la Figura 6.1 se presenta un procedimiento paso a paso para aplicar la
metodología propuesta en esta Tesis a cualquier proceso. El procedimiento
comienza con la obtención del modelo continuo en espacio de estados que
representa la planta, posteriormente viene una serie de cálculos basados en el
conocimiento mismo del proceso y por último la aplicación de la metodología.
Debe aclararse que la metodología basada en SVD de Hankel sigue estrictamente
el algoritmo, pero en el procedimiento de obtención del modelo y en las decisiones
heurísticas para el control pueden tenerse otro orden de desarrollo. Por ejemplo
obtener directamente un modelo discreto linealizado para las variables de entrada
y salida de interés, ahorra eliminar las columnas de B y C y la discretización.
76
___________________________________________________________________________________________________
OBTENCIÓN
¿Dispone de Modelo NO
DEL MODELO
Fenomenológico?
Identificación
SI
G (s )
Linealización
L-1(s)
Modelo en x& = A x + B u
Espacio de
y = Cx
estados
DECISIONES Definir un conjunto de

HEURÍSTICAS variables y-u candidatas a
formar lazos de control
PARA EL
CONTROL
Eliminar columnas de B
y filas de C
Acondicionamiento numérico
de B y C de acuerdo a las
especificaciones y restricciones
del proceso
Discretización del modelo
Calcular Hankel
METODOLOGÍA
PROPUESTA
SVD Hankel
PARA DISEÑAR Seleccionar valores
ESTRUCTURAS singulares importantes Eliminar las 2
DE CONTROL variables pareadas
Grupo reducido
Ponderación de efectos y y u de candidatas
Selección del pareamiento

y más impactable - u más impactante
Se forma LAZO DE CONTROL
Figura 6.1 Algoritmo de la metodología basada en la SVD de la matriz de Hankel
77
___________________________________________________________________________________________________
78
___________________________________________________________________________________________________
7 CASO DE ESTUDIO:
PLANTA TENNESSEE EASTMAN
En este Capítulo se presenta la aplicación de la metodología a un problema de la

literatura: la planta Tennessee Eastman (Downs and Vogel, 1993). En la Figura
7.1 se puede visualizar el diagrama de proceso de la planta. La descripción
detallada del proceso, de las variables, de las restricciones, etc. de la planta
Tennessee Eastman (TE) se presenta en el Apéndice A.
Figura 7.1 Diagrama de proceso de la planta Tennessee Eastman (TE)
La metodología basada en SVD de la matriz de Hankel no aplica a sistemas

inestables. Como la planta TE es inestable en lazo abierto se decidió aplicar la
metodología a la planta parcialmente controlada, para lo cual se tomó una
estructura de control ya diseñada en (Larsson et al., 2001). Dado también que el
79
___________________________________________________________________________________________________
objetivo de la Tesis no es sintonizar lazos de control, se optó por tomar como

referencia dicha estructura de control, que presenta un buen desempeño en
seguimiento y regulación.
A lo largo de la sección se presenta una revisión breve de estrategias de control

descentralizado en la planta TE. Se desarrolla el modelo del sistema a analizar y
se aplica la metodología de selección basada en SVD de Hankel. Para contrastar
estos resultados, se calcula RGA en estado estacionario y en un rango de
frecuencias. Al final se presenta un análisis de resultados y comentarios.
7.1 ESTRATEGIAS DE CONTROL DESCENTRALIZADO EN LA

PLANTA TE
Desde su publicación, se han desarrollado diferentes estrategias de control en la
planta TE, que van desde control descentralizado hasta control predictivo. Muchos
autores han propuesto diferentes pareamientos y configuraciones de control, en
algunos casos con criterios heurísticos, otros utilizando herramientas de diseño de
estructuras de control basadas en la controlabilidad entrada-salida. Algunas de las
estrategias de control descentralizado desarrolladas en la planta TE existentes en
la literatura se presentan a continuación:
− McAvoy y Ye (1994) proponen una aproximación para configurar un sistema de

control PID básico en la planta TE. La metodología consistió en explorar
diferentes pareamientos de control y variables manipuladas utilizando técnicas
de estado estacionario, como ganancias relativas y el índice de Niederlinski. Se
diseñó un sistema de control descentralizado basado en múltiples lazos SISO
con controladores PID. En esta estructura se controlaron la temperatura del
reactor, la presión del reactor, el flujo del reciclo, la potencia del compresor, la
concentración de B (inerte) en la purga, y la concentración de E en el flujo del
producto. Mas adelante, en (McAvoy et al., 1995) se propuso una mejora a la
estructura de control descentralizado, la temperatura del reactor se configuró
en cascada con la presión, lo que resultó en un mejor control de presión y en
una operación más óptima del proceso. En McAvoy (1998) se utiliza la
metodología de Arkun y Downs (1990) para calcular la RGA en sistemas
integradores (sección 5.1.2) y con esta selecciona los lazos de control de nivel
en la planta.
− Ricker (1996) desarrolla un sistema de control descentralizado para la planta

TE mediante un procedimiento heurístico de diseño. El procedimiento
comienza por definir las variables controladas con base en los objetivos de
control propuestos originalmente por Downs y Vogel (1993). Para cada variable
controlada propone una configuración de control, las configuraciones
resultantes incluyen control retroalimentado, control por relación, lazos con
anulación y control prealimentado. Luego compara esta estrategia con una
estructura de control predictivo no lineal NMPC previa (Ricker and Lee, 1995)
80
___________________________________________________________________________________________________
en la cual tuvo que incluir lazos de anulación extra para manejar las
restricciones de seguridad, especialmente el no sobrepasar la presión máxima.
Finalmente concluye que no hay muchas diferencias en el desempeño.
− Mas adelante, en (Larsson et al., 2001) se desarrolla una metodología para la

selección de variables controladas en la planta TE. Se emplea el costo
económico para determinar el conjunto de variables, que con los puntos de
ajuste constantes (incluso en presencia de perturbaciones o errores de
implementación) puedan llevar a ajustes óptimos de las variables manipuladas,
y por ende, a las condiciones óptimas de operación. En los resultados se
comparan dos diferentes configuraciones del sistema de control con las
mismas variables controladas. La primera configuración se obtuvo siguiendo la
metodología propuesta por Larsson y Skogestad (2000). La segunda
configuración es una mejora de la primera, que con las modificaciones
realizadas resultó ser muy similar a la de Ricker (1996). Aunque las estructuras
de control resultantes presentan muy buen desempeño, los autores no
muestran una comparación, en términos del costo económico, de su
metodología con otras de la literatura.
En esta Tesis se tomó como base la segunda configuración desarrollada por

Larsson y colaboradores (2001) para probar la metodología propuesta. Se
seleccionó la configuración de Larsson por varias razones. Por un lado porque el
sistema de control presenta un buen desempeño, y por otra parte, porque la
selección de las variables controladas se desarrolló con una metodología
fundamentada en la parte económica (sección 3.2.2.1). La aproximación propuesta
en esta Tesis no considera la parte económica porque se basa en el impacto
dinámico de las variables. En la próxima sección se presenta de forma detallada el
sistema seleccionado y la obtención del modelo que se utilizará para el cálculo de
la matriz de Hankel.
7.2 OBTENCIÓN DEL MODELO

Para poder visualizar claramente la estrategia de control desarrollada por Larsson
y colaboradores (2001), se realizó un esquema de la configuración completa del
sistema de control (Figura 7.2).
En un nivel superior se encuentran los lazos maestros, las variables controladas

fueron seleccionadas por Larsson con criterios económicos, bajo el concepto de
“self-optimizing control” (Morari et al., 1980; Skogestad, 2000). El %G en el
producto, corresponde a la calidad. Dicha variable es controlada mediante una
estructura que combina la retroalimentación y el control prealimentado. El flujo de
producto, o velocidad de producción, se controla mediante el flujo total de alimento,
variable que implícitamente se utiliza para un control de relación con los demás
flujos en la planta. Todos los controladores son PI, no se utiliza el modo derivativo
ya que el modelo original de la planta contiene un ruido de alta frecuencia.
81
___________________________________________________________________________________________________
%G en Flujo de %C en Flujo Presión Tempert Nivel Nivel Nivel

producto reciclo purga producto reactor reactor reactor stripper separad
SP SP SP SP SP SP SP SP SP
PID PID PID PID PID PID PID PID PID
Flujo Total
Alimento
Feedforward
Flujo Tempert Flujo Flujo

Flujo D Flujo E Flujo A Flujo C purga separad stripper separad
SP SP SP SP SP SP SP SP
PID PID PID PID PID PID PID PID
Válvula Válvula Válvula Válvula Válvula Válvula Válv.refrig Válvula Válvula

D E A C purga refriger condens stripper separad
reactor
Figura 7.2. Representación esquemática de la planta TE controlada
7.2.1 Definición del sistema
La metodología se evaluó para dos sistemas SI y SII, cada uno de ellos

correspondiente a niveles jerárquicos diferentes (ver Figura 7.3), el sistema SI
corresponde a variables de nivel superior donde las dinámicas son mas
interactuantes, el sistema SII corresponde a un nivel inferior, donde las dinámicas
son poco interactuantes y operan con una escala de tiempo mucho menor que el
nivel superior. En la Tabla 7.1 se presentan las variables de entrada y salida de
cada sistema.
Sistema SI:
Variables de entrada y de salida correspondientes a un nivel superior en el
cual hay una fuerte interacción entre las variables. La presión y la
temperatura en el reactor, el flujo en la corriente de reciclo y en la corriente
del producto, son variables fuertemente ligadas entre sí.
Sistema SII:
Variables de entrada y de salida correspondientes a un nivel inferior. Para
este sistema se espera que no haya interacción entre los flujos de
alimentación, más si entre el flujo en la purga y los demás flujos. Los
pareamientos son triviales, aquí se probará si la metodología determina
dichos lazos.
82
___________________________________________________________________________________________________
Flujo de %C en Flujo Presión Tempert

%G en reciclo purga producto reactor reactor Nivel Nivel Nivel
producto reactor stripper separad
SP y1 y2 y3 y4 y5 SP SP SP
PID PID PID PID

SI
u1 u2 Flujo Total u3 u4 u5
Alimento
Feedforward
Flujo Tempert Flujo Flujo
Flujo D Flujo E Flujo A Flujo C purga separad stripper separad

reactor
Flujo Tempert Nivel Nivel Nivel

product reactor reactor stripper separad
SP SP SP SP SP
PID PID PID PID PID
Flujo Total
Alimento
Flujo
Flujo D Flujo E Flujo A Flujo C
purga
Tempert Flujo Flujo
y1 y2 y3 y4 y5 separad stripper separad
SP SP SP
S II
PID PID PID
u1 u2 u3 u4 u5
Válv.refrig Válv.refrig Válvula Válvula
Válvula Válvula Válvula Válvula Válvula
reactor condens stripper separad
D E A C purga
Figura 7.3. Sistemas SI y SII de la planta TE parcialmente controlada
83
___________________________________________________________________________________________________
Tabla 7.1. Variables de entrada y salida definidas para los sistemas SI y SII
Salidas Entradas
SI y1: Flujo del reciclo u1 : Flujo de A SP
y2: %C en purga u2 : Flujo de C SP
y3: Flujo de producto u3 : Flujo total de alimentación
y4: Presión del reactor u4 : Flujo de purga SP
y5: Temperatura del reactor u5 : Válvula refrig. Reactor
SII y1: Flujo de D u1 : Válvula de D
y2: Flujo de E u2 : Válvula de E
y3: Flujo de A u3 : Válvula de A
y4: Flujo de C u4 : Válvula de C
y5: Flujo de purga u5 : Válvula de purga
Para obtener el modelo en cada uno de los sistemas, se abrieron los lazos de
control del sistema seleccionado, por lo cual la planta queda parcialmente
controlada. En ambos casos, SI y SII, la planta es estable debido a que los lazos
de control de nivel están cerrados. En el SI no se tomó el %G en el producto
porque dicho lazo genera una estructura mas compleja controlada que incluye
control prealimentado, y esta a su vez utiliza otra variable más para controlar dos
variables. Recuérdese que la metodología propuesta se restringe a sistemas
cuadrados, en los cuales el número de entradas debe ser igual al número de
salidas (sección 6.3.3).
7.2.2 Obtención del modelo lineal en espacio de estados
Todas las simulaciones fueron desarrolladas en Matlab 7.0, el modelo de la planta

