QUIG 1046

DINÁMICA DE PROCESOS Y
CONTROL

Santiago D. Salas, Ph.D.

Clase 1
¿Qué nos gustaría optimizar, qué nos
gustaría controlar? 3 palabras
menti.com

Código 69 35 12 1

2
3
https://www.gartner.com/smarterwithgartner/2-megatrends-dominate-the-gartner-hype-cycle-for-artificial-intelligence-2020/ 4
https://www.mentimeter.com/s/c773c6e53931f49cc0
091bcbf479f18a/78cd4087e76b

5
¿Para qué controlar?

Si las condiciones de un
proceso nunca cambiaran
y no hubiera
incertidumbres o
perturbaciones, el proceso
se mantendría estable en
condiciones de diseño y no
habría necesidad de
controlar el proceso.
Existen
incertidumbres y
Pero... perturbaciones
que alejan el
proceso de donde
desea que opere.

El control del proceso responderá a estas

perturbaciones y permitirá mantener las
condiciones correctas del proceso.

6
¿Qué tan antiguo es este concepto?

• Basado en tallado en roca de

Stokkanhaugen, Noruega.
• Origen: desconocido
(posiblemente edad de
piedra).
• Diseño: Prof. Sigurd Skogestad.

• Muestra un ejemplo temprano de control.

• El hombre prueba el producto de destilación
con lengua y ajusta el enfriamiento.

7
Sistemas Modernos de Control
Las arquitecturas modernas
de control de un proceso
industrial son básicamente:
Sistema de Servidor Web
supervisión
Estaciones de modelamiento y
simulación
Una red de computadores
integrados

Servidor Servidor OPC Estación de Estación del La unidad básica en este

ingeniería operador
arreglo es el sistema
distribuido de control
(Distributed Control
System – DCS) que se
comunica con
instrumentos en campo
a través de Ethernet.
8
Objetivos de Control: La Bicicleta

¿Qué pasa con el desempeño?

Simplemente sobrevivir una caída y seguir el
camino no son los únicos objetivos al ir en
bicicleta.
UNO DEBE DISFRUTAR EL VIAJE !!!
• Por lo tanto, un objetivo adicional del sistema
de control es mantener un nivel de desempeño
deseado.
• Para los sistemas de proceso, los ingenieros de
planta establecen expectativas de desempeño
y reflejan cómo algunas variables importantes
de proceso evolucionan con el tiempo.
APLICACIONES
NOVEDOSAS
Manufactura de papas fritas

La fritura es un paso de una línea integrada de

fabricación de papas fritas que incluye una
secuencia de operaciones: limpieza, pelado,
rebanado, lavado, fritura, sazonado y envasado.

Operación esquemática de fritura de papas fritas.

Control de Emisiones

Para eliminar eficazmente los compuestos

orgánicos volátiles (COV) y emisiones peligrosas
de contaminantes del aire, se puede utilizar un
proceso de separación por membrana.

Esquema de un proceso de separación de membrana.

Manufactura de queso

Un pre fermentador se usa como la primera etapa

de la fabricación del queso. Los problemas de
estabilidad dependen de las condiciones de
funcionamiento.
Bio-reactores
Los biorreactores se utilizan para producir una variedad
de productos farmacéuticos y alimenticios. Un modelo de
biorreactor simple implica biomasa y sustrato. La biomasa
consiste en células que consumen el sustrato.

Controlamos la
concentración de
biomasa ajustando
la velocidad de
dilución.
¿Por qué necesitamos una jerarquía?

15
Estructura jerarquizada

✓ En la industria, organizamos las tareas de forma

jerárquica.

Establecemos funciones
requeridas (mandatorias),
en un nivel inferior, y...

deseadas, pero opcionales en

un nivel superior.

16
 Estructura jerarquizada
Planificación y Pronóstico de demanda, cadena de
(días/meses) programación suministro, programación
(mantenimiento).

Optimización a De planta y unidades individuales,

(horas/días) tiempo real estimación de parámetros, y
reconciliación de datos.
Datos de proceso
(T, P, Q) +
Control Control multivariable. datos financieros
(minutos/horas) multivariable con
Control predictivo. = toma de
restricciones decisiones.

(seg./minutos) Control Control PID, técnicas avanzadas de

convencional control.

(< 1 segundo) Medición y Validación de sensores y actuadores,

acción comprobación de límites.

Proceso 17
Optimización del proceso

✓ Típicamente, los set-points se mencionan

superficialmente como los objetivos de control.

✓ El cálculo de set-points óptimos garantiza una

operación óptima.

Permite maximizar ganancias y, a la par,

satisfacer restricciones.
Normalmente utilizamos modelos en ESTADO
ESTACIONARIO, ya que el proceso se operará
normalmente de esta forma.

