Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Primero y como más importante nos gustaría agradecer al Ingeniero Fredy Orlando Ruiz Palacios por su
esfuerzo y dedicación. Sus conocimientos, sus orientaciones, su paciencia y su motivación han sido
fundamentales para la culminación de este proyecto.
De manera particular agradecemos a Carlos Javier Alméciga Díaz y Edwin Alexander Rodríguez por su
constante presencia y colaboración a lo largo del proceso, gracias a sus conocimientos en el área de
Química y procesos biológicos en el biorreactor. También a la Ingeniera Mónica Rocío Díaz Tribaldos
por su apoyo y acompañamiento en la etapa final del proyecto.
Y un agradecimiento especial a Dios por todas las bendiciones recibidas, pues solo él es el responsable
de la culminación exitosa de nuestra carrera.
PONTIFICIA UNIVERSIDAD JAVERIANA
FACULTAD DE INGENIERÍA
CARRERA DE INGENIERÍA ELECTRÓNICA
"La universidad no se hace responsable de los conceptos emitidos por sus alumnos en sus
proyectos de grado. Sólo velará porque no se publique nada contrario al dogma y la moral
católica y porque los trabajos no contengan ataques o polémicas puramente personales. Antes
bien, que se vea en ellos el anhelo de buscar la verdad y la justicia".
Artículo 23 de la Resolución No. 13, del 6 de julio de 1946, por la cual se reglamenta lo
concerniente a Tesis y Exámenes de Grado en la Pontificia Universidad Javeriana.
ÍNDICE DE CONTENIDO
Pág.
Pág.
Los métodos analíticos en línea empleados por norma general no son lo suficientemente completos ni
rápidos para caracterizar el proceso. Por otro lado, debido a la competencia internacional en constante
crecimiento, los márgenes de ganancia reducidos y las regulaciones a nivel ambiental y de seguridad, se
hacen necesarios procesos de control y optimización basados en métodos analíticos avanzados para los
sustratos, los productos finales y el comportamiento del microorganismo [1].
Los modelos matemáticos toman una parte importante en el proceso de análisis, sin embargo, los
procesos biotecnológicos son complejos y solo pueden ser descritos de una manera simplificada. La
complicada estructura metabólica y su mecanismo de regulación no están comprendidos y estudiados en
su totalidad. Además del proceso intracelular del microorganismo, las variaciones al interior del
biorreactor, producidas por la dinámica del fluido en un sistema multi-fase se deben analizar igualmente
de manera simplificada.
A pesar de que se debe manejar un enfoque simplificado, y que los modelos matemáticos son
incompletos e imprecisos por su propia naturaleza, resultan ser una herramienta muy útil para describir
dichos efectos, que son de gran importancia para el control, optimización y entendimiento del proceso.
Los modelos matemáticos proveen una relación funcional entre las variables de entrada, salida y aquellas
variables propias de la dinámica del proceso, cuyo comportamiento puede ser observado y evaluado
fácilmente a través de un computador [1]. Así, las soluciones numéricas a estos modelos son el
fundamento para el desarrollo de métodos económicamente poderosos para soluciones industriales.
14
OBJETIVOS
GENERAL
Desarrollar un sistema de control de concentración de oxígeno para el biorreactor del Instituto de Errores
Innatos del Metabolismo.
ESPECÍFICOS
Para cumplir con el objetivo general se establecen los siguientes objetivos específicos:
Diseñar los algoritmos de control basados en las técnicas de Gain Scheduling y control por sobre-
mando que regulen la concentración de oxígeno disuelto en el biorreactor manipulando las variables
de flujo de aire entrante y velocidad de agitación.
Seleccionar el algoritmo de mejor desempeño teniendo en cuenta la minimización del error en estado
estable y la característica de suavidad en el esfuerzo de control.
15
1. GENERALIDADES DEL PROCESO DE TRANSFERENCIA DE
OXÍGENO
Para realizar el ajuste del modelo matemático, es necesario definir un proceso experimental de
adquisición de datos que permita realizar una comparación de resultados y efectuar el ajuste de los
parámetros que minimicen el error de modelamiento. Dicho proceso debe considerar la capacidad de
respuesta del dispositivo de detección (sonda de prueba) y su respuesta dinámica.
El proceso experimental por excelencia para la adquisición de datos se conoce como gassing–out y
consiste en registrar la concentración de oxígeno disuelto en el biorreactor con medio de cultivo, pero sin
microorganismos, a una velocidad de agitación y un flujo de aire constantes, comenzando desde un medio
sin oxígeno, hasta conseguir la saturación. Dichos datos se registran para diferentes valores de velocidad
de agitación y flujo de aire.
Una vez se define un conjunto de datos experimentales obtenidos a partir de dicho proceso, se puede
establecer una función que represente la dinámica del sistema y permita realizar una comparación con el
modelo deducido. En ese orden de ideas se debe minimizar la función del error, alrededor de 𝐾𝐿 𝑎 como
variable de diseño.