TE utilizado es una S-function compilada a partir de un código en C y el entorno de
simulación utilizado fue simulink. El modelo de la planta es continuo, y los
controladores utilizados son PID discretos. Previo a la linealización, se utilizó el
comando TRIM para encontrar exactamente el punto de equilibrio de cada sistema.
La planta TE en lazo abierto contiene 50 estados continuos (Apéndice A), y los

controladores PID discretos aportan cada uno 2 estados más, en este caso,
estados discretos. Por dicha razón, para la obtención del modelo lineal de la planta,
se utilizó el comando DLINMOD, mediante el cual se calcula un modelo discreto
en el espacio de estados del tipo de la ecuación 4.4. Para el sistema SI se tomó
un tiempo de muestreo de 1 hora, correspondiente a la vigésima parte de la
dinámica más rápida de la planta, la temperatura y5. Teniendo en cuenta todos los
estados, continuos y discretos, el sistema SI resultó de orden 74 y el sistema SII
de orden 66.
En ambos casos, para validar los modelos discretos obtenidos, se comparó el

modelo lineal discreto con el modelo original de la planta parcialmente controlada
84
___________________________________________________________________________________________________
visualizando las respuestas ante escalones de 3% en las entradas. Se

encontraron respuestas similares.
7.2.3 Acondicionamiento numérico
Para hacer adimensionales las variables de entrada y de salida, se redefinieron

como la relación entre la variable y su intervalo de variación, lo que implica
multiplicar cada elemento de la matriz B por el intervalo de la entrada
correspondiente a ese elemento y dividir cada elemento de la matriz C entre el
intervalo de la salida que le corresponde, tal como se muestra en las ecuaciones
7.1 y 7.2.
bij = bij * (u j max − u j min ) (7.1)
cij
cij = (7.2)
( yi max − yi min )
Se considera que este tipo de AN es el más apropiado, puesto que el modelo en

espacio de estados es un modelo que relaciona los cambios de las variables, y las
matrices A, B, C y D son el jacobiano del modelo no lineal original. Por lo tanto, se
espera que el valor máximo que tomen las variables de entrada y de salida del
nuevo modelo sea 1, lo cual concuerda con lo deseado para un buen AN (sección
5.3).
Tabla 7.2. Valores máximos y mínimos de las variables para el AN de SI y SII
Sistema SI γ B = 148.7, γ C = 163.5

u1 u2 u3 u4 u5
umax 0.0102 0.140 105 0.0095 100
umin 0 0.08 95 0 0
y1 y2 y3 y4 y5
ymax 44 30 31 3000 125
ymin 20 2 15 2100 120
Sistema SII γ B = 5.8, γ C = 392.6
u1 u2 u3 u4 u5
umax 100 100 100 100 100
umin 0 0 0 0 0
y1 y2 y3 y4 y5
ymax 5811 8354 1.017 15.25 0.1
ymin 0 0 0 0 0
85
___________________________________________________________________________________________________
Los valores máximos y mínimos de las variables manipuladas se tomaron como

los ya establecidos en (Downs and Vogel, 1993). Por su parte, los valores para las
variables de salida se determinaron heurísticamente con base en el conocimiento
del proceso, de acuerdo a los valores máximos y mínimos esperados de cada
variable o según el desempeño deseado. Estos se presentan en la Tabla 7.2.
Adicionalmente, para verificar que en SI y SII las nuevas matrices B y C presentan
un buen condicionamiento numérico, se calculó su número de condición.
Por último, nótese que para los estados no se definieron valores máximos y
mínimos, ya que la matriz de Hankel relaciona la entrada y la salida, y cualquier
operación que se haga sobre los estados se cancelará al calcular la matriz de
Hankel. Por lo tanto, la matriz A no requiere un AN. Recuérdese que cada
elemento de la matriz de Hankel relaciona un instante de tiempo de una entrada
con un instante de tiempo de una salida.
7.3. METODOLOGÍA BASADA EN LA SVD DE LA MATRIZ HANKEL

En ambos sistemas se tomaron los 5 primeros valores singulares de la matriz de
Hankel, equivalentes al 99% de la energía de la matriz en el sistema SII y 95.53%
en SI de acuerdo al cálculo presentado en la ecuación 7.3.
5
∑σ i
ψ = i =1
n.m
(7.3)
∑σ
i =1
i
Donde ψ es la fracción de la energía total del sistema correspondiente a los

valores singulares tomados en consideración.
En SI y SII se calcularon los ponderadores dinámicos provenientes de la

descomposición SVD de la matriz de Hankel. En esta sección se presenta el
procedimiento de formación de lazos de control y de nuevos grupos de variables
candidatas con la ponderación del efecto dinámico.
7.3.1 Sistema SI: Lazos externos
Los valores de los ponderadores dinámicos se presentan en tablas, el primer

grupo de variables candidatas posee 5 entradas y 5 salidas:
y1 y2 y3 y4 y5
αyk 2.7499 11.8423 3.1771 0.8584 84.1768
u1 u2 u3 u4 u5
αuk 8.6374 8.0388 3.6396 12.2865 83.3086
86
___________________________________________________________________________________________________
Nótese que la salida más impactada es y5 que corresponde a la temperatura en el

reactor y la entrada más impactante es u5, la apertura de la válvula de refrigerante
al reactor, aquí se forma el lazo y5 - u5 y se asume que este presenta un
desempeño perfecto. Por lo tanto se tiene un nuevo grupo con 4 entradas y 4
salidas para el cual se recalcula la matriz de Hankel y su descomposición SVD, los
ponderadores de este nuevo grupo son:
y1 y2 y3 y4
αyk 1.5645 3.7738 0.6530 1.1112
u1 u2 u3 u4
αuk 2.0609 2.6271 0.7307 2.5739
En este grupo, la salida más impactada es y2, el %C en la purga, y la entrada más

impactante es u2, el punto de ajuste del controlador de flujo de alimentación de C a
la planta. Se parean entonces y2 - u2, y queda un grupo de 3 variables de entrada
candidatas y 3 variables de salida:
y1 y3 y4
αyk 1.3826 1.0632 1.3962
u1 u3 u4
αuk 1.3105 0.88879 1.6287
De acuerdo al impacto que indican los ponderadores, se forma el lazo de control y4

- u4. Así, la metodología sugiere controlar la presión en el reactor con el punto de
ajuste del controlador del flujo de la purga. Al cerrar este lazo de control, quedan
solo dos pares de variables:
y1 y3
αyk 1.6977 0.9401
u1 u3
αuk 1.6232 1.2063
Evidentemente, en este grupo, las variables y1 y u1 son las de mayor impacto, el

flujo del reciclo y el punto de ajuste del flujo de alimentación de A. Al formar el lazo
de control y1 - u1, queda solo una opción para las variables restantes y3 y u3, las
cuales por descarte formarán el último lazo de control, esto indica que la velocidad
de producción debe controlarse con el flujo total de alimento.
7.3.2 Sistema SII: Lazos internos
Aquí se trata de los lazos de flujo, cuyos pareamientos son triviales desde el punto
de vista heurístico. Primer grupo de variables candidatas:
87
___________________________________________________________________________________________________
y1 y2 y3 y4 y5
αyk 0.92942 0.95083 0.93223 0.67721 12.074
u1 u2 u3 u4 u5
αuk 3.8879 3.6858 1.3202 7.3833 7.9889
Nótese que en este caso la salida más impactada es y5, y su ponderación presenta
una gran diferencia con los valores de las demás variables de salida, lo que indica
que del grupo es la variable más ligada a las demás y en consecuencia, la más
impactable. La entrada más impactante en estos lazos internos es la válvula que
regula el flujo de la purga u5, se forma entonces el lazo y5 - u5. Al eliminar dichas
variables del grupo, las próximas variables candidatas son todos flujos de
alimentación, donde por heurística se sabe que no hay interacción.
y1 y2 y3 y4
αyk 1 1.4142 0.99959 0.99991
u1 u2 u3 u4
αuk 1 1.4142 0.99959 0.99991
Este resultado muestra que para cada variable manipulada y controlada, los
valores de los ponderadores son iguales en cuanto a flujo y su respectiva válvula,
lo que posiblemente indica que no hay interacción alguna entre los diferentes
pares. Siguiendo entonces la regla de pareamiento, se forma el lazo y2 - u2, y se
recalcula Hankel, SVD y los ponderadores para el grupo de variables candidatas
restantes.
y1 y3 y4
αyk 1.4142 1.4139 0.99991
u1 u3 u4
αuk 1.4142 1.4139 0.99991
Al igual que en el caso anterior, todos los ponderadores dieron el mismo resultado
en el flujo y su correspondiente válvula. Según el criterio de pareamiento
propuesto en esta Tesis, se eliminan entonces y1 y u1 para configurar un lazo de
control. Las variables restantes:
y3 y4
αyk 1.7318 1.4142
u3 u4
αuk 1.7318 1.4142
Aquí se configuran entonces los dos últimos lazos de control: y3 - u3, y por descarte
el par y4 - u4 . Nótese que todos los pareamientos formados corresponden a la
solución trivial sacada de la heurística, lo cual indica que la metodología logró
discriminar el mejor pareamiento, determinar y medir la interacción.
88
___________________________________________________________________________________________________
7.4 EVALUACIÓN DE LA RGA

Con el fin de contrastar los resultados de la metodología basada en la matriz de
Hankel, se evalúa la RGA en estado estacionario y en frecuencia.
Para calcular RGA se necesita el modelo en funciones de transferencia en

continuo, esto es, en el dominio de Laplace. El modelo discreto en espacio de
estados se transformó a funciones de transferencia usando el comando TF de
Matlab, con lo que se obtuvo una matriz de funciones de transferencia discretas.
Posteriormente se llevó de variable ‘z’ a variable ‘s’ con el comando D2C.
Por otro lado, para estimar la frecuencia a la cual opera el sistema, se visualizó la
respuesta en lazo cerrado y se tomó esta frecuencia como el inverso del tiempo de
respuesta promedio de las dinámicas. En el sistema SI se estimó una frecuencia
de 0.2 rad/h y en el SII de 60 rad/h. Obviamente el sistema SI opera a una escala
de tiempo mayor (frecuencias bajas) porque está en un nivel superior de la
jerarquía del sistema de control en la planta. El sistema SII opera a una frecuencia
mucho mas alta porque corresponde a los lazos internos que regulan los flujos.
Cuando se calcula la RGA en términos de frecuencia, los valores obtenidos tienen

una parte imaginaria, por lo cual se sugiere seleccionar los pareamientos en los
cuales el número complejo esté lo más cerca posible de 1+0i. Aquí entonces se
evalúa la distancia del valor de la RGA al punto 1+0i, pero se tiene en cuenta
también el valor real de la ganancia relativa para interpretar el comportamiento del
posible pareamiento cuando es negativo.
7.4.1 Sistema SI: Lazos externos
La matriz RGA resultante para el sistema SI en estado estacionario se presenta en

la matriz 7.4. Nótese que los dos pareamientos que mejor se ajustan son y3 - u3 y
y5 - u5, con valores muy cercanos a la unidad, estos pares coinciden con la
metodología. El par y4 - u4 también es sugerido por RGA en estado estacionario
con un valor menos convincente de 1.47. Por otra parte, el par y1 - u1 sólo se
sugiere para la entrada u1, y si se selecciona desde y1, el mejor candidato es u2.
En el caso de y2, la mejor entrada es u1.
 0.59 0.60 0.11 − 0.68 0.3768

 0.50 0.35 − 0.01 0.17 − 0.01

ΛSI(0) =  0.01 − 0.01 1.09 − 0.01 − 0.09 (7.4)
 
− 0.23 − 0.15 0.00 1.47 − 0.09
 0.13 0.21 − 0.20 0.05 0.81
La distancia del punto 1+0i de los valores de RGA en la frecuencia se evaluó de

acuerdo a la ecuación 7.5.
89
___________________________________________________________________________________________________
dist ij = [re(λij ) − 1] 2 + [im(λij ) − 0] 2 (7.5)
A continuación se presenta la matriz RGA y la matriz de distancias en la

frecuencia de corte ωC del SI. En esta última, los pareamientos sugeridos
corresponden a los valores más cercanos a cero.
− 0.67 − 0.01i − 0.34 − 0.11i 0.02 − 0.02i 0.42 + 0.04i 0.36 − 0.22i 
− 0.33 − 0.13i − 0.44 − 0.13i 0.00 + 0.00i − 0.13 + 0.01i 0.06 − 0.01i 

ΛSI(iωC) =  − 0.01 − 0.02i 0.01 + 0.04i 1.03 − 0.43i 0.02 + 0.05i − 0.14 − 0.09i 
 
 0.14 − 0.13i − 0.01 + 0.03i 0.12 − 0.14i − 1.34 − 0.16i − 0.37 + 0.13i 
 0.08 − 0.08i − 0.13 − 0.26i − 0.10 + 0.40i − 0.01 − 0.06i 0.85 − 0.22i 
(7.6)
1.67 1.34 0.98 0.59 0.68

1.34 1.45 1.00 1.13 0.94

DISTSI (iωC) = 1.00 0.99 0.43 0.98 1.14 (7.7)
 
