Documentos de Académico
Documentos de Profesional
Documentos de Cultura
net/publication/281154965
CITATIONS READS
2 8,637
1 author:
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Elena Elsa Bricio Barrios on 23 August 2015.
TESIS
PRESENTA
ASESOR
COMITÉ
3. METODOLOGÍA ................................................................................................. 27
4. RESULTADOS ..................................................................................................... 33
5. CONCLUSIONES ................................................................................................................. 65
5.1 Generales ............................................................................................................. 65
5.2 Específicas............................................................................................................ 65
6. BIBLIOGRAFÍA ................................................................................................................... 67
7. APÉNDICES .......................................................................................................................... 74
7.1. Esquemas de control .......................................................................................... 74
P Controlador Proporcional
I Controlador Integral
D Controlador Derivativo
PI Controlador Proporcional-Integral
PD Controlador Proporcional-Derivativo
PID Controlador Proporcional-Integral-Derivativo
SMC Control de Modo o Estructura Deslizante
FOPDT Modelo de primer orden más tiempo muerto
CS Cuckoo Search
AG Algoritmos Genéticos
I.E.C. Integral del error cuadrático
I.E.A. Integral del error absoluto del error
I.T.E.C. Integral del producto del tiempo y el cuadrado de la magnitud del error
I.T.E.A. Integral del producto del tiempo y el valor absoluto del error
𝐸. 𝐶. 𝑀. Error cuadrático medio
RESUMEN
1
1. INTRODUCCIÓN
1.1 Introducción
Dentro de los esquemas en esta última categoría, existe uno denominado como
estructura deslizante, el cual se caracteriza por ser insensible a perturbaciones externas y
lo suficientemente robusto para el control de sistemas con presencia de respuesta
inversa, que se presenta en muchos procesos del área de Ingeniería Química (Camacho
y Smith, 2000).
2
tiempo de asentamiento, máximo sobreimpulso, robustez a través de los índices de
desempeño y dinámica de la válvula.
1.2 Objetivos
1.2.1 General
Incorporación de la estrategia estocástica de optimización global Cuckoo Search
para la localización de los parámetros de ajuste de un sistema de control de tipo PI/PID
y SMC sobre casos de estudio de Ingeniería Química y su comparativo respecto a las
técnicas de sintonización clásicas.
1.2.2 Específicos
Localizar los parámetros óptimos a través del algoritmo de optimización Cuckoo
Search.
Evaluar la magnitud de la función objetivo para los parámetros de ajuste calculados
por el Método de Ziegler-Nichols respecto a los parámetros obtenido por el
algoritmo de optimización.
Analizar la dinámica transitoria de cada sistema y su comparativo respecto a las
técnicas clásicas de sintonización de parámetros.
Cuantificar los índices de desempeño de un conjunto de problemas de Ingeniería
Química de los esquemas de control clásico y moderno con los parámetros de ajuste
optimizados y de referencia.
Evaluar la dinámica de la válvula para determinar cuál esquema de control generará
menor daño sobre el dispositivo.
Determinar bajo qué casos, la implementación de los parámetros de ajuste
optimizados son capaces de proveer un comportamiento dinámico más robusto
respecto a las técnicas de sintonización de referencia.
3
1.3 Planteamiento del problema
Existe una gran variedad por las cuales un sistema no satisfaga con las
condiciones de operación requeridas, por ejemplo: la sintonización de los parámetros de
ajuste que componen al controlador no fueron bien calculados, inadecuada estrategia de
control, descripción incorrecto del proceso, generación de perturbaciones o ruido.
Por lo que es necesario contar con un método robusto que sea capaz de
proporcionar los parámetros de ajuste de controlador que retorne al sistema a la
dinámica estable.
1.4 Justificación
4
2. MARCO TEÓRICO
5
2.2. Esquemas de control de procesos
El principal objetivo de diseñar e incorporar un esquema de control en un
proceso es mejorar la relación desempeño dinámico versus convergencia o punto de
estabilidad, es decir, garantizar su estabilidad operativa ante la posible presencia de
perturbaciones, lo cual también está relacionado con la reducción de costos de
producción o de tiempos muertos en el proceso (Ogata, 1994).
6
sistema. De esta forma, la variable controlada oscila continuamente entre los límites
requeridos por el elemento de control (Nishida, 2011).
7
𝑈(𝑡) = 𝐾𝑃 𝑒(𝑡) (1)
donde 𝑈(𝑠) y 𝑒(𝑠) es la acción del controlador y el error del sistema, respectivamente.
𝑈 𝑡 = 𝐾𝐼 𝑒 𝑡 𝑑𝑡 (3)
𝐾𝐼
𝑈𝑠 = 𝑒 𝑠 (4)
𝑠
8
2.2.2.3. Elemento de control Derivativo (D)
El elemento de control o de regulación Derivativo hace que la posición del
elemento final de regulación (actuador) adopte un desplazamiento instantáneo,
proporcional a la velocidad de cambio de la desviación o error (es decir, a la pendiente
de la señal de salida del proceso), en relación a su posición original. Por tanto, ante una
perturbación de magnitud constante el desplazamiento del actuador (válvula) es
proporcional a la primera derivada de su medida.
𝑑𝑒 (𝑡)
𝑈(𝑡) = 𝐾𝐷 (5)
𝑑𝑡
2.2.24. Control PI
El controlador PI combina el comportamiento del controlador Proporcional y el
controlador Integral. Esto permite que se aprovechen las ventajas de ambos elementos y
se reduzcan sus inconvenientes. El controlador PI actúa inmediatamente después de que
se presenta una perturbación sobre el sistema. Gracias a la acción Proporcional, se
facilita inmediatamente un cambio en la salida del controlador, el cual tiende
gradualmente a ajustar el proceso. Posteriormente, la acción Integral proporcionará
paulatinamente la corrección suplementaria exacta hasta anular la desviación o error.
9
Al estabilizarse el sistema, el actuador adoptará la posición precisa para
satisfacer la demanda y/o requisitos impuestos por la perturbación. Las expresiones
matemáticas que define a este controlador, en el dominio del tiempo y en el dominio de
Laplace, son:
𝑈 𝑡 = 𝐾𝑃 𝑒 𝑡 + 𝐾𝐼 𝑒 𝑡 𝑑𝑡 (7)
𝐾𝐼
𝑈(𝑠) = 𝐾𝑃 + 𝑒(𝑠) (8)
𝑠
2.2.2.5. Control PD
El controlador PD consta de la combinación del elemento Proporcional y el
elemento Derivativo. La acción Derivativa describe la tasa de cambio de la desviación
del sistema; cuanto mayor es esta tasa de cambio (el tamaño de la desviación del
sistema durante un período determinado) mayor es el componente Derivativo. Además
de la respuesta de control del elemento Proporcional desviaciones mayores del sistema
se encuentran con respuestas muy breves pero de mayor amplitud.