18
Objetivos de optimización
✓ En una planta química se establecen los objetivos
operativos más deseables y se implementan
estrategias efectivas de control para mantenerlos
dentro de límites tolerables.
✓ La determinación de objetivos operativos requiere
resolver de un problema de optimización.
✓ La optimización busca encontrar los valores de las
variables de decisión que producen el rendimiento más
favorable.
En su más amplio sentido, OPTIMIZACIÓN es encontrar,
con el menor exfuerzo posible, el mejor camino (set de
variables) para lograr el mejor resultado de un problema.
19
Criterios de optimización
✓ Criterio de rendimiento, se formula como:
- Beneficio neto
- Consumo total de energía
- Rendimiento de contaminantes
- Crecimiento de tasas de procesamiento
✓ La optimización se puede desarrollar en todos los
niveles de la producción industrial:
- Diseño,
- Operación.
✓ Desde un punto de vista operacional, la optimización se realiza para
encontrar las mejores (optimas) condiciones de operación.
Flujo, temperatura, presión.
20
Complejidad
✓ La complejidad del problema de optimización
depende de la planta:
- Número de unidades y nivel de integración.
- Número de productos y materias primas.
- Otras consideraciones…
✓ El objetivo (beneficio neto) puede variar con el tiempo
ya que los precios de materiales y servicios varían con
el tiempo.
✓ Por lo tanto la optimización debe ser desarrollada de
manera períodica y de forma consistente.
Regla de Oro:
“El elemento esencial en optimización es
optimizar la Función Objetivo.”
21
Función objetivo
✓ La función objetivo esta sujeta a varias restricciones,
incluyendo:
- Ecuaciones que interrelacionan a las variables de decisión.
- Limitaciones de las variables, área, volumen, temperatura,
presión.
max ( x)
x

✓ Donde, x es un vector n-dimensional de variables,

x = x1 x2 ... x n 

✓ En algunos casos puede existir más de un objetivo a ser

optimizado. Esto deriva en optimización multi-objetivo.
max 11( x) + 2 2 ( x) + 33 ( x) + .... + P  P ( x)
x
22
Restricciones

✓ El resultado de la optimización GENERA EL MEJOR

RESULTADO PARA UN DETERMINADO ESCENARIO. Sin
embargo, este resultado no siempre es alcanzable debido a
la imposición de una variedad de restricciones, conocidas
como restricciones del diseño.

- Igualdades (=)

- Desigualdades (>,<)

23
Igualdades
❖ (=)
✓ Son ecuaciones algebraicas que describen al proceso y relacionan las
variables de decisión.
✓ Estas relaciones son el resultado de balances en estado estacionario,
balaces de masa/energía, así como equilibrio y propiedades de
transporte.
✓ Se pueden formular: g ( x) = 0
i i = 1, ..., N E

donde, NE representa el número de ecuaciones.

✓ Tambien podemos tener igualdades que incluyen ecuaciones
diferenciales, las cuales indican la forma transiente de ecuaciones de
balance fundamentales.
dx dx
= f i (x) g i ( x) = − f i ( x) = 0
dt dt
24
Desigualdades
❖ (<, >)

✓ Especifican límites operativos prácticos sobre variables

de decisión del proceso (e.g., capacidad, límites de
temperatura segura, composición máxima de un
subproducto).
✓ Se pueden formular:

h j ( x) = 0 i = 1, ..., N I
donde, NI representa el número de
desigualdades.

25
Tipos de restricciones
o Limitaciones del producto: restricciones de
rendimiento en equipos, límites de almacenamiento,
limitaciones del mercado.
o Limitaciones de materias primas: limitada al
suministro. A menudo, determinada por niveles de
producción de otras plantas de la misma empresa.

Regla de Oro:
“Los recursos no son infinitos.”

o Restricciones de seguridad: limitaciones en presión o

temperatura en equipos o unidades de proceso.

26
Tipos de restricciones
o Especificación del producto: relacionada a las
propiedades finales del producto (concentración), e.g.,
limite en aromáticos en gasolinas.
o Balances de masa y energía: balances en estado
estacionario (pueden tomar la forma de desigualdades).

NOTA:
Estas restricciones
pueden variar en dias,
incluso horas. El análisis
se debe realizar de
forma periódica.

27
Problema de optimización
✓ Podemos formular un problema de la siguiente forma:

min  ( x,  , p )
x

sujeto a
gi ( x,  , p ) = 0; i = 1,..., N E
h j ( x,  , p )  0; j = 1,..., N I
donde,
x  X = {x : x L  x  x U } es un vector de variables de
decisión (independientes).
 es un vector de entradas nominales (perturbaciones) o
parámetros sujetos a incertidumbre.
p es un vector de parámetros de proceso constante (modelo).

28
Problema de optimización
✓ En la optimización de procesos, las restricciones
desempeñan un papel crucial.
✓ Las condiciones de funcionamiento óptimas son dadas por
un subconjunto de estas limitaciones como algunos de ellos
serán considerados como activos, e.g., dos variables
independientes se consideran por simplicidad.

La región donde es posible la

existencia de la función
(factible) objetivo esta
definida por las restricciones
C1 y C2.