0.87 1.00 0.89 2.34 1.38
0.92 1.16 1.17 1.01 0.27 
En la frecuencia de corte, la RGA y la distancia, indican dos de los pareamientos

determinados por la metodología propuesta, y3 - u3 y y5 - u5,. Sin embargo en los
demás casos se sugieren otros pareamientos, por ejemplo para y4, se sugiere la
entrada u1. Para y2, la entrada que mejor ajusta es u5, pero como ya está
seleccionada para y5, debe buscarse otra opción y según estos resultados su
segundo mejor par es u3. Por último, para y1 la mejor entrada es u4.
Para considerar los pareamientos más convenientes en todo el rango de

frecuencias del sistema, desde cero hasta la frecuencia de corte, se graficó la
parte real de la ganancia relativa y la distancia del punto 1+0i contra la frecuencia
para cada par seleccionado con el método SVD de Hankel. Estos resultados se
presentan en las Figuras 7.4 a 7.6.
Nótese que para los pares y1 - u1, y2 - u2 y y4 - u4 (Figuras 7.4, 7.5 y 7.6), a medida
que aumenta la frecuencia, según el método RGA se hace menos favorable formar
un lazo de control. En estado estacionario (frecuencia cero) el valor real de la
ganancia relativa es aceptable, pero a medida que aumenta la frecuencia esta
toma valores negativos, según el método RGA (sección 5.1.1), un valor negativo
de RGA puede generar inestabilidad. También se observa que el valor de la
distancia de la ganancia relativa se aleja del valor deseado que es cero a medida
que aumenta la frecuencia. Particularmente en el caso de y4 - u4, en estado
estacionario el valor de la ganancia relativa es mayor que uno y a medida que
aumenta la frecuencia este valor disminuye, pasando por el valor deseado que es
90
___________________________________________________________________________________________________
uno. No obstante en la frecuencia de corte este ya toma un valor negativo, y la

distancia del punto deseado está por encima de 2, la cual es demasiado alta. El
método RGA indica entonces que el lazo y4 - u4 es poco conveniente.
RGA real Y1-U1

0.5
-0.5
-1
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
2
Dist. [RGA1 - 1+0j]
1.5
0.5
0
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
frecuencia rad/h

frecuencias para el par y1 - u1 del SI
0.4
0.2
2
U-
2 0
Y
l
a -0.2
er
A
G -0.4
R
-0.6
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
1.6
]j 1.4
0
+
1 1.2
-
2
A 1
G
R[
t. 0.8
si
D
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
frecuencia rad/h

91
___________________________________________________________________________________________________
4 1
U-
4
Y 0
l
a
er
A -1
G
R
-2
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
2.5
]j 2
0
+
1 1.5
4
A
G 1
R[
.t 0.5
si
D
0
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
frecuencia rad/h

Para los pares y3 - u3 y y5 - u5 (Figuras 7.7 y 7.8), la RGA en la frecuencia indica

mejores lazos de control que en los demás casos, el valor real de la ganancia
relativa permanece cercano a uno en todas las frecuencias evaluadas. En el caso
de y3 - u3, la distancia del punto 1+0i, si bien aumenta con la frecuencia, es un
valor pequeño que sigue siendo cercano a cero. En y5 - u5 la distancia presenta un
mínimo, correspondiente a la frecuencia en la cual es mucho más recomendable
poner a operar este lazo, sin embargo para todo el rango de frecuencias la
distancia de la ganancia relativa al punto 1+0i es pequeña, lo cual indica un buen
lazo de control sin importar cual sea la frecuencia en que opere dentro del
intervalo evaluado. Por lo tanto, estos pareamientos y3 - u3 y y5 - u5 están
sugeridos por el método RGA.
92
___________________________________________________________________________________________________
1.15
3
U- 1.1
3
Y
l
a
er 1.05
A
G
R
1
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0.5
]j 0.4
0
+
1 0.3
3
A
G 0.2
R[
t. 0.1
si
D
0
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
frecuencia rad/h

0.88
RGA real Y5-U5
0.86
0.84
0.82
0.8
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
0.35
0.3
Dist. [RGA5 1+0j]
0.25
0.2
0.15
0.1
0 0.02 0.04 0.06 0.08 0.1 0.12 0.14 0.16 0.18 0.2
frecuencia rad/h

93
___________________________________________________________________________________________________
7.4.2 Sistema SII: Lazos internos
La matriz RGA resultante para el sistema SII en estado estacionario se presenta

en la ecuación 7.8. Es indiscutible que los pareamientos sugeridos por la RGA en
cero corresponden a los determinados con el método SVD de Hankel. La matriz
RGA y la matriz de distancias de 1+0i en la frecuencia de corte ωC del SII
(ecuaciones 7.9 y 7.10), también indican también que los mejores pareamientos
son los diagonales. La menor distancia a 1+0i en la frecuencia de corte,
corresponde a los elementos diagonales seleccionados con la metodología aquí
propuesta.
1 0 0 0 0
0 1 0 0 0

ΛSII (0) = 0 0 1 0 0 (7.8)
 
0 0 0 1 0
0 0 0 0 1
0.81 − 0.58i 0 0 0 0
 0 0.81 − 0.58i 0 0 0

ΛSII (iωC) =  0 0 0.81 − 0.58i 0 0
 
 0 0 0 0.81 − 0.58i 0
 0 0 0 0 0.81 − 0.58i 
(7.9)
0.61 1 1 1 1
 1 0.61 1 1 1

DISTSII (iωC) =  1 1 0.61 1 1 (7.10)
 
 1 1 1 0.61 1
 1 1 1 1 0.61
En las Figuras 7.9 a 7.13, se presentan gráficas de la parte real del valor de la
ganancia relativa y de la distancia del valor de RGA al punto 1+0i versus la
frecuencia, para los pares diagonales. En todos los casos se visualiza una alta
sensibilidad a la frecuencia, los 5 pares presentan un mínimo de ganancia relativa
entre 30 y 35 rad/h, para los cuales el valor de la ganancia relativa es negativo y
por ende no se sugeriría armar estos lazos de control. De la misma manera, la
distancia del valor 1+0i, presenta un máximo de 2 en todos los casos.
Casualmente, el valor de la ganancia relativa a la frecuencia de corte es apropiado
para formar los lazos de control, por lo cual evaluando únicamente a la frecuencia
cero y la frecuencia de corte se llevaría a parear las variables en las diagonales.
94
___________________________________________________________________________________________________
RGA real Y1-U1

0.5
-0.5
-1
0 10 20 30 40 50 60
2
Dist. [RGA1 - 1+0j]
1.5
0.5
0
0 10 20 30 40 50 60
frecuencia rad/h

frecuencias para el par y1 - u1 del SII
1
RGA real Y2-U2
0.5
-0.5
-1
0 10 20 30 40 50 60
2
Dist. [RGA2 - 1+0j]
1.5
0.5
0
0 10 20 30 40 50 60
frecuencia rad/h

95
___________________________________________________________________________________________________
RGA real Y3-U3

0.5
-0.5
-1
0 10 20 30 40 50 60
2
Dist. [RGA3 1+0j]
1.5
0.5
0
0 10 20 30 40 50 60
frecuencia rad/h

1
RGA real Y4-U4
0.5
-0.5
-1
0 10 20 30 40 50 60
2
Dist. [RGA4 1+0j]
1.5
0.5
0
0 10 20 30 40 50 60
frecuencia rad/h

96
___________________________________________________________________________________________________
RGA real Y5-U5

0.5
-0.5
-1
0 10 20 30 40 50 60
2
Dist. [RGA5 1+0j]
1.5
0.5
0
0 10 20 30 40 50 60
frecuencia rad/h

7.5 ANÁLISIS Y DISCUSIÓN DE RESULTADOS
Tanto para el sistema SI como para el sistema SII, con la metodología basada en
SVD de la matriz de Hankel se obtuvo la misma estructura de control propuesta
por Larsson y colaboradores (2001), lo cual muestra que el método no llevó a
pareamientos erróneos o inconvenientes. De acuerdo a la denominación de las
variables, estos pareamientos son diagonales. El cálculo de la RGA se hizo con el
fin de comparar y contrastar los resultados.
En el sistema SI, la RGA en estado estacionario y a la frecuencia de corte sugiere

parear las variables y3 - u3 y y5 - u5. El par y4 - u4 también se indica en la RGA en
estado estacionario aunque el valor es muy alto (1.47), lo que significa que para
este lazo la interacción con otros lazos reducirá el efecto de la acción de control
sobre la salida. Por su parte, para las variables y1, y2, u1 y u2, los pareamientos
sugeridos por los valores de la RGA en estado estacionario son confusos. A la
frecuencia de corte, los valores reales de la RGA para los pareamientos y1 - u1, y2 -
u2, y y4 - u4 son negativos, lo que indica que para cada lazo, al cerrar los demás
lazos, el sistema se vería sometido a una realimentación positiva y por ende
serían inestables, principalmente para el caso de y4 - u4 que presenta la mayor
distancia del punto 1+0i. A la frecuencia de corte, la RGA sugiere parear y1 con u4
y3 con u1 y y2 con u5. Nótese además que al visualizar las gráficas para el intervalo
de frecuencias, también se sugieren los pareamientos y3 - u3 y y5 - u5, mientras que
97
___________________________________________________________________________________________________
para y1 - u1, y2 - u2 y y4 - u4 los lazos de control son menos recomendables a

medida que se aumenta la frecuencia.
Desde el punto de vista heurístico, es evidente que para controlar la velocidad de

producción y3, la mejor variable a utilizar es el flujo total de alimento u3, puesto que
todos los flujos tienen incluida u3 en un control por relación. También es
indiscutible que la válvula que regula el flujo de refrigerante del reactor u5 debe
usarse para controlar la temperatura y5. RGA siempre mostró favorabilidad hacia
estos dos lazos, y por su parte, el método propuesto en esta Tesis formó estos
lazos en el primer cálculo para y5 - u5 y en el último por descarte para y3 - u3. Los
otros 3 lazos de control no son tan triviales heurísticamente, desde RGA no se
juzgarían convenientes, pero la metodología basada en Hankel si los determinó.
Puede decirse entonces que para estos 3 lazos el método RGA falló, estos no
presentan ni inhibición en la acción de control, ni realimentación positiva, ni mucho
menos inestabilidad.
En el sistema SII, la RGA en estado estacionario y evaluada a la frecuencia de

corte dio los resultados esperados heurísticamente, que a su vez son los mismos
pareamientos determinados por la metodología propuesta en esta Tesis. No
obstante se encontró que al graficar la RGA en frecuencia hay una alta
sensibilidad, para las frecuencias intermedias el valor real de RGA fue negativo, lo
que indica que al cerrar otros lazos, la variable controlada del lazo que se está
evaluando puede ser inestable, lo cual es indiscutiblemente falso desde el punto
de vista heurístico. Los lazos de flujo son mutuamente independientes, excepto el
flujo de la purga y5 que si se afecta con cualquiera de las demás válvulas, aunque
en menor grado si se le compara con los demás flujos.
Nótese además que los resultados de la ponderación dinámica en el sistema SII

indican claramente que cuando no se presentan discrepancias entre los
ponderadores de cada futuro pareamiento, el sistema no presenta interacción.
Esto se pudo ver después de formar el primer pareamiento de la purga y5 - u5 y
eliminarlo del grupo de variables candidatas. Las variables restantes corresponden
a flujos de alimentación, que obviamente no presentan interacción alguna.
También cabe señalar que las restricciones físicas y las especificaciones de

desempeño del proceso influyen fuertemente en los resultados del método aquí
propuesto. Estas restricciones y especificaciones se introducen como valores
máximos y mínimos en el AN de las matrices B y C de la descripción en espacio
de estados de la planta. Puede pensarse que el haber obtenido los mismos
resultados de la estructura propuesta en (Larsson et al., 2001), se atribuye al
hecho de que la planta parcialmente controlada se tomó de esta estructura, esto
es, los lazos de control, los parámetros de los controladores y los requerimientos
de desempeño de las variables controladas, asimismo como las restricciones en
las acciones de control. Los valores tomados para desarrollar el AN se definieron
teniendo en cuenta los factores ya mencionados.
98
___________________________________________________________________________________________________
Por último debe aclararse que los lazos diagonales de la estructura de (Larsson et
al., 2001) y que se determinaron con la metodología aquí propuesta, no son la
única opción de pareamiento, pueden probarse también los lazos indicados con el
método RGA.
99
___________________________________________________________________________________________________
100
___________________________________________________________________________________________________
8 CONCLUSIONES Y TRABAJOS FUTUROS
1. En esta Tesis titulada “Metodología para el Diseño de Control Total de Planta”