𝑑𝑒 (𝑡)
𝑈 𝑡 = 𝐾𝑃 𝑒 𝑡 + 𝐾𝐷 (9)
𝑑𝑡
Sin embargo, la aplicación de este esquema de control está limitado debido a que
no puede compensar completamente las desviaciones del sistema y un componente
Derivativo ligeramente excesivo produce a la inestabilidad del sistema (Leyva, 2009).
𝑑𝑒 (𝑡)
𝑈 𝑡 = 𝐾𝑃 𝑒 𝑡 + 𝐾𝐼 𝑒 𝑡 𝑑𝑡 + 𝐾𝐷 (11)
𝑑𝑡
𝐾𝐼
𝑈(𝑠) = 𝐾𝑃 + + 𝐾𝐷 𝑠 𝑒(𝑠) (12)
𝑠
Este tipo de esquema de control fue incorporado a los procesos industriales hace
siete décadas (Pawan y Vinod, 2013) y a la fecha su aplicación aún continua vigente en
todas las áreas de la ingeniería (Moradi, 2013). En la literatura, existe una amplia
variedad de estudios en los que se ha implementado esta estrategia de control: el trabajo
de Tahir y Al-Rawi (2006) quienes emplearon un control PID para un sistema de
tanques interconectados. Camacho y Smith (2000) que utilizaron un PI para controlar la
operación de un tanque de mezclado y un reactor continuo. Jianhua y Junghu (2013)
quienes propusieron un controlador PID para el control de redes de comunicación.
Mohan (2013) que implementó este controlador para la manipulación de un vehículo.
Jing-Nang et al. (2014) que utilizaron un controlador PID para la regulación de un
sistema de aire acondicionado. Jun et al. (2014) que lo aplicaron para un sistema
neumático. Jian y Len (2014) lo emplearon para el control no lineal de un robot
manipulador, entre otros.
11
ciertas perturbaciones consecutivas. Así, una acertada sintonización de los parámetros
de ajuste del controlador es necesaria para su óptimo funcionamiento (Vázquez, 2004).
Por citar algunos casos, Leva (1993) y Wang et al. (1997) propusieron
respectivamente un algoritmo para el auto-ajuste de parámetros en un control PI y PID
multivariable, ambos basados en retransmitir la retroalimentación. Chang et al. (2003)
generaron una metodología para un control PID multivariable basado en un auto-ajuste
neuronal. Altinten et al. (2004) propusieron un control PID adaptativo empleando un
algoritmo genético para el ajuste de parámetros aplicado a un reactor de polimerización
y Chang y Yan (2005) desarrollaron un PID adaptativo para una clase de sistemas
caóticos con incertidumbre y perturbaciones externas. Recientemente, Moradi (2013)
implementó un algoritmo para el autoajuste de parámetros de un PID garantizando la
estabilidad de un sistema de lazo cerrado para un sistema aeronáutico. Papadopoulos y
Margaris (2013) desarrollaron un control PID adaptativo automático basado en el
criterio denominado de magnitud óptima y fue aplicado a un conjunto de problemas
clásicos del área de control industrial. Mohideen et al. (2013) acoplaron una estrategia
para un PID adaptativo empleando un algoritmo genético para el ajuste de parámetros y
aplicándolo en un sistema de tanques.
12
considerando una superficie deslizante, S(t), sobre la cual la dinámica del proceso se
restringe. En una primera etapa, cualquier trayectoria del sistema, Xo, ubicada fuera de
la superficie deslizante es direccionada a dicha superficie a través de una ley de control
en un tiempo finito y es mantenida ahí. A esta etapa se le denomina “etapa de alcance”.
Posteriormente, se presenta la segunda etapa o “etapa deslizante”, la cual consiste en
hacer que la trayectoria del sistema, o su dinámica propiamente dicho, se desplace a
través de la superficie deslizante hasta lograr que la desviación o perturbación presente
se anule (Musmade et al., 2011). La Figura 2 ilustra estas dos etapas.
13
Figura 3. Comportamiento de la trayectoria del sistema a lo largo de la superficie
deslizante. a) sin presencia de ruido y b) con presencia de ruido.
El control SMC es atractivo para una clase muy amplia de sistemas debido a su
capacidad para tratar con no-linealidades así como con incertidumbres y perturbaciones
del sistema de manera directa. Particularmente, este tipo de esquema de control resulta
muy útil en sistemas con presencia de respuesta inversa (Camacho et al., 1999).