29
Criterios de optimización
✓ La solución viable del problema de optimización es un conjunto de
variables que satisfacen las restricciones (igualdades y desigualdades) en
el grado de precisión deseado.
✓ La región factible muestra varias soluciones.
✓ Una solución óptima es un conjunto de variables que a más de satisfaces
las restricciones, tienen un valor óptimo en la función objetivo.
✓ El número de variables independientes en un problema con
restricciones se lo puede hallar de forma análoga al análisis de grados de
libertad. N = N −N V E

donde, N representa el número de variables independientes, NV todas las

variables de decisión.
Dados NE set-points (totales), (NV – NE) pueden hallarse resolviendo las restricciones
de igualdad, y los remanentes se pueden hallar independientemente a fin de
maximizar el beneficio o minimizar efectos no deseados.

30
Optimización de sistemas no lineales

31
Ejemplo: costo de combustible
Considerar el problema de minimizar el costo de suministro de
combustible para generadores eléctricos. Se cuenta con dos (2)
turbinas generadoras las cuales se pueden operar simultáneamente
con dos (2) tipos de combustible:

✓ Fuel Oil.
✓ Gas de producción rico en CO2 (MBE).

Nuestro objetivo es hallar los flujos

óptimos de cada combustible y
definir los set-points de los
controladores.

Además, de ventanas operativas.

32
Ejemplo: costo de combustible
✓ Información adicional:
- El objetivo de la operación es generar 50 MW al menor
costo posible.
- Las dos turbinas generadoras (G1 y G2) tienen diferentes
características, la eficiencia de G1 es mayor a G2.
- Se ha recolectado información de campo, y se cuenta
con las siguientes relaciones empíricas...

P1 = 4.5 x1 + 4 x 2 P1: energía (MW) de G1

P2 = 3.2 x3 + 2 x4 P2: energía (MW) de G2
x1: Fuel Oil (kg/h) a G1
18  P1  30 x2: MBE (kg/h) a G1
x3: Fuel Oil (kg/h) a G2
14  P2  25 5 = 𝑥2 + 𝑥4 x4: MBE (kg/h) a G2

33
Ejemplo: costo de combustible
✓ Solución:

1) Selecionar las variables: P1, P2, y de X1 a X4.

2) Definir función objetivo: minimizar f =x1 + x3 maximizar f =-x1 - x3

3) Desarrollar el modelo y las resticciones:

Rango de generación por 18 MW  P1  30 MW

generador: 14 MW  P2  25MW
Generación total: P1 = 4.5 x1 + 4 x2
P2 = 3.2 x3 + 2 x4 Disponibilidad de MBE:
Suministro de energía: 50 = P1 + P2 5 = 𝑥2 + 𝑥4
34
Ejemplo: costo de combustible
✓ Solución:

4) Simplificación del modelo:

NV = 6 y NE = 4, cuatro de las seis variables pueden ser
elminadas.
Resolviendo P1 y P2 y combinando las ecuaciones:

4.5 x1 + 6.4 x3  50 Como 𝑥2 y 𝑥4 no pueden ser

4.5 x1 + 6.4 x3  62 negativos:
4.5 x1 + 6.4 x3  44 2.25 x1 + 1.6 x3  20 (x2  0)
4.5 x1 + 6.4 x3  55 2.25 x1 + 1.6 x3  15 (x4  0)

35
Ejemplo: costo de combustible

C6 & C1 son
restricciones
activas

Región factible y solución óptima

36
Referencias bibliográficas
✓ Geraili, A., Salas, S., & Romagnoli, J. A. (2016). A decision support tool for
optimal design of integrated biorefineries under strategic and operational level
uncertainties. Industrial & Engineering Chemistry Research, 55(6), 1667-1676.

✓ Salas, S. D., Geraili, A., & Romagnoli, J. A. (2017). Optimization of renewable

energy businesses under operational level uncertainties through extensive
sensitivity analysis and stochastic global optimization. Industrial & Engineering
Chemistry Research, 56(12), 3360-3372.

✓ Salas, S. D., Ghadipasha, N., Zhu, W., Mcafee, T., Zekoski, T., Reed, W. F., &
Romagnoli, J. A. (2018). Framework design for weight-average molecular weight
control in semi-batch polymerization. Control Engineering Practice, 78, 12-23.

✓ Chebeir, J., Salas, S., & Romagnoli, J. (2019). Simulation-based Optimization and
Control of a Natural Gas Liquids Recovery Unit. Chemical Engineering
Transactions, 74, 757-762.
Take Home Ideas!
✓ La toma de decisiones jerarquizada permite considerar a toda la
planta de producción desde el proceso, medición, control, control
avanzado, optimización en tiempo real y cadena de suministro.

✓ El resultado de una optimización genera el mejor resultado para

un determinado escenario.

✓ La complejidad del problema de optimización depende del número

de unidades, nivel de integración, número de productos y
materias primas.

Clase 1