se presentó una metodología para el diseño de estructuras de control basada en la
descomposición SVD de la matriz de Hankel. La metodología busca medir el
impacto dinámico de las variables de entrada y de salida, y a partir de dicha
medición se formuló una regla de selección de lazos de control retroalimentados.
En síntesis, el desarrollo de la Tesis consistió en: En la Parte I se presentaron
todos los aspectos que definen al Control Total de Planta, su surgimiento, su
definición y los trabajos previos de la literatura. En la Segunda Parte se formula la
metodología basada en la controlabilidad para diseñar estructuras de control,
como una aproximación al Control Total de Planta. Se definió la controlabilidad, se
presentaron las dos herramientas más comunes para seleccionar estructuras de
control: ganancias relativas y valores singulares. Posteriormente se formuló una
metodología basada en la matriz de Hankel, una representación en el dominio del
tiempo del comportamiento dinámico entrada-salida, para hacer una ponderación
del efecto dinámico de las entradas y las salidas utilizando una descomposición
SVD de dicha matriz. Con base en los ponderadores dinámicos, se planteó una
regla de selección de pareamientos. El método se probó en la planta Tennessee
Eastman parcialmente controlada, en un nivel superior de la jerarquía y en un nivel
inferior. Estos resultados se compararon con el método de ganancias relativas en
estado estacionario y en la frecuencia. La metodología resultó fácil de comprender
y directa para su utilización, nótese que el esfuerzo se concentra principalmente
en el modelo.
2. Se considera que los principales aportes de esta Tesis están en:
- Controlabilidad: Se hizo una aclaración del concepto de controlabilidad, que

se ha trabajado con dos enfoques: la controlabilidad de Estado y la
Controlabilidad Entrada-Salida. Quedó claro que la Controlabilidad de Estado
es útil para evaluar la controlabilidad de un sistema, sin embargo no permite
medir cuan controlable es un proceso y por ende no permite discriminar
estructuras de control para decidir cual es la mejor configuración de lazos de
control. La Controlabilidad Entrada-Salida aunque es un concepto ambiguo y
se han propuesto diferentes mediciones de la misma, proporciona una
cuantificación de la controlabilidad de la planta y a partir de ahí discriminar
101
___________________________________________________________________________________________________
estructuras de control. La metodología propuesta en esta Tesis buscó nutrirse

de los dos enfoques de la controlabilidad y las herramientas asociadas a esta.
Más que definir nuevamente la controlabilidad, se tomaron diferentes
elementos que permitieran proponer una metodología de selección de
- Representación del sistema: Las otras mediciones de Controlabilidad

Entrada-Salida fallan en la representación del sistema que utilizan, la matriz
G en el dominio de Laplace requiere una evaluación puntual del valor de ‘s’,
generalmente se evalúa en estado estacionario (s=0) o en alguna frecuencia
relevante, por ejemplo la frecuencia de corte. Estas mediciones no son lo
suficientemente confiables puesto que ignoran las dinámicas del sistema
cuando se evalúan en estado estacionario, o engloban todas las dinámicas
en una sola frecuencia. La metodología propuesta en esta Tesis utiliza como
representación del sistema la matriz de Hankel. Esta matriz contiene
información del impacto dinámico de las entradas sobre las salidas. Frente a
la representación G, la matriz de Hankel es mucho más general porque es en
el dominio del tiempo, no tiene que evaluarse en un determinado valor, y a su
vez contiene las dinámicas del proceso. En síntesis, Hankel es mejor
representación que G(0) porque tiene en cuenta el comportamiento dinámico,
es mejor que G(iωC) porque no engloba las dinámicas en una sola frecuencia.
Una ventaja frente a la representación en espacio de estados es que es una
sola matriz y no tres.
- Ponderación dinámica de las variables: Partiendo de la descomposición

SVD de la matriz de Hankel, se propuso ponderar el efecto dinámico de cada
una de las variables, de entrada y de salida, calculando la norma de los
vectores singulares con sus respectivos valores singulares. Con esta norma
se cuantifica que tan “impactable” es una salida frente a las demás entradas y
cuan “impactante” es una entrada para todas las salidas del sistema.
3. Si bien la metodología propuesta dio buenos resultados en el caso de estudio

presentado, debe comentarse cuales son sus principales limitaciones:
- Según la regla de selección, solo se pueden parear lazos de una entrada y

una salida, por lo cual el método se restringe a sistemas cuadrados, en los
cuales el número de entradas sea igual al número de salidas.
- La metodología formulada no tiene en cuenta la estabilidad del sistema, lo

cual obliga a seleccionar variables candidatas en un sistema estable o ya
estabilizado, en este trabajo se tomó la planta Tennessee Eastman
parcialmente controlada, puesto que es inestable en lazo abierto.
- Como la matriz de Hankel es una representación discreta del sistema, las

constantes de tiempo de las dinámicas de la planta no deben ser muy
diferentes. En un sistema con rigidez numérica (stiffness en inglés) la matriz
102
___________________________________________________________________________________________________
de Hankel carecería de información de alguna o varias dinámicas de la planta,

y por ende, no sería una buena representación del sistema.
4. En relación al cumplimiento de los objetivos, se concluye lo siguiente:
OBJETIVO GENERAL
Proponer una metodología basada en el concepto de controlabilidad que permita

diseñar y seleccionar estructuras de control total de planta.
Se trabajó el concepto de controlabilidad y se encontró que no existe una

definición unánime en la literatura, pero se llegó a la conclusión de que:
- Por un lado, la controlabilidad entrada-salida proporciona técnicas de

selección de estructuras de control, pero falla en las representaciones que
utiliza del proceso, la mayoria utiliza la matriz G en estado estacionario o en
la frecuencia de corte del sistema. En ambos casos se ignoran las
dinámicas.
- La controlabilidad de estado, por su parte, es bastante rigurosa en su
fundamento. Sin embargo tiene varias limitaciones, entre las cuales está el
no medir la controlabilidad, sino evaluarla en un sentido binario (si o no).
Asociada a esta limitación, está el no poder evaluar diferentes posibles
configuraciones de control
En esta Tesis se presentó una metodología para la selección de estructuras de

control haciendo uso de la controlabilidad de estado, de la observabilidad y de la
controlabilidad entrada-salida. El método de selección está basado en un análisis
SVD, una medición bajo el enfoque de la controlabilidad entrada-salida, y el
modelo utilizado para desarrollar tal análisis, la matriz de Hankel, está construido a
partir de la matriz de controlabilidad y la matriz de observabilidad.
OBJETIVOS ESPECÍFICOS
- Explorar las relaciones entre el concepto de controlabilidad y la matriz de

ganancias relativas.
Tal como se describió en la sección 5.1, el concepto de controlabilidad entrada-

salida está estrechamente ligado al método de ganancias relativas. RGA
permite estudiar propiedades entrada-salida de un sistema, lo que indica que
está en consonancia con la controlabilidad entrada-salida.
- Plantear una métrica que permita discriminar y evaluar diferentes

configuraciones del sistema de control desde el punto de vista de la
controlabilidad.
La métrica propuesta cuantifica el efecto dinámico de las entradas y de las

salidas sobre todo el sistema por medio de los ponderadores dinámicos
103
___________________________________________________________________________________________________
(sección 6.3.2). Dicho efecto dinámico es el efecto mismo de los estados, por
lo tanto cuando no hay acoplamiento no hay estados relacionados entre sí. Es
por esto que la medición con ponderadores es capaz de discriminar cuando el
conjunto de variables candidatas seleccionadas no presenta interacción. En los
resultados del caso de estudio para el sistema SII (sección 7.3.2), compuesto
por variables de flujo independientes, se observó que cuando se tienen
ponderaciones similares por pares entrada-salida, evidentemente no hay
interacción.
- Establecer un procedimiento para diseñar estructuras de control como una

aproximación al control total de planta.
Es claro que para hacer control total de planta se comienza por determinar las
variables controladas. Como en la planta se configuran los lazos en cascada,
estas variables corresponden a aquellas que no serán manipuladas por ningún
lazo de control, es decir, las variables controladas de los lazos externos. Para
el caso de estudio aquí utilizado, estas se tomaron de una metodología basada
en optimización económica (Larsson et al, 2001). Posteriormente viene el cómo
configurar lazos de control, para lo cual hay diversas metodologías basadas en
conocimiento heurístico. En este caso se tomó un esquema ya desarrollado
para la planta TE. El aporte del trabajo es el cómo parear las variables entrada-
salida de acuerdo al impacto dinámico que tiene cada una de ellas en el
proceso, el método se probó en dos niveles diferentes de la jerarquía del
sistema de control en una planta.
- Comparar el criterio de controlabilidad y ganancias relativas con otros

criterios económicos.
El criterio propuesto en este trabajo tiene un objetivo similar al criterio de

ganancias relativas, que es obtener estructuras de control dado previamente
un conjunto de variables. En este trabajo, el criterio económico se utilizó para
determinar las variables controladas (Larsson et al, 2001), que es un paso
previo al diseño de estructuras de control. Por otro lado, en el Apéndice B se
desarrolló una estrategia de control MPC que utiliza un optimizador económico
en línea. Esto muestra que los criterios económicos no intervienen en la
metodología propuesta para la configuración del sistema de control.
5. Esta Tesis deja algunas inquietudes y varias puntas abiertas, aquí se proponen
como trabajos a futuro:
- Tratar de extender el método con una representación de Hankel en continuo

para ahondar en el significado de la misma desde el punto de vista de la
controlabilidad entrada-salida. Para ello debería estudiarse la manera de
desarrollar una representación de Hankel en continuo con una interpretación
clara en cuanto a la relación entrada-salida, que no implique la discretización
del modelo en espacio de estados, ya que al discretizar se puede perder
104
___________________________________________________________________________________________________
información valiosa, especialmente en sistemas con muchas dinámicas con

diferentes constantes de tiempo.
- El método propone ponderar el efecto dinámico de cada variable sobre la

planta, esto es, combina el efecto temporal y el efecto de ganancia. Sería
interesante diferenciar cada efecto, plantear una ponderación de la velocidad
de cada variable midiendo la diferencia entre los vectores singulares en el
tiempo y buscar la manera de discriminar por separado el efecto de la ganancia
y del tiempo. De esta manera podrían determinarse pareamientos con criterios
basados en la velocidad de la respuesta deseada.
- El criterio de selección propuesto en esta Tesis puede parecer heurístico e

intuitivo, sin embargo los resultados obtenidos en simulación fueron muy
satisfactorios, incluso mostró sus ventajas frente al método tradicional RGA y al
cálculo de RGA en un rango de frecuencias. En un trabajo próximo, debería
demostrarse analíticamente el porqué el criterio de pareamiento es correcto y
lleva a lazos de control con buen desempeño, para explicar y justificar
completamente el criterio. Adicionalmente, el AN es un paso importante en la
metodología. La selección de los valores máximos y mínimos establecidos para
las variables es de mucha trascendencia en la escogencia del pareamiento
final. Precisamente ahí debe hacerse mayor énfasis, porque dichos valores
límites de operación en el proceso se definen con base en el desempeño
deseado del sistema de control y en las restricciones de un proceso que ya
está diseñado. Otra opción sería buscar otros casos de estudio sobre los
cuales implementar esta metodología.
- El trabajo aquí presentado muestra la determinación de pareamientos entrada-

salida cuando los parámetros del sistema están fijos. En un trabajo a futuro
debería estudiarse si se mantienen los mismos pareamientos entrada-salida al
variar los parámetros del sistema, tales como el punto de operación y las
restricciones del proceso.
105
___________________________________________________________________________________________________
106
___________________________________________________________________________________________________
REFERENCIAS BIBLIOGRÁFICAS
Albertos, P. and Sala, A. (2004). Multivariable Control Systems: An Engineering

Approach. Springer – Verlag London.
Arkun, Y. and J. Downs (1990). A general method to calculate input-output gains

and the relative gain array for integrating processes. Computers chem. Engng
26, 1101–1110.
Bristol, E.H. (1966). On a new measure of interaction for multivariable process

control. IEEE Trans. on automatic control. pp. 133-134.
Buckley, P.S. (1964). Techniques of Process control. Chap 13. John Wiley and
Sons.
Cao, Y. (1995). Control Structure Selection for Chemical Processes Using Input-
Output ControllabilityAnalysis. PhD thesis. University of Exeter.
Cao, Y., and Biss, D. (1996). New screening techniques for choosing manipulated
variables. Proceedings of IFAC World Congress. vol. M (pp. 103-108).
Cao, Y. and Saha, P. (2005). Improved branch and bound method for control
structure screening. Chemical Engineering Science 60. 1555 – 1564.
Douglas, J.M. (1988). Conceptual Design of Chemical Processes. McGraw-Hill.
Downs, J.J. and E.F. Vogel (1993). A plant-wide industrial process control problem.
Computers chem. Engng. 17, 245–255.
Fisher, W.R., Doherty, M.F. and Douglas, J.M. (1988). The interface between
design and control. Ind. Eng. Chem. Res. 27 (4).
Foss, C.S. (1973). Critique of chemical process control theory. AIChE Journal
19(2), 209 - 214.
107
___________________________________________________________________________________________________
Grosdidier, P. and M. Morari (1985). Closed-loop properties from steady-state gain

information. Ind. Eng. Chem. Fundam. 24 (2), 221–235.
Gross, F., E. Baumann, A. Geser, D.W.T. Rippin and L. Lang (1998). Modelling,
simulation and controllability analysis of an industrial heat-integrated
distillation process. Computers. chem. Engng. 22 (1), 223–237.
Häggblom, K.E. and K.V. Waller (1988). Transformations and consistency relations
of distillation control structures. AIChE J. 34(10), 1634–1648.
Havre, K., Morud, J., & Skogestad, S. (1996). Selection of feedback variables for
implementing optimizing control schemes. Proceedings of UKACC
International Conference on CONTROL, vol. 1 (pp. 491-496).
Havre, K. (1998). Studies on controllability analysis and control structure design.