𝑑 𝑛 𝑡
𝑆 𝑡 = +𝜆 0
𝑒 𝑡 𝑑𝑡 (13)
𝑑𝑡
El objetivo del control es asegurar que la variable de control sea igual a su valor
de referencia todo el tiempo, es decir, el valor del error sea cero. Alcanzado el valor de
referencia, se garantiza que el error siempre sea cero en todo el tiempo y por tanto S(t)
llega a ser constante, con lo cual se cumple lo siguiente:
𝑑𝑆
=0 (14)
𝑑𝑡
14
controlada hacia el valor de referencia, cumpliéndose la condición dada por la Ecuación
(14). La ley de control, U(t), está compuesta por una parte continua, 𝑈𝐶 (𝑡), y una parte
discontinua, 𝑈𝐷 (𝑡), representada por:
𝑈 𝑡 = 𝑈𝐶 𝑡 + 𝑈𝐷 (𝑡) (15)
𝑈𝑐 𝑡 = 𝑓(𝑋 𝑡 , 𝑅 𝑡 ) (16)
𝑆(𝑡)
𝑈𝐷 𝑡 = 𝐾𝑑 (17)
𝑆(𝑡) +𝛿
𝑋(𝑠) 𝐾𝑒 −𝑡 0 𝑠
= (18)
𝑈(𝑠) 𝜏𝑠+1
1
𝑒 −𝑡0 𝑠 = 𝑡 (19)
0 𝑠+1
15
Sustituyendo la Ecuación (20) en la Ecuación (19) se obtiene:
𝑋(𝑠) 𝐾 1
= 𝜏𝑠+1 (20)
𝑈(𝑠) 𝑡 0 𝑠+1
𝑑 2 𝑋(𝑡) 𝑑𝑋 𝑡
𝑡0 𝜏 + 𝑡0 + 𝜏 + 𝑋 𝑡 = 𝐾𝑈(𝑡) (21)
𝑑𝑡 2 𝑑𝑡
Lo cual define a una ecuación diferencial de segundo orden (n=2). Este orden se
sustituye la Ecuación (14), la cual describe a la superficie de deslizamiento:
𝑑𝑒 𝑡 𝑡
𝑆 𝑡 = + 𝜆1 𝑒 𝑡 + 𝜆0 0
𝑒 𝑡 𝑑𝑡 (22)
𝑑𝑡
𝑑𝑆 (𝑡) 𝑑2𝑒 𝑡 𝑑𝑒 𝑡
= + 𝜆1 + 𝜆0 𝑒 𝑡 = 0 (23)
𝑑𝑡 𝑑𝑡 2 𝑑𝑡
Puesto que las derivadas de los valores de referencia pueden descartarse sin
afectar la acción del controlador, la Ecuación (26) se simplifica a:
𝑡0 𝜏 𝑡 0 +𝜏 𝑑𝑋 (𝑡) 𝑋(𝑡)
𝑈𝐶 𝑡 = − 𝜆1 + + 𝜆0 𝑒 𝑡 (26)
𝐾 𝑡0 𝜏 𝑑𝑡 𝑡0 𝜏
Y considerando que:
𝑡 0 +𝜏
𝜆1 = (27)
𝑡0 𝜏
16
La parte de control continua llega a ser:
𝑡0 𝜏 𝑋(𝑡)
𝑈𝐶 𝑡 = + 𝜆0 𝑒 𝑡 (28)
𝐾 𝑡0 𝜏
Así, la ley de control que define al sistema de control SMC y que está
representado por la adicción de las partes continuas y discontinuas antes descritas está
dada por:
𝑡0 𝜏 𝑋(𝑡) 𝑆(𝑡)
𝑈 𝑡 = + 𝜆0 𝑒(𝑡) + 𝐾𝑑 (29)
𝐾 𝑡𝑜 𝜏 𝑆(𝑡) +𝛿
−𝑑𝑋(𝑡) 𝑡
𝑆 𝑡 = 𝑠𝑖𝑔𝑛(𝐾) + 𝜆1 𝑒 𝑡 + 𝜆0 0
𝑒 𝑡 𝑑𝑡 (30)
𝑑𝑡
Por otra parte y de acuerdo a lo reportado por Camacho y Smith (2000), para
asegurar que la superficie deslizante se comporte como un sistema sobreamortiguado, λ0
está dada por:
𝜆 12
𝜆0 = (31)
4
1 𝑡 0 +𝜏 2
𝜆0 = 4 (32)
𝑡0 𝜏
0.51 𝜏 0.76
𝐾𝑑 = (33)
𝐾 𝑡0
Cabe mencionar que las expresiones que definen al controlador SMC de las
Ecuaciones (29) y (30) están en función de las expresiones 𝜆𝑜 , 𝜆1 , 𝐾𝑑 y δ y a su vez,
éstos parámetros están en función de los valores K, τ y t0. Por lo que, la robustez de este
esquema de control estará en función de los valores asignados a estos parámetros de
ajuste.
17
En las últimas décadas han sido publicados una gran variedad de estudios
relacionados a los esquemas de control de estructura deslizante (SMC), principalmente
abarcando diversos sectores industriales. Sin embargo, aun cuando su aplicación en
problemas del área de Ingeniería Química todavía está limitada, existen algunos casos
con resultados satisfactorios. Algunos ejemplos es el trabajo de Camacho y Smith
(2000), quienes utilizaron un SMC para controlar la operación de un tanque de mezclado
y un reactor continuo. Chen y Peng (2005) que diseñaron un SMC aplicado a procesos
químicos de primer y segundo orden y en un reactor con retardo en la entrada (2006).
Mihoub et al. (2009) que aplicaron un modelo discreto del SMC de segundo orden para
el control de un reactor químico. Musmade et al. (2011) que diseñaron un SMC y lo
utilizaron en un conjunto de problemas (un proceso de fermentación, un reactor
isotérmico y un proceso hidráulico). Kravaris y Savoglidis (2012) que aplicaron un
SMC para un sistema de bioreactor continuo.
Si bien estos esquemas de control (SMC) han mostrado una acción de control
robusta en los casos que se han aplicado, este comportamiento también está
condicionado a la adecuada selección de los parámetros de sintonización (Camacho y
Smith, 2000; Nasir et al., 2010).
18
2.3. Sintonización de parámetros para un sistema de control
El paso final para la correcta implementación de un esquema de control consiste
en realizar un adecuado ajuste de sus parámetros. Si el controlador puede ser
sintonizado para dar una respuesta satisfactoria, se entiende que el lazo de control ha
sido bien diseñado. Para esto, es necesario contar con estrategias adecuadas para la
obtención de los parámetros de ajuste del controlador (Angulo, 2013). A esta selección
de parámetros se le conoce como ajuste o sintonización del controlador (Linninger y
Ekaterini 2005) y puede efectuarse a través de estrategias empíricas o mediante
procedimientos numéricos.
19
una oscilación de amplitud constante. A esta ganancia del controlador Proporcional se
denomina última ganancia, 𝐾𝐶𝑈 , y el periodo de la oscilación se denomina último
periodo, 𝜏𝑈 . Finalmente, los valores de los parámetros de ajuste del controlador se
calculan como se muestra en la Tabla 1 (Ollero y Fernández, 2007).
Controlador 𝐾𝑝 𝐾𝑃 𝐾𝑃
𝜏𝐼= 𝜏𝐷 =
𝐾𝐼 𝐾𝐷
P 𝐾𝐶𝑈 /2 ∞ 0
ii) Método en lazo abierto: En este método las características estacionarias y dinámicas
del sistema se obtienen de un ensayo a lazo abierto. Esto parte de la generación de una
perturbación tipo escalón sobre el proceso para así obtener una curva de reacción del
sistema ante tal perturbación y a partir de ésta, analizar y determinar ciertos parámetros.
Para este análisis, se aplica el Método del Punto de Inflexión sobre la curva de reacción
generada ante la perturbación incidida y donde esta curva se considera que sigue un
comportamiento de un modelo de primer orden más tiempo muerto (FOPDT) que está
descrito por la Ecuación (19).
20
Figura 4. Método de punto de inflexión sobre una curva de reacción para la
determinación de parámetros de ajuste de un sistema de control a través del método de
Ziegler-Nichols a lazo abierto.
21
parte como un problema de optimización, resultando necesario contar con las
herramientas numéricas adecuadas para tal fin (Linninger, 2005).