PhD thesis. NTNU Trondheim.
Holt, B. R. and Morari, M. (1985). Design of resilient processing plants VI — The

effect of right plane zeros on dynamic resilience, Chemical Engineering
Science 40, 59–74.
Jorgensen, S.B., Gani, R. and Andersen, T.R. (1998). Towards integration and
controllability into plant design. Internal Report. CAPE-Center, Department of
Chemical Engineering, Technical University of Denmark.
Kailath, T. (1980). Linear systems. Prentice Hall, NJ.
Kalman, R.E. (1960) On the General theory of control systems. In proceedings.

First IFAC congress, 1, 481-492. Moscow.
Kalman, R.E (1960b). A new approach to linear filtering and prediction problems.
Trans. ASME-Journal of Basic Engineering, 82, 35-45.
Keller, J. P., and Bonvin, D. (1987). Selection of inputs for the purpose of model
reduction and controller design. Proceedings of IFAC World Congres. pp.
209-214.
Klema, V.C. and Laub, A.J. (1980). The singular value decomposition: Its
computation and some applications. IEEE Trans. Aut. Cont. 25, 164-175.
Larsson, T. (2000). Studies on Plantwide Control. PhD Thesis. Norwegian

University of Science and Technology. Trondheim.
Larsson, T., and Skogestad, S. (2000) Plantwide control: A review and a new
design procedure. Modeling, Identification and Control. 21.
108
___________________________________________________________________________________________________
Larsson, T., Hestetun, K., Hovland, E and Skogestad, S. (2001). Self-optimizing

control of a large scale plant: the Tennessee Eastman Process. Ind. Eng.
Chem. Res. 40.
Lee, J.H. and M. Morari (1991). Robust measurements selection. Automatica 27(3),
519–527.
Ljung, L. (1987). System Identification - Theory for the User. Prentice-Hall.
Luyben,W.L. (1988). The concept of eigenstructure in process control. Ind. Eng.

Chem. Res. 27(4), 206–208.
Luyben, W.L. (1994). Snowball effect in reactor/separador processes with recycle.

Ind. Eng. Chem. Res. 33 (2).
Luyben, M.L., Tyreus, B.D. and Luyben, W.L. (1997). Plantwide control design
procedure. AICHE journal 43 (12).
Luyben,W.L. (1975). Steady-state energy conservation aspects of distillation

column control system design. Ind. Eng. Chem. Fundam. 14(4), 321–325.
Marcos, A. (2001). Diseño de una estructura de control para plantas químicas.

Beca I+D Repsol-YPF. ETSII-UPM.
Marlin, T.E. and A.N. Hrymak (1997). Real-time operations optimization of

continuous processes. In: CPC-5. Vol. 93 of AIChE Symposium Series. pp.
156–164.
Martens, H. (1989). Multivariate calibration. Wiley.
McAvoy, T. J. (1983). Interaction Analysis - Principles and Applications. ISA.
McAvoy, T. J. (1998). A methodology for screening level control structures in

plantwide control systems. Computers. Chem. Engng 22 (11), 1543–1552.
McAvoy, T.J. (1999). Synthesis of plantwide control systems using optimization.

Ind. Eng.Chem. Res. 38 (8), 2984–2994.
McAvoy, T.J., Arkun, Y, Chen, R., Robinson, D. and Schnelle, P.D. (2003). A new
approach to defining a dynamic relative gain. Control Eng. Practice 11, 907–
914.
McAvoy, T.J. and Braatz, R.D. (2003). Controllability of processes with large
singular values. Ind. Eng. Chem. Res. 42, 6155-6165.
109
___________________________________________________________________________________________________
McAvoy, T.J. and Miller, R. (1999). Incorporating Integrating Variables into Steady-
State Models for Plantwide Control Analysis and Design. Ind. Eng. Chem. Res.
38, 412-420
McAvoy, T., Ye, N. and Gang, C. (1995). An improved base control for the
Tennessee Eastman Problem. American Control Conference, Seatle
Washington.
McAvoy, T.J. and Ye, N. (1994). Base control for the Tennessee Eastman problem.
Computers chem. Engng. 18 (5), 383–413.
Mizoguchi, A., T.E. Marlin and A.N. Hrymak (1995). Operations opimization and
control design for a petroleum distillation process. Canadian J. of Chem.
Engng. 73, 896–907.
Moore, B. C. (1981). Principal component analysis in linear systems: Controllability,

observability, and model reduction. IEEE Transactions on Automatic Control,
26(1), 17-32.
Moore, C., Hackney, J., and Carter, D. (1987). Selecting sensor location and type
for multivariable processes. Proceedings of Shell Process Control Workshop
(pp. 291-308).
Morari, M. (1983). Design of resilient processing plants III – a general framework

for the assessment of dynamic resilience, Chemical Engineering Science 38:
1881–1891.
Morari, M., G. Stephanopoulos and Y. Arkun (1980). Studies in the synthesis of

control structures for chemical processes. Part I: Formulation of the problem.
AIChE Journal 26(2), 220–232.
Narraway, L. and J. Perkins (1994). Selection of process control structures based

in economics. Computers chem. Engng 18 (supplement), S511–S515.
Narraway, L.T. and J.D. Perkins (1993). Selection of process control structure
based on linear dynamic economics. Ind. Eng. Chem. Res. 32 (11), 2681–
2692.
Narraway, L.T., J.D. Perkins and G.W. Barton (1991). Interaction between process
design and process control: economic analysis of process dynamics. J. Proc.
Cont. 1, 243–250.
Ng, C. and Stephanopoulos, G. (1998). Plant-Wide control structures and

strategies. In: Preprints Dycops-5. IFAC. pp. 1–16.
Niederlinski, A. (1971). Heuristic approach to the design of linear multivariable

control systems. Automatica, 7. 691 – 701.
110
___________________________________________________________________________________________________
Ochoa, S. (2005). Metodología para la integración diseño – control en el espacio

de estados. Tesis de Maestría. Universidad Nacional de Colombia. Sede
Medellín.
Ponton, J.W. and Laing, D.M. (1993). A hierarchical approach to the design of
process control systems. Trans IChemE 71(Part A), 181–188.
Price, R.M., Lyman, P.R. and Georgakis, C. (1993). Selection of throughput

manipulators for plant-wide control structures. ECC ’93. pp. 1060–1066.
Price, R.M., Lyman, P.R. and Georgakis, C. (1994). Throughput manipulation in

plantwide control structures. Ind. Eng. Chem. Res. 33 (5), 1197–1207.
Ramirez, F.D (1994). Process control and identification. Academic Press.
Reeves, D. E. (1991). A comprehensive approach to control configuration design

for complex systems. PhD thesis. Georgia Institute of Technology.
Ricker, N.L. (1995). Optimal steady-state operation of the Tennessee Eastman

challenge process. Computers chem. Engng 19 (9), 949–959.
Ricker, N. L. and Lee, J. H., (1995). Nonlinear Model Predictive Control of

Tennessee Eastman, Challenge Process. Computers and Chem. Engng, 19.
Ricker, N.L. (1996). Decentralized control of the Tennessee Eastman Challenge

Process. J. Proc. Cont. 6 (4), 205–221.
Rosenbrock, H.H. (1970). State Space and Multivariable Theory. Nelson.
Scali, C. and Paolino, G. (1998). Controllability analysis by plant oriented

techniques. UKACC International Conference on Control ’98. Conference
Publication No. 455. pp. 919-924.
Seborg, D., Edgar, T. and Mellichamp, D. (2004). Process Dynamics and Control.
John Wiley and sons.
Shinskey, F.G. (1996). Process control systems: Aplication, Design and Tuning. 4a
ed. Mc Graw-Hill, NY.
Skogestad, S. (2000). Plantwide control: The search for the self-optimizing control
structure. Accepted for publications in J. Proc. Control.
Skogestad, S. (2004). Control structure design for complete chemical plants.

Computers and Chemical Engineering 28, 219-234.
111
___________________________________________________________________________________________________
Skogestad, S. (1996). A procedure for SISO controllability analysis – with

application to Design of pH neutralization processes. Comp. chem. Eng., 20
(4), 373 – 386.
Skogestad, S. and Morari, M. (1987). Effect of disturbance directions on closed-

loop performance, Industrial and Engineering Chemistry Research 26: 2029–
2035.
Skogestad, S. and Postlethwaite, I. (1996). Multivariable Feedback Control. John

Wiley & Sons.
Sreeman, V. and Zomaya, A.Y. (1991). Note on the Hankel Matrix. Electronic
Letters 27 (4) 362-364.
Stanley, G., Marino-Galarraga, M. and McAvoy, T. J. (1985). Shortcut operability

analysis. 1. The relative disturbance gain, Industrial and Engineering
Chemistry Process Design and Development 24: 1181–1188.
Tung, L.S. and Edgar, T.F. (1981). Analysis of Control-Output Interactions in

Dynamic Systems, AIChE Journal 27, 690.
Tzouanas, V. K., Luyben, W. L., Georgakis, C., and Ungar, L. H. (1990). Expert
multivariable control. 1. Structure and design methodology. Industrial and
Engineering Chemistry Research, 29(3), 382-389.
Umeda, T., Kuriyama, T. and Ichikawa, A. (1978). A logical structure for process
control system synthesis. Proc. IFAC Congress (Helsinki) 1978.
Van de Wal, M. and De Jager, B. (2001). A review of methods for input/output

selection. Automatica 37, 487-510.
Vinson, D.R. and Georgakis, C. (2000). A new measure for process output
controllability. J. Proc. Contr. 10, 185 – 194.
Waller, J. and Waller, K. (1995). Defining Directionality: Use of Directionality

Measures with Respect to Scaling. Ind. Eng. Chem. Res. 34 (4). 1244-1252.
Witcher, M.E. and McAvoy, T.J. (1977). Interacting Control Systems: Steady-State
and Dynamic Measurement of Interaction, ISA Trans. 16 (3), 35.
Wolff, E. A., Skogestad, S., Hovd, M., & Mathisen, K. W. (1992). A procedure for
controllability analysis. In: J.D. Perkins (Ed.), Preprints IFAC workshop
interactions between process design and process control (pp. 127-132).
Oxford: Pergamon Press.
Xiong, Q. Cai, W. and He, M. (2005). A practical loop pairing criterion for
multivariable processes. Journal of Process Control 15, 741–747.
112
___________________________________________________________________________________________________
Yi, C.K. and W.L. Luyben (1995). Evaluation of plant-wide control structures by
steady-state disturbance sensitivity analysis. Ind. Eng. Chem. Res. 34, 2393–
2405.
Yu, C. C.; Luyben, W. L. (1986). “Design of Multiloop SISO Controllers in

Multivariable Processes”, Ind. Eng. Chem. Process Des. Dev., 25, 498-503.
Zheng, A., Mahajannam, R.V. and Douglas, J.M. (1999). Hierarchical procedure for
plantwide control system synthesis. AIChE Journal 45, 1255–1265.
Ziegler, J. G. and Nichols, N. B. (1943). Process lags in automatic-control circuits,

Transactions of the A.S.M.E. 65: 433–444.
113
___________________________________________________________________________________________________
114
___________________________________________________________________________________________________
APÉNDICE
115
___________________________________________________________________________________________________
116
___________________________________________________________________________________________________
APÉNDICE A
Downs and Vogel (1993) publicaron el modelo de un proceso químico industrial de

la Eastman Chemical Company. Su propósito fue dar a conocer un problema de
referencia para desarrollar y evaluar diferentes tecnologías de control de procesos,
principalmente para estudios relacionados con control total de planta y control
multivariable. La planta consiste en un arreglo de reactor y sistema de separación
con reciclo, tal como se visualiza en la Figura A.1. El proceso consta de cinco
unidades de operación: reactor, condensador, separador líquido-vapor, compresor
de reciclo y columna stripper. El reactor es un CSTR de dos fases, en el cual se
generan dos productos G y H a partir de cuatro reactivos A, C, D y E. Hay una
especie inerte B y un subproducto de reacción F que se origina en otras dos
reacciones paralelas. Todas las reacciones son exotérmicas e irreversibles y
ocurren simultáneamente:
A(g) + C(g) + D(g) → G(liq) , Producto 1

A(g) + C(g) + E(g) → H(liq) , Producto 2
A(g) + E(g) → F(liq) , Subproducto
3D(g) → 2F(liq) , Subproducto
El proceso dispone de 12 válvulas para manipulación y 41 mediciones para

realizar monitoreo y control, tal como se observa en la Figura A.1. Los autores
presentaron el modelo codificado en un conjunto de subrutinas en FORTRAN,
estas describen las relaciones no lineales entre las variables del proceso que
resultan de los balances de materia y energía en cada una de las unidades de
operación. Adicionalmente proponen diez posibles perturbaciones que pueden
afectar al proceso. Se presentaron también 6 modos de operación de la planta,
definidos como la relación másica entre G y H en la corriente de producto y la
velocidad de producción. El caso base es 50/50, los demás están definidos como
10/90, 90/10 y una velocidad máxima de producción. Ricker (1995a) determinó las
condiciones óptimas de estado estacionario para cada uno de los modos de
operación, logrando una disminución de más del 30% en los costos de operación
de la planta. En todos los casos se demostró que es óptimo operar con la presión
máxima y el nivel mínimo en el reactor, velocidad máxima de agitación en el
reactor y la apertura mínima de la válvula de vapor. Además en la mayoría de los
117
___________________________________________________________________________________________________
casos, es óptimo utilizar una apertura mínima de la válvula de retorno del

compresor (compressor recycle valve). También se resalta que las variables
controladas deben seleccionarse cuidadosamente y no de forma arbitraria.
Básicamente, los objetivos de control en la planta son: a) mantener las variables
del proceso en los valores deseados, b) mantener las condiciones de operación
con las restricciones de los equipos, c) minimizar la variabilidad en la velocidad de
producción y en la calidad del producto durante perturbaciones, d) minimizar los
movimientos de válvula que afectan otros procesos y e) recuperarse rápida y
suavemente de las perturbaciones, cambios en la velocidad de producción o en la
composición del producto. A resaltar, una de las restricciones más importantes en
la planta son los límites de operación de las variables presión y temperatura en el
reactor, si la presión alcanza el límite superior de seguridad de 300kPa, la
operación de la planta se detiene, es decir, se apaga.
Figura A.1. Diagrama de la planta Tennessee Eastman
En las Tablas A.1 y A.2 se presentan las variables manipuladas y medidas de la

planta Tennessee Eastman. Los valores de operación utilizados en esta Tesis
fueron los optimizados por Ricker (1995a) para el caso base 50/50. La
denominación de las variables en las Tablas A.1 y A.2 es tal cual la que presentan
originalmente los autores (Downs and Vogel, 1993).
Tabla A.1. Variables medidas de la planta Tennessee Eastman
Variables continuas Valor Unidad

y1 Flujo de alimentación A (corriente 1) 0.267 kscmh
118
___________________________________________________________________________________________________
y2 Flujo de alimentación D (corriente 2) 3657 kg/h

y3 Flujo de alimentación E (corriente 3) 4440 kg/h
y4 Flujo de alimentación A y C (corriente 4) 9.24 kscmh
y5 Flujo del reciclo (corriente 8) 32.18 kscmh
y6 Flujo de alimentación al reactor (corriente 6) 47.36 kscmh
y7 Presión del reactor 2800 kPa
y8 Nivel del reactor 65.0 %
y9 Temperatura del reactor 122.9 °C
y10 Flujo de purga (corriente 9) 0.021 kscmh
y11 Temperatura del separador 91.7 °C
y12 Nivel del separador 50.0 %
y13 Presión del separador 2706 kPa
y14 Flujo de descarga del separador (corriente 10) 25.28 m3/h
y15 Nivel del stripper 50.0 °C
y16 Presión del stripper 3326 kPa
y17 Flujo de descarga del stripper (corriente 11) 22.89 m3/h
y18 Temperatura del stripper 66.5 °C
y19 Flujo de vapor del stripper 4.74 kg/h
y20 Trabajo del compressor 278.9 kW
y21 Temperatura de salida del refrigerante en el reactor 102.4 °C
y22 Temperatura de salida del refrigerante en el separador 92.0 °C
Variables muestreadas
Frecuencia de muestreo = 0.1 h
Tiempo muerto = 0.1 h
y23 Composición molar de A en la corriente 6 32.21 %mol
y24 Composición molar de B en la corriente 6 14.93 %mol
y25 Composición molar de C en la corriente 6 18.75 %mol
y26 Composición molar de D en la corriente 6 6.03 %mol
y27 Composición molar de E en la corriente 6 16.71 %mol
y28 Composición molar de F en la corriente 6 4.04 %mol
y29 Composición molar de A en la corriente 9 32.73 %mol
y30 Composición molar de B en la corriente 9 21.83 %mol
y31 Composición molar de C en la corriente 9 13.11 %mol
y35 Composición molar de G en la corriente 9 6.62 %mol
y36 Composición molar de H en la corriente 9 3.23 %mol
Frecuencia de muestreo = 0.25 h
Tiempo muerto = 0.25 h
y40 Composición molar de G en la corriente 11 53.83 %mol
y41 Composición molar de H en la corriente 11 43.91 %mol
119
___________________________________________________________________________________________________
Tabla A.2. Variables manipuladas de la planta Tennessee Eastman
Valor
Variable Min Máx Unidad
%
u1 Válvula de flujo de D (corriente 2) 62.935 0 5811 kg/h
u2 Válvula de flujo de E (corriente 3) 53.147 0 8354 kg/h
u3 Válvula de flujo de A (corriente 1) 26.248 0 1.017 kscmh
u4 Válvula de flujo de A y C (corriente 4) 60.566 0 15.25 kscmh
u5 Válvula del reciclo del compresor 1.000 0 100 %
u6 Válvula de purga (corriente 9) 25.770 0 100 %
3
u7 Válvula de flujo de líquido separador (corriente 10) 37.266 0 65.71 m /h
u8 Válvula de flujo de líquido del stripper (corriente 11) 46.444 0 49.10 m3/h
u9 Válvula del vapor al stripper 1.000 0 100 %
3
u10 Válvula de refrigerante al reactor 35.992 0 227.1 m /h
u11 Válvula de refrigerante al condensador 12.431 0 272.6 m3/h
u12 Velocidad del agitador 100.0 150 250 rpm
120
___________________________________________________________________________________________________
APÉNDICE B
ESTRATEGIA DE CONTROL PREDICTIVO Y OPTIMIZACIÓN DE LA

Aquí se presenta la implementación de una estrategia de control predictivo basado

en modelo (MPC en inglés) y optimización en tiempo real de la Planta Tennessee
Eastman. La idea es ilustrar las jerarquías del sistema de control en una planta de
procesos químicos, utilizando la planta Tennessee Eastman. Para ello se hace uso
del control multivariable, que ha venido tomando mas fuerza en las últimas
décadas, y la optimización en tiempo real, utilizada con fines económicos. Ambas
estrategias son avanzadas y marcan fuertemente las tendencias de control en la
industria de procesos.
El contenido de este Apéndice corresponde a un trabajo desarrollado en la

Universidad de Sao Paulo bajo la dirección del Profesor Darci Odloak y el Doctor
Oscar A. Z. Sotomayor.
B.1. REVISIÓN DE LA LITERATURA

En esta sección se presenta una revisión de las estrategias de control MPC y de
optimización en tiempo real aplicadas a la planta TE.
B.1.1. ESTRATEGIAS DE CONTROL MPC
En (Ricker and Lee, 1995) se propuso una estructura de control NMPC en la

planta TE utilizando un modelo fenomenológico del proceso. El controlador MPC
se basa en linealización sucesiva y programación cuadrática. Se tomó un sistema
cuadrado de 8x8 argumentando la necesidad de satisfacer los grados de libertad
para el controlador MPC. Adicionalmente, para la presión, una variable del
controlador MPC, se diseñó un lazo override extra para evitar que sobrepase su
límite de seguridad de 3000 KPa (Downs and Vogel, 1993) ya que en este valor la
operación de la planta se detiene. El controlador predictivo presenta buen
desempeño con algunas perturbaciones, en seguimiento y en diferentes puntos de
operación. Finalmente, se concluye que aunque MPC fue mejor que otras
estrategias, el esfuerzo que implica desarrollar el modelo no justifica el
desempeño obtenido con respecto a una estructura descentralizada.
121
___________________________________________________________________________________________________
Yan and Ricker (1995) modificaron el controlador MPC propuesto por Ricker and
Lee (1995) adicionando un término en la función objetivo que penaliza el no-
cumplimiento de los objetivos de control cuando el controlador debe ejecutar
determinada tarea, por ejemplo cambios de punto de ajuste o mantener velocidad
de producción. En el problema de optimización también incluye una restricción
blanda que define la desviación del objetivo de control, la nueva variable del
funcional de costo de MPC. El problema se resuelve mediante programación no
lineal y el desempeño del sistema es comparado con una estructura
descentralizada.
Sriniwas and Arkun (1997) implementaron en la planta Tennessee Eastman un

algoritmo QDMC que emplea modelos entrada-salida para la predicción, dichos
modelos fueron identificados a partir de datos experimentales. El sistema que se
controló consta de 4 variables controladas y 4 manipuladas, y para dos de las
variables controladas se utiliza su set-point como manipulada: la presión y el nivel
en el reactor. Mostraron que es posible construir un controlador MPC muy simple
como un esquema supervisorio sobre un sistema estabilizado con controladores
PID, capaz de hacer transiciones en la calidad del producto.
Para controlar la planta Tennessee Eastman, (Tian and Hoo, 2005) propusieron
dos aproximaciones MPC basadas en el modelo de la planta. Inicialmente se
desarrolló un modelo fenomenológico del proceso utilizando información del
trabajo de Downs y Vogel Este modelo se empleó para identificar modelos lineales
en el espacio de estados en diferentes regiones de operación. La primera
aproximación consistió en un controlador MPC con múltiples modelos que utiliza el
modelo correspondiente a la región en la cual opera, y hace conmutación de
modelos cuando el proceso se mueve en diferentes regiones de operación. La
segunda aproximación utiliza un modelo en el espacio de estados adaptable
construido a partir de 3 modelos lineales. Ambos esquemas se probaron en
regulación y en transición entre puntos de operación.
B.1.2. ESTRATEGIAS DE OPTIMIZACIÓN EN TIEMPO REAL
Usualmente, el objetivo de la optimización en tiempo real (RTO por sus siglas en

inglés) en las plantas de procesos, es minimizar los costos operativos en estado
estacionario mientras se mantiene la calidad del producto y la velocidad de
producción. En varios trabajos (Yan and Ricker, 1997; Duvall and Riggs, 2000;
Golshan et al, 2005; Roberts and Becerra, 2002) se ha utilizado la ecuación de
costos de operación suministrada por Downs and Vogel (1993) para hacer RTO,
esta es una función algebraica no lineal de algunas salidas de la planta. La
diferencia básica entre estos trabajos está en el método de implementación del
esquema de optimización no lineal. Por ejemplo, en (Golshan et al, 2005) se
propone un algoritmo de optimización basado en programación cuadrática
secuencial, que incluye el simulador original de la planta TE (Downs and Vogel,
1993), un modelo en espacio de estados (Ricker and Lee, 1995b) y un filtro
extendido de Kalman para estimar los parámetros del modelo. Sus resultados son
122
___________________________________________________________________________________________________
comparados con (Duvall and Riggs, 2000) que utilizaron el paquete NPSOL de
FORTRAN.
Es importante aclarar que optimización en tiempo real no implica minimizar una

función objetivo económica, también es posible minimizar el esfuerzo de control
(Rotava and Zanin, 2005), el error en la salida, entre otros criterios. En el trabajo
de Jockenhövel y colaboradores (2003) propusieron una optimización dinámica del
proceso TE. El paquete de software OptControlCentre basado en matlab se
articuló con otras herramientas de optimización para resolver el problema de
programación no-lineal. La función objetivo del optimizador calcula el conjunto de
acciones de control que minimizan el error tanto en la salida respecto al punto de
ajuste como en la entrada respecto a una referencia.
B.2 CONTROLADOR PREDICTIVO