Existen diversos estudios que han aplicado alguna estrategia numérica con fines
de optimización en los esquemas de control. Este tipo de herramientas, en función a su
formulación o forma de operar, se clasifican en dos categorías: las estrategias de
optimización global de tipo determinista y del tipo estocástico.
22
2.3.2.2 Sintonización de parámetros empleando estrategias estocásticas
Por su parte, las estrategias de optimización estocásticas se caracterizan por ser
métodos que superan las limitantes que exhiben las estrategias deterministas. Al no ser
dependientes de las estimaciones iniciales, poseer la habilidad de escapar de los óptimos
locales y no requieren reformulación alguna del caso de estudio (Massaci y Patrizi
1985; Deb et al., 2002; Yang y Deb, 2009; Higuera et al., 2010; Parpas y Webster,
2014).
Existe una amplia variedad de estudios en los que se han implementado las
estrategias metaheruísticas en diversos problemas. Por citar algunos casos está el trabajo
de Altinten et al. (2004) quienes aplicaron Algoritmos Genéticos (AG) para el ajuste de
parámetros de un control PID en un problema de un reactor de polimerización.
Mohideen et al. (2013) aplicaron este algoritmo y controlador para un sistema de
aeronáutica. Hamzah et al. (2013) implementaron AG en un control SMC para la
estabilización de un volante posterior a un giro. Obaid et al. (2013) utilizaron el
algoritmo Enjambre de Partículas para el cálculo de los parámetros de ajuste de un
control SMC en un sistema de suspensión. Dehdarinejad et al. (2013) emplearon el
mismo algoritmo y controlador para un convertidor eléctrico DC-DC.
23
de tipo SMC (Hamzah et al., 2013; Obaid et al., 2013; Dehdarinejad et al., 2013; Kessal
y Rahmani, 2014).
𝑡+1 𝑡
𝑋𝑖 = 𝑋𝑖 + (𝛼)𝐿e𝑣𝑦 𝑖 (38)
donde α (α > 0) es el tamaño de paso el cual debe estar relacionado a las escalas del
problema bajo estudio (generalmente se asigna un valor unitario), 𝑋𝑖 𝑡 es la solución del
problema en un tiempo previo al siguiente movimiento para generar una nueva solución,
y Levy(i) es la distribución Levy. El vuelo de Levy esencialmente proporciona un camino
aleatorio mientras la longitud de paso aleatorio se extrae de la distribución Levy.
24
2.4.1. Funcionamiento del algoritmo de optimización Cuckoo Search
Los pasos forman esencialmente un proceso de caminata aleatoria a través del
espacio de búsqueda. Así, algunas de las nuevas soluciones generadas por la
distribución de Levy generan una posible mejor solución respecto a la actual. Algunas
de estas nuevas soluciones podrían localizarse en un espacio alejado del inicial. Esta
etapa de diversificación evita que el proceso de búsqueda no quede entrampado en
óptimos locales (Yang y Deb, 2009). Por tanto, el algoritmo CS se basa en tres reglas
cíclicas dadas por:
25
Un sistema puede considerarse optimizado cuando este índice posee su valor mínimo,
ya que está en función de los valores asignados a los parámetros de ajuste del sistema de
control. Existen diversos tipos de errores dinámicos, por ejemplo:
e) Integral del producto del tiempo y el valor absoluto del error (I.T.E.A.)
Este índice penaliza de sobremanera la duración de la desviación:
∞
𝐼. 𝑇. 𝐸. 𝐴. = 0
𝑡 𝑒 𝑡 𝑑𝑡 (43)
26
3. METODOLOGÍA
donde R(ψ) es el valor deseado de la variable a controlar dentro del proceso estudiado,
X(ψ) es el valor de la variable de control a la salida del proceso, e(ψ) es el error o
desviación existente entre el valor deseado de la variable de control y su respuesta a la
salida del proceso y U(ψ) es la acción del controlador a la entrada del proceso. El
símbolo (ψ) se refiere a que las señales que intervienen en la entrada-salida de cada
bloque pueden estar en el dominio del tiempo (t) o en el dominio de Laplace (s). La
expresión matemática para el cálculo del error está definida por:
𝑒 𝝍 =𝑅 𝝍 −𝑋 𝝍 (44)
27
3.2. Descripción de los esquemas de control
Tal como se mencionó en el Marco Teórico de este trabajo, un esquema de
control es el elemento responsable de generar una señal correctiva que continuamente es
enviada al elemento final de regulación del proceso, con el fin de alcanzar, restablecer o
mantener las condiciones deseadas del proceso. Además, los diversos modos de
actuación que determinan la salida del controlador se denominan modos de regulación y
éstos son dependientes de la incorporación combinada de diferentes acciones de control.
Por lo anterior, existe una amplia diversidad de estructuras de control que se han
desarrollado y acoplado, mostrando sus bondades y ventajas en los casos estudiados. De
acuerdo a su estructura, estas estrategias se clasifican como estrategias de control
clásicas o modernas y su acción depende en gran medida de las características del
problema en que se incorpore.
Esto significa que los valores adecuados de los parámetros del controlador
cambian para cada perturbación (magnitud) y ésto conlleva a efectuar un análisis
individual que en un proceso en operación tomaría tiempo y sería impráctico. Es a
través de la implementación de la estrategia numérica de optimización que se evita este
proceso haciendo robusta la respuesta del controlador, independientemente de la
magnitud de la perturbación que se presente.
28
La Figura 6 muestra un diagrama de bloques de un sistema de control a lazo cerrado con
la incorporación de la etapa de optimización de parámetros en el proceso mismo, así
como las variables de entrada-salida involucradas en cada etapa, donde 𝑣 corresponde al
vector de parámetros de ajuste que fueron optimizados por el algoritmo para el sistema
de control con que se trabaje.
Algoritmo de
optimización
29
iii) Los elementos que componen al sistema se acoplan como se muestra
en la Figura 6 y en un determinado tiempo se genera una perturbación
sobre el proceso, afectando la respuesta de salida de una determinada
variable de control.
iv) La variable de control genera una respuesta de salida que se compara
con el valor de referencia. Así se estima la magnitud del error en el
proceso debido a la perturbación incidida.
v) De acuerdo a la magnitud de la desviación, en comparación con una
tolerancia preestablecida (1E-3), el algoritmo de optimización generará
un vector de parámetro de ajuste para estabilizar el proceso si la
magnitud de la desviación es mayor a la tolerancia. El paso anterior
será repetido por el algoritmo de optimización hasta que la magnitud
de la desviación sea menor que la tolerancia.
vi) Cuando la combinación de estos parámetros de ajuste satisfaga la
tolerancia, se denominará al vector como los parámetros óptimos de
ajuste.