B.2.1 FUNDAMENTOS
El control predictivo basado en modelo, más conocido como MPC por sus siglas
en inglés, comenzó a popularizarse desde mediados de los años 70. Esta técnica
requiere de un modelo del proceso y de un optimizador. El modelo predice las
salidas futuras a lo largo de un horizonte de predicción y el optimizador calcula la
acción de control óptima minimizando una función objetivo sujeta a unas
restricciones. Generalmente, la función objetivo contiene dos términos, uno que
penaliza el error en las salidas y otro que penaliza el esfuerzo de control. En
comparación con el control descentralizado, MPC es una estrategia más
apropiada para controlar sistemas multivariables, no solamente por el manejo de
restricciones, sino porque permite ajustar el comportamiento del sistema de
acuerdo a los requerimientos del proceso, asignando los pesos sobre cada
variable en la función objetivo.
Dentro de los algoritmos más comunes e implementados en la industria está el de

control por matriz dinámica DMC (Cutler and Ramaker, 1979), que utiliza un
modelo en respuesta a escalones para formar una matriz dinámica. La solución
del algoritmo se puede realizar mediante programación lineal o mediante
programación cuadrática, este último se denomina comúnmente como QDMC.
QDMC emplea un funcional de costo cuadrático, el problema de optimización
originalmente se formula como:
1 T T 1
min J = e W W e + ∆u T R T R ∆u
∆u 2 2
sujeto a: −∆umax ≤ ∆u ≤ ∆umax

umin ≤ u ≤ umax
ymin ≤ y ≤ ymax
123
___________________________________________________________________________________________________
donde W es el parámetro de ponderación del error en las salidas y R pondera el

esfuerzo de control, e es el error en la salida, u es la variable manipulada, ∆u es el
esfuerzo de control y y el vector de salidas. Para llevarlo a la forma canónica de la
optimización cuadrática, se define:
e = − A∆u + e '
donde A representa la matriz dinámica. Se llega a:
1 T
min J = ∆u H ∆u + cT ∆u
∆u 2
donde: H = A W WA + R R y c = −e ' W WA .
T T T T T T
B.2.2 SELECCIÓN DE VARIABLES
Para diseñar el sistema de control jerárquico MPC+RTO, se tomó como base la

configuración del sistema de control descentralizado de Larsson et al (2001). Los
controladores PID se encuentran distribuidos en todo el proceso. Para determinar
las variables del controlador predictivo, se suprimieron los controladores PID del
nivel superior excepto los de control de nivel, dicha supresión se hizo
cuidadosamente verificando en simulación la estabilidad de la planta. La
configuración de MPC final se puede visualizar en la Figura B.1. Para el
controlador MPC el sistema ya es estable, de ahí posteriormente se identificó el
modelo de respuesta a escalón que utiliza el algoritmo QDMC. En la Tabla B.1 se
presentan las nuevas variables para el controlador MPC, el sistema seleccionado
no es cuadrado, tiene más entradas que salidas. En este caso no fue necesario
ocupar todos los grados de libertad de la planta como se ha hecho en otros
trabajos de MPC (Ricker and Lee, 1995; Sriniwas and Arkun, 1997), puesto que
para el esquema final MPC+RTO no es necesario. Adicionalmente, en cuanto al
punto de operación, se empleó el caso base 50/50 optimizado (Ricker, 1995), en el
cual la planta opera a la presión máxima de 2800 KPa.
Tabla B.1. Variables del controlador MPC
Variables controladas: Variables manipuladas:

y1: Flujo de reciclo u1: Flujo de alimentación de A
y2: %G en el producto (Calidad) u2: Flujo de alimentación de D
y3 : %C en la purga u3: Flujo de alimentación de E
y4: Presión en el reactor u4: Flujo de alimentación de C
y5: Temperatura en el reactor u5: Flujo de la purga
y6: Flujo de producto u6: Apertura de la válvula de
(Velocidad de producción) refrigerante al reactor
u7: Flujo total de alimentación
124
___________________________________________________________________________________________________
%G en Flujo de %C en Flujo Presión Tempert Nivel Nivel Nivel

product reciclo purga product reactor reactor reactor stripper separad
o SP SP SP oSP SP SP SP SP SP
PID PID PID

CONTROLADOR MPC
Flujo Total Flujo Tempert Flujo Flujo

Flujo D Flujo E Flujo A Flujo C Alimento purga separad stripper separad

reactor
Figura B.1. Variables seleccionadas del esquema de control MPC en la planta TE
B.2.3 MODELO DE RESPUESTA A ESCALÓN
El modelo del sistema para el controlador MPC, es una matriz que contiene
6x7=42 funciones de transferencia SISO (single input-single output). Para
identificar el modelo, cada una de las entradas se perturbó en escalón positivo y
se observó la respuesta. Una vez se tenían los datos de curva de reacción, se
encontró que 12 presentaron una ganancia despreciable. 18 de las respuestas
tenían una dinámica de primer orden y sin ceros, las cuales se ajustaron
fácilmente a la forma canónica. Algunas de las dinámicas presentaron un
comportamiento de fase no mínima y otras fueron aproximadas a dinámicas de
segundo orden. Las dinámicas más complejas se ajustaron mediante una serie de
comandos de matlab: FILTER, IDDATA, N4SID, PEM, D2CMP, SS2TF. Para las
respuestas ajustadas a dinámicas de segundo orden sin ceros ni retardos, se
calculó el overshoot como la relación A/B y de ahí se despejo el factor de
amortiguamiento. Posteriormente se tomó el 63.2% del cambio en la salida para
obtener un valor semilla del tiempo de respuesta τ y se realizaron ajustes por
tanteo y error hasta obtener respuestas similares, y de esta manera encontrar un
modelo aproximado. El modelo experimental obtenido se validó y se reajustó
posteriormente aplicando diferentes escalones en el sistema en sentidos opuestos.
B.2.4. PARÁMETROS DEL CONTROLADOR
El horizonte del modelo se determinó a partir de las curvas de reacción, donde se

visualizó que el tiempo de estabilización del sistema es de aproximadamente 100
125
___________________________________________________________________________________________________
horas, correspondiente a la dinámica más lenta: la presión en el reactor. Buscando

un equilibrio entre el esfuerzo computacional y el desempeño del controlador se
seleccionó un tiempo de muestreo de 0.2 horas. El horizonte de predicción se
seleccionó como 250, lo que equivale a 50 horas de predicción y el horizonte de
control 10. En la Tabla B.2 se presentan las ponderaciones en cada una de las
variables. Las restricciones en la acción de control están dadas por los valores
máximos y mínimos de las entradas, así como el máximo esfuerzo de control,
estos valores se reportan en la Tabla B.3.
Tabla B.2. Ponderaciones en el controlador MPC
y1 y2 y3 y4 y5 y6
Error salida W 0.5 0.3 0.1 3.0 3.0 0.5
u1 u2 u3 u4 u5 u6 u7
Esfuerzo de control R 10 5 10 20 2 10 5
Tabla B.3. Restricciones en las entradas para el controlador MPC
u1: A flow u2: D flow u3: E flow u4: C flow u5: Purge u6: R valve u7:Tot flow
umax 0.01 57.92 83.28 0.1171 0.0084 100 120
umin 0 0.32 0.46 0.001 0.0001 0 80
∆umax 0.002 3.2 4.6 0.0034 0.002 5 10
B.3. OPTIMIZACIÓN EN TIEMPO REAL RTO

B.3.1 FUNDAMENTOS
(Rotava and Zanin, 2005) RTO determina el punto de operación óptimo en el cual
debe operar el proceso. La optimización soluciona un problema de programación
cuadrática con restricciones, haciendo uso del modelo del proceso en estado
estacionario, y con información proveniente del controlador MPC. Antes de
implementar la optimización es necesario abrir los puntos de ajuste del controlador
MPC y operar por zonas, esto es, las salidas deben permanecer dentro de unos
límites establecidos alrededor del punto de ajuste, y el error en este caso se
calcula como la desviación de la variable respecto al límite que sobrepasó, ya sea
el mínimo o el máximo. De esta manera, mientras la variable permanezca dentro
de la zona, el error es cero en la función objetivo. En la Figura B.2 se muestra el
esquema del optimizador. La optimización resuelve, en una primera tentativa, el
siguiente problema:
min ∆ussT ⋅ Q1 ⋅ ∆uss − Q2 ⋅ ∆uss

uss , yss
sujeto a:
126
___________________________________________________________________________________________________
∆uss = uss − u ( k − 1)
yss − yˆ (k + n) = K ⋅ ∆uss
umin ≤ uss ≤ umax
ymin ≤ yss ≤ ymax
donde u(k–1) es la última acción de control implementada, uSS son los targets para
las variables manipuladas y n es el horizonte del modelo. K es la matriz de
ganancias en estado estacionario. ySS es el vector de variables controladas. Q1 es
una matriz diagonal de pesos y Q2 es una matriz diagonal de coeficientes
económicos de las variables manipuladas.
Optimizador en Tiempo Real

Nivel Nivel Nivel
reactor stripper separad
uss uss uss uss uss SP SP SP
PID PID PID

CONTROLADOR MPC
Flujo Total Flujo Tempert Flujo Flujo

Flujo D Flujo E Flujo A Flujo C Alimento purga separad stripper separad

reactor
Figura B.2. Esquema MPC+RTO implementado en la planta TE
Como resultado de las restricciones tanto en las variables controladas como en las
manipuladas, el problema puede no tener solución. Esto ocurre principalmente
cuando una perturbación mueve alguna variable controlada fuera de la región
permitida definida por ymin y ymax. En este caso, es necesario relajar algunas
restricciones de las controladas de modo que se genere un problema viable. Si la
salida calculada viola las restricciones, es necesario relajar su límite máximo o
mínimo. Por lo tanto se soluciona el siguiente problema:
127
___________________________________________________________________________________________________
min ∆u ss ⋅ Q1 ⋅ ∆u ss − Q2 ⋅ ∆u ss + ( y ss − y max, min ) T ⋅ M ⋅ ( y ss − y max, min )

T
u ss , y ss
sujeto a:
∆uss = uss − u (k − 1)
yss − yˆ (k + n) = K ⋅ ∆uss
umin ≤ uss ≤ umax
y ≤y ≤y
donde M es un número grande. Nótese que para este caso se eliminó la
restricción de salida para incluirla como un término a minimizar en la función
objetivo.
Los targets o salidas del optimizador entran al algoritmo de MPC, para ello la
nueva función objetivo del controlador MPC debe incluir estos targets:
1 T T 1 1
min J = e W W e + ∆u T R T R ∆u + (u − u ss ) T Ru T Ru (u − u ss )
∆u 2 2 2
sujeto a:
−∆umax ≤ ∆u ≤ ∆umax
umin ≤ u ≤ umax
ymin ≤ y ≤ ymax
B.3.2 IMPLEMENTACIÓN
En términos generales, la optimización RTO empleada en este trabajo no busca

disminuir directamente los costos de operación, como se encuentra en la mayoría
de los casos. Su propósito es disminuir el esfuerzo de control minimizando los
movimientos de las variables manipuladas.
De acuerdo con lo anterior, para implementar la optimización es necesario primero

abrir los puntos de ajuste y hacer un control por zonas. En este caso el controlador
solo penaliza el error cuando la variable está por fuera de la zona preestablecida.
En la Tabla B.4 se presentan estos limites, para las variables %G en el producto y
flujo de producto se definió una zona estrecha puesto que corresponden a la
calidad del producto y a la velocidad de producción, que es lo principal en el
proceso. Desviaciones significativas en estas variables implican degradación en la
calidad del producto y retrasos en la producción.
Tabla B.4. Parámetros para el control MPC por zonas
y1: Reciclo y2: %G prod y3: %C purga y4: Presión R y5: Temper.R y6: Produce
ymax 38 55.3 19 2700 175 23.89
ymin 28 52.3 7 2900 75 21.89
128
___________________________________________________________________________________________________
B.4. RESULTADOS
Aquí se presentan los resultados en seguimiento de calidad y de velocidad de
producción, y los resultados en rechazo a perturbaciones.
En las Figuras B.3 a B.5 se visualiza el desempeño del sistema cuando se hace
seguimiento con rampas de las zonas para las variables calidad (%G en el
producto) y velocidad de producción (flujo de producto).
Y 1 - R e c y c le ra t e
40
30
20
0 20 40 60 80 100 120 140 160
Y 2 - % G in p ro d u c t
60
50
40
0 20 40 60 80 100 120 140 160
Y 3 - % C in p u rg e
20
10
0
0 20 40 60 80 100 120 140 160
Y 4 - R e a c t o r p re s s u re
3000
2800
2600
0 20 40 60 80 100 120 140 160
Y 5 - R e a c t o r t e m p e ra t u re
140
120
100
0 20 40 60 80 100 120 140 160
Y 6 - P ro d u c t io n ra t e
30
25
20
0 20 40 60 80 100 120 140 160
Figura B.3. Variables controladas del MPC en seguimiento de calidad y de

velocidad de producción con el esquema RTO
129
___________________________________________________________________________________________________
-3
x 1 0 U 1 : A fe e d flo w S P
3
2 .5
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 2 : D fe e d flo w S P
4 0
3 5
3 0
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 3 : E fe e d flo w S P
5 0
4 5
4 0
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 4 : C fe e d flo w S P
0 .0 9 5
0 .0 9
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
-3
x 1 0 U 5 : P u rg e ra te S P
2 .5
2
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 6 : R e a c t o r c o o la n t va lve
4 0
3 5
3 0
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
Figura B.4. Variables manipuladas del MPC en seguimiento de calidad y de