𝐸. 𝐶. 𝑀. = (𝑅 𝝍 − 𝑋 𝝍 )2 (45)
Tanto las ecuaciones gobernantes del proceso como del controlador incorporado
al sistema, se desarrollaron a través de programación de bloques de SIMULINK. El
30
algoritmo de optimización CS es el creado por Yang y Deb (2009) y está codificado en
lenguaje de MATLAB®, así, tanto los bloques de SIMULINK y el código del CS se
acoplaron para tener la estructura del sistema de control de la Figura 6.
31
algoritmo de optimización, se procedió a evaluar un conjunto de procesos. La idea
esencial de los sistemas estudiados se describe a continuación.
32
4. RESULTADOS
33
El modelo matemático que describe la dinámica del proceso está representado
por la función de transferencia dada por:
1.68𝑒 −0.25 𝑠
𝐺 𝑠 = (46)
1.1𝑠+1 0.21𝑠+1
Las dos constantes de tiempo (1.1 y 0.21 min) están asociadas con la
capacitancia del tanque y el canal de retraso, respectivamente. La constante 0.25 min
está relacionada al retraso de la señal en el actuador, cuyo elemento de retraso (e-0.25s)
puede obtenerse mediante una aproximación de Padé de primer orden, representada por:
1−0.125𝑠
𝑒 −0.25𝑠 = 1+0.125𝑠 (47)
1.68 1−0.125𝑠
𝐺 𝑠 = (48)
1.1𝑠+1 0.21𝑠+1 1+0.125𝑠
𝐹. 𝑂. = (1 − 𝑋 𝝍 )2 (49)
34
Tabla 2. Valores límites donde se realizó la búsqueda de los parámetros de ajuste
optimizados para un controlador PID implementado en un sistema de tanques
interconectados.
Parámetro Optimizados
Referencia
fobj.(Mayor) fobj.(Promedio) fobj.(Menor)
35
La Tabla 3 muestra que los parámetros de ajuste que corresponde a fobj.(Mayor) y
fobj.(Promedio) son cercanos, por lo que la dinámica transitoria de estos parámetros
optimizados será parecida. Así también, la magnitud del tiempo derivativo es igual en
los tres vectores optimizados, sin embargo aunque tengan la misma magnitud la acción
Derivativa, por sí sola, no es capaz de controlar un proceso. Además se observa que el
valor de la función objetivo decrece considerablemente al emplear los parámetros
optimizados.
36
Si bien es cierto que el tiempo de asentamiento es un parámetro importante en
los sistemas de control de procesos, éste no es un parámetro que indique la robustez del
mismo, por lo cual se emplean los índices de desempeño descritos en la Metodología.
Estos índices se determinaron considerando a los parámetros de control referenciados y
los obtenidos durante el proceso de optimización, los cuales se indican en la Tabla 3.
Cada uno de los índices (errores) calculados se muestran en la Tabla 4, donde se
muestra el tipo de error y bajo qué conjunto de parámetros de ajuste se obtuvo.
Índices de desempeño
Parámetros
I.E. I.E.C. I.E.A. I.T.E.C. I.T.E.A.
Acorde a los datos numéricos expuestos en la Tabla 4, se muestra que los valores
referenciados presentan un menor error si se considera el I.E. Sin embargo, los
parámetros optimizados obtenidos de la fobj.(Menor) presentan de igual forma un mejor
resultado en los demás índices de desempeño en comparación a los datos referenciados.
Considerando lo anterior, el orden de la robustez del sistema de control estará dado en el
siguiente orden: fobj.(Menor) < referenciados <fobj.(Mayor)< fobj.(Promedio).
Para remover el calor producido por la reacción, el reactor es rodeado por una
chaqueta a través de la cual un fluido refrigerante fluye a 27°C. Al iniciar la reacción
exotérmica, la temperatura del sistema se incrementará, por lo que el flujo del
refrigerante variará con el objetivo de estabilizar la temperatura del reactor a 88°C.
38
Balance molar del reactivo A:
𝑑𝐶𝐴 𝐹 𝑡
= 𝐶𝐴𝑖 − 𝐶𝐴 − 𝑘𝐶𝐴 2 (50)
𝑑𝑡 𝑉
𝑑𝑇𝑐 𝑈𝐴 𝐹𝐶 𝑡
=𝑉𝜌 𝑇 − 𝑇𝐶 − 𝑇𝐶 − 𝑇𝐶𝑖 (51)
𝑑𝑡 𝑐 𝑐 𝐶𝑃𝐶 𝑉𝐶
𝑑𝑇 𝐹 𝑡 ∆𝐻 𝑈𝐴
= 𝑇𝑖 − 𝑇 − 𝜌𝐶𝑅 𝑘𝐶𝐴2 − 𝑉𝜌 𝐶 𝑇 − 𝑇𝐶 (52)
𝑑𝑡 𝑉 𝑃 𝑃
Transmisor de Temperatura:
𝑑𝑇𝑂 𝑡 1 𝑇 𝑡 −80
=𝜏 − 𝑡 (54)
𝑑𝑡 𝑇 20
Válvula de control:
𝐹𝐶 𝑡 = 𝐹𝑐𝑚𝑎𝑥 𝛼 −𝑚 𝑡
(55)
𝑒 𝑡 = 𝑇𝑂 𝑡 − 𝑇𝑂 (56)
39
Tabla 5. Descripción de los parámetros de diseño y sus valores en estado estable para un
sistema de reactor CSTR.
𝐹𝑐𝑚𝑎𝑥 Máximo flujo por el cual pasa a la válvula de control. 0.020 𝑚2 /𝑚𝑖𝑛
40
4.2.1 Implementación de un sistema de control PI
Al igual que en el caso anterior, se implementó un sistema de control a lazo
cerrado donde el controlador empleado fue un PI, mismo que utilizaron Camacho y
Smith (2000) en su estudio. Dado que las ecuaciones gobernantes del proceso están
formuladas en el dominio del tiempo, la ecuación del controlador a utilizar corresponde
a la Ecuación (7) antes descrita en este trabajo. Los parámetros del controlador a
considerar como de referencia fueron obtenidos por los autores empleando el método de
Ziegler-Nichols.
𝐹. 𝑂. = (88 − 𝑋 𝝍 )2 (57)
41
Tabla 7. Parámetros de ajuste de la referencia obtenido por el método de Ziegler-
Nichols y optimizados para un controlador PI implementado en un reactor CSTR.
Parámetro Optimizados
Referencia*
fobj.(Mayor) fobj.(Promedio) fobj.(Menor)
42
La Figura 10 muestra que los parámetros de ajuste referenciados y los obtenidos
seleccionando la función objetivo mayor y promedio presentan un comportamiento
análogo en la dinámica transitiva. Mientras que los parámetros de referencia muestran el
tiempo de asentamiento más lento y con una magnitud de la función objetivo menos
robusta.
43
Tabla 9. Parámetros de ajuste referenciados y optimizados para un controlador SMC
implementado en un reactor CSTR.
Parámetro Optimizados
Referencia*
fobj.(Mayor) fobj.(Promedio) fobj.(Menor)
44
Figura 11. Comportamiento transitorio de la respuesta de un control SMC para un
sistema CSTR.
45
Tabla 10. Índices de desempeño obtenidos de un sistema CSTR empleando un control
PI.
La Tabla 10 muestra que para el control PI, los índices obtenidos con los
parámetros optimizados son menores y, por consiguiente, mejores en comparación a los
índices generados a través de los datos referenciados. El orden de los parámetros en la
generación del error mínimo que en este caso es el I.E.C. es: fobj.(Promedio) < fobj.(Mayor)
<fobj.(Menor)<referenciado.
Para el caso del controlador SMC, la Tabla 11 muestra los resultados de los
índices obtenidos. Se observa que el índice I.E.C. son los que presentan magnitudes
46
menores, así el orden que estaría generándose en función de los parámetros es:
fobj.(Mayor)< fobj.(Promedio)< fobj.(Menor)<referenciado.
47
4.3. Evaluación de un sistema de control para un proceso de tanque de
reacción con agitación continua y presencia de perturbación en el flujo de
alimentación.
Este caso es análogo al caso 4.2, donde aunado a la existencia de la reacción
exotérmica en el sistema, se tiene la presencia de una perturbación positiva de entrada
sobre el flujo de alimentación del reactivo con una magnitud del 10%. Por tanto, se
requiere la implementación de un esquema de control que retorne al sistema a un estado
estable. La Figura 9 corresponde al diagrama de este sistema (Camacho y Smith, 2000).
Las consideraciones del sistema como los modelos matemáticos y sus valores de estado
estable descritos en el anterior problema corresponden a este mismo sistema.
Tabla 12. Valores límites donde se realizó la búsqueda de los parámetros de ajuste
optimizados para un controlador PI implementado un sistema de reactor CSTR con
presencia de perturbación en el flujo de alimentación.
48
parámetros de ajuste óptimos para este caso. La Tabla 13 muestra los parámetros de
ajuste de referencia y los optimizados con la magnitud de la función objetivo.
Parámetro Optimizados
Referencia*
fobj.(Mayor) fobj.(Promedio) fobj.(Menor)
Tomando los valores de la Tabla 13, se procedió a efectuar las simulaciones del
sistema para visualizar el comportamiento transitivo que tiene la variable de control
(temperatura del reactor) hasta lograr su asentamiento, ésto se ilustra en la Figura 13.
49
Figura 13. Comportamiento transitorio de la respuesta de un control PI para un sistema
CSTR con perturbación a la entrada.
50
Tabla 14. Valores límites donde se realizó la búsqueda de los parámetros de ajuste
optimizados para un controlador SMC implementado un sistema de reactor CSTR con
perturbación a la entrada.
Parámetro Optimizados
Referencia*
fobj.(Mayor) fobj.(Promedio) fobj.(Menor)
La Tabla 15 muestra que tanto los parámetros de ajuste de referencia como los
optimizados poseen diferente magnitud, por lo que la dinámica de cada vector de
parámetros será única. Mientras que la función objetivo se observa que los parámetros
optimizados nuevamente son menores respecto a los referenciados.
51
De igual manera, los parámetros de ajuste reportados en la Tabla 15 fueron
empleados para generar las simulaciones correspondientes del sistema de control y
visualizar su dinámica transitiva para cada conjunto de parámetros de ajuste. Así, la
Figura 14 muestra el comparativo de este comportamiento.
52
Tabla 16. Índices de desempeño obtenidos de un sistema CSTR con perturbación a la
entrada empleando un control PI.
Para el caso del controlador SMC, la Tabla 17 muestra que, de igual forma, los
parámetros optimizados generan en ciertos casos magnitudes de los índices menores a
los obtenidos a través de los parámetros de referencia. En este caso y considerando el
53
índice I.E.C., el orden de los parámetros es: fobj.(Mayor)<fobj.(Promedio)<referenciado<
fobj.(Menor).
Figura 15. Dinámica de acción del controlador de un sistema CSTR con perturbación a
la entrada, empleando un controlador de tipo PI y SMC.
La Figura 15 muestra, al igual que en el caso previo, que el control SMC genera
una acción de control más suave respecto al del control PI. Una vez más se observa que
el controlador SMC reduce la alta dinámica de acción, respecto a lo que se obtiene al
implementar los controladores clásicos en este caso de estudio.
54
4.4. Evaluación de un sistema de control para un proceso de un tanque de
agitación constante con múltiples perturbaciones
El sistema que se analizó consistió en un tanque agitado que es alimentado con
un flujo a alta y otro a baja temperatura. El fluido en el tanque se encuentra a una
temperatura de 150°F y es transportado a través de una tubería; se desea mantener esta
temperatura posterior a la presencia de múltiples perturbaciones negativa en el flujo de
alta temperatura. Por tanto, se implementa un esquema de control que garantice la
estabilidad del sistema. La Figura 16 muestra el esquema de este sistema (Camacho y
Smith, 2000).
55
𝑇4 𝑡 = 𝑇3 𝑡 − 𝑡0 (59)
Tiempo muerto:
𝐿𝐴𝜌
𝑡0 = 𝑊 (60)
1 𝑡 +𝑊2 𝑡
Posición de la válvula:
𝑑𝑉𝑃 𝑡 1
=𝜏 𝑚 𝑡 − 𝑉𝑃 (62)
𝑑𝑡 𝑉𝑃
Ecuación de la válvula:
500
𝑊2 𝑡 = 𝐶𝑉𝐿 𝑉𝑃 𝐺𝑓∆𝑃𝑉 (63)
60
56
Tabla 18. Descripción de los parámetros de diseño y sus valores en estado estable para
un sistema de un tanque de agitación continua.
𝐶𝑃1 Capacidad calorífica del líquido a presión contante del 0.8 𝐵𝑇𝑈/𝑙𝑏°𝐹
fluido caliente.