U 1 : A fe e d va lve
3 0
2 8
2 6
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 2 : D fe e d va lve
7 0
6 0
5 0
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 3 : E fe e d va lve
6 0
5 5
5 0
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 4 : C fe e d va lve
6 5
6 0
5 5
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
U 5 : P u rg e va lve
4 0
3 0
2 0
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
4 0
3 5
3 0
0 2 0 4 0 6 0 8 0 1 0 0 1 2 0 1 4 0 1 6 0
Figura B.5. Variables manipuladas del proceso en seguimiento de calidad y de

130
___________________________________________________________________________________________________
En las Figuras B.6 a B.8 se visualiza el comportamiento del esquema RTO en

rechazo a perturbaciones, las perturbaciones aplicadas fueron las siguientes:
20 – 40 horas: Cinética de reacción

60 – 80 horas: Variación aleatoria en la composición de la corriente 4.
Y 1 - R e c y c le ra t e
40
30
20
0 10 20 30 40 50 60 70 80 90 100
Y 2 - % G in p ro d u c t
60
55
50
0 10 20 30 40 50 60 70 80 90 100
Y 3 - % C in p u rg e
40
20
0
0 10 20 30 40 50 60 70 80 90 100
Y 4 - R e a c t o r p re s s u re
3000
2800
2600
0 10 20 30 40 50 60 70 80 90 100
Y 5 - R e a c t o r t e m p e ra t u re
130
120
110
0 10 20 30 40 50 60 70 80 90 100
Y 6 - P ro d u c t io n ra t e
24
22
20
0 10 20 30 40 50 60 70 80 90 100
Figura B.6. Variables controladas del proceso en rechazo a perturbaciones con el

esquema RTO
131
___________________________________________________________________________________________________
-3 U 1 : A fe e d flo w S P
x 1 0
3
2 .5
2
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 2 : D fe e d flo w S P
3 8
3 7
3 6
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 3 : E fe e d flo w S P
4 5
4 4 .5
4 4
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 4 : C fe e d flo w S P
0 .0 9 3
0 .0 9 2
0 .0 9 1
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
-3
x 1 0 U 5 : P u rg e ra te S P
3
2
1
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
3 8
3 6
3 4
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 7 : T o t a l fe e d flo w
1 0 1
1 0 0
9 9
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
Figura B.7. Variables manipuladas del controlador MPC en rechazo a

perturbaciones con el esquema RTO
U 1 : A fe e d va lve
3 0
2 5
2 0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 2 : D fe e d va lve
6 6
6 4
6 2
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 3 : E fe e d va lve
5 4
5 3 .5
5 3
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 4 : C fe e d va lve
6 2
6 1
6 0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
U 5 : P u rg e va lve
3 0
2 0
1 0
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
3 8
3 6
3 4
0 1 0 2 0 3 0 4 0 5 0 6 0 7 0 8 0 9 0 1 0 0
Figura B.8. Variables manipuladas del proceso en rechazo a perturbaciones con

el esquema RTO
132
___________________________________________________________________________________________________
En la Figura B.9 se presenta una comparación entre la acción de control de la

estrategia descentralizada original y el esquema completo RTO
U1: A feed valve U1: A feed valve
100 30
50 25
0 20
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
U2: D feed valve U2: D feed valve
64 66
63 64
62 62
0 10 20 30 40 50 60 70 80 90 100 0 10 20 30 40 50 60 70 80 90 100
U3: E feed valve U3: E feed valve
54 54
53 53.5
52 53
0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100
U4: C feed valve
U4: C feed valve
62
65
61
60
60
55 0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100
U5: P urge valve
U5: Purge valve 30
100
20
50
10
0 0 10 20 30 40 50 60 70 80 90 100
0 10 20 30 40 50 60 70 80 90 100 U6: Reac tor coolant valve
U6: Reactor coolant valve 38
38
36
36
34
34 0 10 20 30 40 50 60 70 80 90 100
. 0 10 20 30 40 50 60 70 80 90 100
Figura B.9. Acción de control aplicada al proceso de la estrategia descentralizada

(izquierda) y de la estrategia RTO (derecha)
Adicionalmente se hizo una comparación entre la estructura original propuesta por

Larsson y colaboradores (2001) y el controlador QDMC por puntos de ajuste.
También se compara la estrategia QDMC por zonas con la estrategia QDMC con
optimizador. Estos resultados se publicarán en un futuro.
B.5. COMENTARIOS FINALES

El control descentralizado es lo más utilizado en la industria y puede ser eficiente
para rechazar perturbaciones, sin embargo este no permite el manejo de
restricciones como lo permite el control MPC. Precisamente, una de las ventajas
de los controladores MPC está en el manejo de las restricciones. Por otro lado,
MPC distribuye el esfuerzo de control entre varias variables manipuladas, lo que
resulta en un control más suave y menos desgastante para las válvulas.
MPC es una estrategia que actúa de acuerdo a sus predicciones y estas

dependen de la calidad del modelo. Si bien el algoritmo QDMC tiene cierta
realimentación del error, un modelo más fiel al comportamiento del proceso, por
ejemplo un modelo adaptable o un control multimodelos podría mejorar
notablemente el desempeño de la estrategia. Otra posible mejora sería incluir el
modelo de la perturbación en el controlador QDMC, de esta forma el controlador
no estaría ciego frente a lo que realmente esta ocurriendo en el sistema, no
obstante, en teoría, para la planta TE ninguna de las perturbaciones es medida.
133
___________________________________________________________________________________________________
El control por zonas es mas permisivo con el proceso porque no obliga a las
variables a permanecer en un valor exacto, y de esta manera el elemento final de
control presenta un menor desgaste ya que se disminuye el esfuerzo de control.
También las variables controladas tienen un desempeño mejor, una menor
tendencia a oscilar en presencia de ruido o perturbaciones. La optimización en
tiempo real aquí aplicada, mejora aún más esta tendencia del proceso a
permanecer más estable.
Para propósitos de control es necesario tratar la planta como un todo y jerarquizar

los objetivos de control, la calidad del producto y la velocidad de producción son
las variables más importantes. Aunque aquí no se presentó, para el control por
zonas y MPC+RTO el sistema es capaz de realizar cambios en %G y en la
velocidad de producción.
B.6. REFERENCIAS CITADAS EN EL APÉNDICE A Y B

Cutler, C.; Ramaker, B. Dynamic Matrix Control - A Computer Control Algorithm.
AIChE National Meeting, Houston, April 1979.
Downs, J. J.; Vogel, E. F. A Plant-Wide Industrial Process Control Problem.
Comput. Chem. Eng. 1993, 17, 245.
Duvall, P. M. and Riggs, J.B. On-line optimization of the Tennessee Eastman
challenge problem. Journal of Process Control 2000, 10, 19.
Golshan, M., Bozorgmehry, R. and Pishvaie, M.R. A new approach to real time
optimization of the Tennessee Eastman problem. Chem. Eng. Journal 2005, 112.
Jockenhövel, T, Biegler, L. and Wächter, A. Dynamic optimization of the
Tennessee Eastman using the OptControlCentre. Comput. Chem. Eng. 2003, 27.
Ricker, N. L. Optimal steady state operation of the Tennessee Eastman Challenge
Process. Comp. Chem. Eng. 1995, 19, 9.
Ricker, N. L. and Lee, J. H., Nonlinear Model Predictive Control of Tennessee
Eastman, Challenge Process. Computers and Chem. Engng, 1995a, 19.
Ricker, N. L. and Lee, J. H., Nonlinear modeling and state estimation for the TE
Challenge Process. Computers and Chem. Engng, 1995b, 19.
Roberts, P. and Becerra, V. Hierarchical control and optimization of the Tennessee
Eastman process. 15th Triennial World Congress. Barcelona, Spain. 2002.
Rotava, O. and Zanin, A. Multivariable control and real-time optimization – an
industrial practical overview. Hydrocarbon processing. June 2005.
Sriniwas, G. and Arkun, Y. Control of the Tennessee Eastman process using input-
output models. J. Proc. Cont. 1997, vol. 7, #5.
Tian, Z. and Hoo, K. Multiple model-based control of the Tennessee Eastman
Process. Ind. Eng. Chem. Res. 2005. 44.
Yan, M. and Ricker, N.L. Multi-Objective control of the Tennessee Eastman
Challenge Process. American Control Conference, Seatle Washington. 1995.
Yan, M. and Ricker, N.L. On-line optimization of the Tennessee Eastman
Challenge Process. American Control Conference 1997.
134

Metodologia para El Diseno de Control Total de Planta PDF

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

Metodologia para El Diseno de Control Total de Planta PDF

Cargado por

Copyright:

Formatos disponibles

Tesis de Maestría

METODOLOGÍA PARA EL DISEÑO DE

LUZ ADRIANA ALVAREZ TORO

Maestría en Ingeniería – Ingeniería Química

METODOLOGÍA PARA EL DISEÑO DE

LUZ ADRIANA ALVAREZ TORO

Como requisito para optar al título de:

Magíster en Ingeniería – Ingeniería Química

Director: Jairo Espinosa Oviedo, PhD.

Universidad Nacional de Colombia

Al Profesor Jairo Espinosa, quien dirigió esta Tesis y me motivó a trabajar en

Al Profesor Hernán Alvarez, por el apoyo incondicional durante mi paso por la

A la Universidad Nacional de Colombia, por la Beca de Estudiantes

A los Doctores Darci Odloak y Oscar A. Z. Sotomayor, de la Universidad de São

A la Red de Macrouniversidades de América Latina y el Caribe, por el auxilio

Al Grupo de Automática de la Universidad Nacional, por permitirnos un espacio

Al Profesor Manuel Betancur, de la Universidad Pontificia Bolivariana, por las

A los demás profesores de la Maestría en Ingeniería Química: Jaime Aguirre,

En esta Tesis se presenta una metodología basada en la controlabilidad para

In this work a methodology based on controllability for control structure selection is

PARTE I. CONTROL TOTAL DE PLANTA: DEFINICIÓN Y

2 TENDENCIAS DEL DISEÑO DE PROCESOS Y SUS

2.1 Reciclo de Materia 22

3 CONTROL TOTAL DE PLANTA 27

3.1 Decisiones Estructurales 29

PARTE II. DISEÑO DE ESTRUCTURAS DE CONTROL A PARTIR

4.1 Controlabilidad de Estado 43

5 HERRAMIENTAS PARA LA SELECCIÓN DE ESTRUCTURAS

5.1 Matriz de Ganancias Relativas 51

6 METODOLOGÍA PROPUESTA PARA EL DISEÑO DE

6.1 Matriz de Hankel 67

7 CASO DE ESTUDIO: PLANTA TENNESSEE EASTMAN 79

7.1 Estrategias de control descentralizado en la planta TE 80

7.3 Metodología basada en la SVD de la Matriz Hankel 86

8 CONCLUSIONES Y TRABAJOS FUTUROS 101

REFERENCIAS BIBLIOGRÁFICAS 107

APÉNDICE A: PLANTA TENNESSEE EASTMAN 117

APÉNDICE B: ESTRATEGIA DE CONTROL PREDICTIVO Y OPTIMIZACIÓN

Figura 2.1. Dos configuraciones de columnas de destilación. a) Sin integración

Figura 2.2 Representación en funciones de transferencia del reciclo de

Figura 2.3 Respuesta de un sistema con reciclo para diferentes valores en la

Figura 3.2 Jerarquía típica de control en una planta (Larsson, 2000) 34

Figura 6.1 Algoritmo de la metodología SVD de la matriz de Hankel 77

Figura 7.1 Diagrama de proceso de la planta Tennessee Eastman (TE) 79

Figura 7.2. Representación esquemática de la planta TE controlada 82

Figura 7.3. Sistemas SI y SII de la planta TE parcialmente controlada 83

Figura 7.4. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.5. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.6. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.7. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.8. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.9. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.10. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.11. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.12. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura 7.13. Ganancia relativa y distancia al punto 1+0i en todo el rango de

Figura A.1. Diagrama de la planta Tennessee Eastman 118

Figura B.1. Variables seleccionadas del esquema MPC en la planta TE 125

Figura B.2. Esquema MPC+RTO implementado en la planta TE 127

Figura B.3. Variables controladas del MPC en seguimiento de calidad y de

Figura B.4. Variables manipuladas del MPC en seguimiento de calidad y de

Figura B.5. Variables manipuladas del proceso en seguimiento de calidad y de

Figura B.6. Variables controladas del proceso en rechazo a perturbaciones con el