57
𝐹. 𝑂. = (150 − 𝑋 𝝍 )2 (64)
Tabla 19. Valores límites donde se realizó la búsqueda de los parámetros de ajuste
optimizados para un controlador PI para un tanque de agitación con múltiples
perturbaciones en el flujo de alimentación del fluido caliente.
Parámetro Optimizados
Referencia*
fobj.(Mayor) fobj.(Promedio) fobj.(Menor)
58
La Tabla 20 muestra que la dinámica transitoria para fobj.(Mayor) y fobj.(Promedio) será
semejante. Sin embargo, la magnitud de la función objetivo difiere en 13 órdenes de
magnitud. Cabe mencionar que fobj.(Menor) y fobj.(Promedio) poseen una magnitud mayor
respecto a los parámetros de referencia.
59
4.4.2 Implementación de un sistema de control de tipo SMC
En base a la Figura 2 se implementó un esquema de control de tipo SMC
representado por las Ecuaciones (29) y (30). Se efectuaron las simulaciones
considerando los parámetros de ajuste reportados por Camacho y Smith (2000) con el
objetivo de reproducir la información reportada. A continuación, se acopló el algoritmo
de optimización para el ajuste de parámetros que se muestra en la Figura 6, se programó
la Ecuación (64) como la función objetivo a minimizar y se introdujeron los valores
límites correspondientes a la Tabla 21.
Tabla 21. Valores límites donde se realizó la búsqueda de los parámetros de ajuste
optimizados para un controlador SMC para un tanque de agitación con múltiples
perturbaciones en el flujo de alimentación del fluido caliente
Parámetro Optimizados
Referencia*
fobj.(Mayor) fobj.(Promedio) fobj.(Menor)
60
La Tabla 22 muestra que los parámetros de ajuste referenciados y los
optimizados tendrán diferentes dinámicas transitorias, además se observa que la función
objetivo con los parámetros de referencia es menor respecto a los parámetros
optimizados, esto a causa de las oscilaciones sostenidas que no permiten al sistema
retornar a la dinámica estable.
Con los valores reportados en la Tabla 22, se realizaron las simulaciones del
sistema a controlar para evaluar su dinámica transitiva con cada conjunto de parámetros
de ajuste. La Figura 18 muestra dicho comportamiento de la dinámica para cada
conjunto de parámetros de ajuste obtenidos.
61
4.4.3 Evaluación de la robustez de la acción de control PI vs SMC
Se evalúo el índice de desempeño para conocer la robustez de cada esquema de
control. Se consideraron los parámetros de ajuste propuesto por los autores y los
obtenidos por el proceso de optimización. Las Tablas 23 y 24 muestran los resultados de
cada conjunto de parámetros y controlador analizado.
62
referenciados. Así, el orden al emplear el error definido por el I.E.C. es: fobj.(Menor)<
referenciado<fobj.(Promedio)<fobj.(Mayor).
Figura 19. Dinámica del controlador de un tanque un tanque de agitación con múltiples
perturbaciones en el flujo de alimentación del fluido caliente, empleando un controlador
de tipo PI y SMC.
La Figura 19 muestra que el control SMC genera una dinámica más suave (pocas
oscilaciones) en comparación a la dinámica por parte del control PI. Este
comportamiento es análogo al obtenido en otros casos de estudio mostrados en las
secciones anteriores, por lo que la implementación de un sistema de control moderno
63
con parámetros de ajuste optimizados, la acción del controlador causará menores daños
respecto al control clásico PI.
64
5. CONCLUSIONES
5.1 Generales
De acuerdo a los resultados obtenidos en estos casos de estudio, la aplicación de
la estrategia de optimización de tipo estocástica Cuckoo Search ha mostrado ser una
buena opción para el ajuste de parámetros en controladores de tipo PID y SMC. .
Se localizaron los parámetros óptimos de ajuste para el control PID/PI donde se
encontró que en tres de los cuatro casos analizados que los parámetros fobj.(Promedio) y
fobj.(Mayor) eran cercanos, proporcionando una dinámica transitoria semejante. Mientras
que para el control SMC no se observó este comportamiento.
Al evaluar la magnitud de la función objetivo, tiempo de asentamiento y
máximo sobreimpulso de los parámetros de ajuste de la referencia respecto a los
optimizados, se observo que en todos los casos donde se analizó esquema de control
PI/PID, mostró ser menor al emplean los parámetros optimizados. Mientras el
controlador SMC, se observa que, a excepción del sistema de tanque con múltiples
perturbaciones, el empleo de los parámetros optimizados ayuda al retorno al valor
deseado en menor tiempo respecto a los parámetros referenciados.
El análisis de los índices de desempeño muestra que, a excepción del índice I.E.,
el control PI/PID y SMC con los parámetros de ajuste optimizados tienen una magnitud
menor respecto a los parámetros de referencia.
A su vez, se ha demostrado que al emplear los fobj.(Promedio), se observa cómo la
dinámica del control SMC muestra oscilaciones más suave (bajas oscilaciones) en
comparación a las generadas por el controlador PI.
El principal aporte de los parámetros optimizados sobre el control PI, es que el
sistema retorna al valor deseado tras recibir múltiples perturbaciones. Mientras que para
el controlador SMC se encontró que el tiempo de asentamiento se reduce
considerablemente respecto a los parámetros referenciados además de no trasgredir las
suaves oscilaciones características de este esquema de control.
5.2 Específicas
Al analizar los casos que comprendían perturbaciones de tipo menor (reactor
químico), intermedio (reactor químico con perturbación), unitario (tanques
interconectados) y múltiple (tanque de agitación), se obtuvo:La dinámica transitoria
65
muestra que el empleo de los parámetros optimizados con el controlador PI/PID, se
observó que el tiempo de asentamiento y sobreimpulso se reduce, mostrando que la
implementación del algoritmo Cuckoo Seach es una alternativa viable para la
localización de parámetros óptimos de ajuste.
Al implementar los parámetros óptimos de ajuste en el control de tipo deslizante,
se observó que para el sistema con una perturbación menor es recomendable porque
reduce el tiempo de asentamiento y máximo sobreimpulso. Mientras que en el caso del
reactor químico con perturbación, no se presentó una diferencia significativa respecto a
los parámetros de referencia. En el caso del tanque con múltiples perturbaciones se
observó que los parámetros optimizados son menos robustos a causa del que el
algoritmo de búsqueda local Nelder-Mead forma parte de la parte continua y
discontinua de las ecuaciones que componen a este esquema de control moderno.
Si se desea que el control PI/PID y SMC tengan dinámicas transitivas con menor
tiempo de asentamiento, sobreimpulsos e índices de desempeño más robusto se
recomienda implementar otras funciones objetivo a minimizar tales como los índices de
desempeño.
66
6. BIBLIOGRAFÍA
Altinten, A.; Erdogan, S.; Alioglu, F.; Hapoglu, H. y Alpbaz M. (2004). Application
of adaptive PID with genetic algorithm to a polymerization reactor. Chemical
Engineering Communications volume 191, pp. 1158-1172.
Chen, C. y Peng, S. (2005). Design of a sliding mode control system for chemical
processes. Journal of Process Control, volume 15, pp. 515-530.
67
Chen, C. y Peng, S. (2006). A sliding mode control scheme for non-minimum phase
non-linear uncertain input-delay chemical processes. Journal of Process Control,
volume 16, pp. 37–45.
Gill, P.; Murray, W. y Saunders. M. (2005). An SQP algorithm for large scale
constrained optimization. SIAM Review, volume 47, pp. 99-131.
68
Hamzah, N.; Sam, Y., Selamat, H. y Ariin, M. (2013). GA-based sliding mode
controller for yaw stability improvement. 9th Asian, control conference, ASCC
2013.
Higuera, O.; Aguero, C.; Canas, J. y Millan, S. (2010). Qsearch: búsqueda
optimizada aplicada a la calibración de controladores PID en un cuadricóptero
autónomo. Proccedings of VIII Workshop Robocity 2010.
Holland, J. (1975). Adaptation in Natural and Artificial Systems, Ann Arbor:
University of Michigan Press.
Jian, X y Lei, Q. (2014) Robust adaptative PID control of robot manipulator with
bounded disturbances. Advances in Mechanical Engineering, volume 201, pp. 13-
26.
Jianhua, Z. y Junghu. C. (2013). PID control strategy for networked process control.
Hindawin Publishing Corporation Mathematical Problems in Engineering, volume
2013, pp. 11-22.
Jing-Nang, L.; Tsung-Min, L y Chien-Ching, C. (2014). Modeling validation and
control analysis of air conditioning system. The scientific World Journal, volume
2014, pp. 1-10.
Johnston, C. (1998). Geographic Information Systems in Ecology. Methods in
Ecology. First Edition. Blackwell Science Ltd. Malden, USA, volume 14, pp. 134-
142.
Jun, Z.; Jizhuang, F.; Yanhe, Z.; Jie, Z. y Wenjie, Z. (2014). One nonlinear PID
control the improved the control performance of a manipulator actuate by a
pneumatic muscle actuator. Advances in Mechanical Engineering, volume 2014, pp.
150-169.
Kennedy, J. y Erthart, R. (1995). Particle Swarm Optimization. Purdue School of
Engineering and Technology.
Kessal, A. y Rahmani, L. (2014). GA-optimized parameters of sliding-mode
controller based on both output voltage and input current with an application in the
PFC of AC/DC converters. IEEE Transactions on Power Electronics, volume 29, pp.
3159-3156.
Kirkpatrick, S.; Gellat, C. y Vechhi, M. (1983). Optimization by simulated
annealing, Sciences, volume 220, pp. 617-680.
69
Kravaris, C. y Savoglidis, G. (2012). Tracking the singular arc of a continuous
bioreactor using sliding mode control. Journal of the Franklin Institute, volume 349,
pp. 1538-1601.
Kuo, C.; Huang, Y.; Chen, C. y Chang, C. (2008). Adaptative sliding mode control
with PID tuning for uncertain systems. Proceedings of the International
Multiconference of Engineers and Computer Scientists, volume 2, pp. 2040-2043.
Leva, A. (1993). PID auto-tuning algorithm based on relay feedback. IEE Port-
Control Theory and Applications, volume 140, pp. 328-337.
Minghong, L.; Fuli, W. y Forong G. (2001). PID bases sliding mode controller for
nonlinear processes. Industrial and Engineering Chemistry, volume 40, pp. 2660-
2067.
Obaid, M.; Husain, R. y Al-kubati, A. (2014). Intelligent sliding mode controller for
active suspension system using particle swarm optimization. Jurnal Teknologi,
volume 69, pp. 1-7.
O'Dwyer, A. (2000). A summary of PI and PID controller tuning rules for processes
with time delay. Part 1: PI controller tuning rules. Proceedings of PID IFAC
Workshop on Digital Control, pp. 175-180.
Rojas, R.; García, W. y Camacho, O. (2005). On sliding mode control for inverse
response processes. World Congress, volume 16, pp. 1660-1668.
Sahu, R.; Panda, S. y Rout; U. (2013). DE optimized parallel 2-DOF PID controller
for load frecuency control of power system with governor dead-band nonlinearity.
Electrical Power and Energy Systems, volume 49, pp. 19-33.
Sam, M.; Osman, S. y Ghani, R. (2002). Proportional integral sliding mode control
of a quarter car active suspension. Control and Power Engineering, volume 3, pp.
1630–1633.
Shouwei, Z.; Hai, L.; Jitao, S. y Zhengui, X. (2012). An implicit Lyapunov control
for finite-dimensional closed quantum systems. International Journal of Robust and
Nonlinear Control, volume 22, pp. 1212-1228.
72
Vázquez, C. (2004). La nueva generación de PLC, PAC controladores automáticos
programables. Tech Mexico automatización, volume 6, pp. 6-21.
Wang, Q.; Zou, B.; Lee, T. y Bi. Q. (1997). Auto-tuning of multivariable PID
controller from decentralized relay feedback. Automatica, volume 33, pp. 319-330.
73
7. APÉNDICES
74
7.1.2.1. Superficie deslizante S(t)
75
Balance de energía dentro del reactor (Ecuación 52).
76
Válvula de control (Ecuación 55).
Las Ecuaciones 50, 51, 52, 53, 54, 55 y 56 así como las acciones de control
fueron entrelazadas tal como se muestra en el diagrama global.
77
7.2.3. Sistema de control para un proceso de tanque de reacción con
agitación continua y presencia de perturbación en el flujo de alimentación.
Análogo al caso anterior, este sistema consistió en evaluar la acción de control
PI y SMC con los parámetros de ajuste referenciados y optimizados para un tanque
CSTR donde se lleva a cabo una reacción química y una perturbación positiva en el
flujo de alimentación. En este caso se incluyó un bloque de perturbación de tipo escalón
positivo en el flujo de alimentación, tal como se muestra en el siguiente diagrama.
78
Retraso de señal entre el tanque y el sensor (Ecuación 59).
79
Posición de la válvula (Ecuación 62).
80
81