𝑑𝐶𝑂𝐷(𝑡)
= 𝑂𝑇𝑅(𝑡) − 𝑂𝑈𝑅(𝑡) (1)
𝑑𝑡
16
Donde OTR es la tasa de transferencia de oxígeno de la fase gaseosa al medio líquido y OUR la tasa
de absorción de oxígeno de la biomasa presente en el biorreactor, ambos medidos en 𝑔/𝐿ℎ. Así mismo, el
OTR se puede modelar como:
El método más común para la estimación del 𝐾𝐿 𝑎 se conoce como gassing-out que consiste en
someter el biorreactor a condiciones de operación constantes para luego desplazar el oxígeno mediante
nitrógeno gaseoso. Una vez alcanzado el 0% se detiene el flujo de nitrógeno y posteriormente la agitación.
Luego se devuelve la agitación a la condición anterior y finalmente se airea el caudal establecido y se
registra el aumento de 𝐶𝑂𝐷. Dicho proceso se realiza en un biorreactor con medio de cultivo (sustrato)
pero sin biomasa. Como no hay microorganismos presentes entonces 𝑂𝑈𝑅 = 0, y por tanto la evolución
de la concentración de oxígeno es:
𝑑𝐶𝑂𝐷(𝑡)
= 𝐾𝐿 𝑎 (𝐶𝑂𝐷 ∗ − 𝐶𝑂𝐷(𝑡)); 𝐶𝑂𝐷(0) = 0 (3)
𝑑𝑡
17
La solución de la ecuación diferencial de primer orden, presentada en (3), es la siguiente:
Para caracterizar la sonda se utiliza un modelo de primer orden como el que se observa a
continuación:
𝑑𝑦(𝑡)
= 𝛼(𝐶𝑂𝐷(𝑡) − 𝑦(𝑡)); 𝑦(0) = 0 (5)
𝑑𝑡
Donde 𝛼 es el inverso de la constante de tiempo de la sonda y 𝑦(𝑡) es la salida del sensor, que toma
las mismas unidades de 𝐶𝑂𝐷(𝑡). Combinando la ecuación (4) con la (5), se obtiene la solución a la
ecuación diferencial que se muestra a continuación:
𝛽 1
𝑦(𝑡) = 𝐶𝑂𝐷 ∗ (1 + 𝑒 −𝐾𝐿 𝑎𝑡 + 𝑒 −𝛼𝑡 ) , 𝑡 ≥ 0 (6)
1−𝛽 𝛽−1
Sin embargo, la ecuación (6) es solo una aproximación de lo que ocurre realmente al interior del
biorreactor. La diferencia entre los datos experimentales y el modelo se debe, no solo a ruido aleatorio en
el proceso de medición, sino también a dinámica no modelada.
Donde 𝛾(𝑤, 𝐹𝑎𝑖𝑟 , 𝑥) es la función del error de dinámica no modelada y 𝑥 el vector de estados que
describe el comportamiento del biorreactor, incluyendo 𝐶𝑂𝐷(𝑡). Asumiendo estabilidad, las medidas 𝑦̃(𝑡)
son soluciones de la ecuación (5) más una señal UBB de error 𝜂(𝑡), que tiene la siguiente forma:
𝛽 1
𝑦̃(𝑡) = 𝐶𝑂𝐷 ∗ (1 + 𝑒 −𝐾𝐿 𝑎𝑡 + 𝑒 −𝛼𝑡 ) + 𝜂(𝑡); 𝑡 ≥ 0 (8)
1−𝛽 𝛽−1
Donde se cumple que la norma infinito del error debe ser menor a una cota definida previamente,
esto es:
18
‖𝜂(𝑡)‖∞ ≤ 𝜖 (9)
Definido el nuevo modelo, se debe determinar el conjunto factible de valores que relacionen la
respuesta real con la modelada. Para ello, se define un conjunto de medidas experimentales 𝑦(𝑘∆𝑡), donde
𝑘 es el número de muestras a registrar por cada experimento y ∆𝑡 el tiempo de adquisición de cada una de
ellas.
El conjunto de parámetros factibles 𝐹𝑃𝑆 corresponde a todos los posibles valores de 𝐾𝐿 𝑎 que se
corresponden con 𝑦(𝑘∆𝑡) y el modelo de la ecuación (8), esto es:
Donde Ω = [𝐾𝐿 𝑎𝑀𝐼𝑁 , 𝐾𝐿 𝑎𝑀𝐴𝑋 ] es el intervalo que aporta los valores del límite inferior y superior de
los posibles coeficientes de transferencia. La ecuación (10) quiere decir que cualquier valor de 𝐾𝐿 𝑎 que
produce una respuesta cuya desviación con respecto a la respuesta experimental sea menor a 𝜖 es
parámetro factible. La escogencia de la cota de error 𝜖 se hace buscando que 𝐹𝑃𝑆 ≠ 0, es decir, que los
resultados experimentales validen el modelo deducido.
Para determinar los límites superior e inferior para los valores de 𝐾𝐿 𝑎, se formulan los siguientes
problemas de optimización:
𝑚𝑖𝑛
𝐾𝐿 𝑎 𝐾𝐿 𝑎 (𝟏𝟏)
𝐾𝐿 𝑎 𝛼
𝑠. 𝑡 |𝑦̃(𝑘∆𝑡) − 𝐶𝑂𝐷∗ + 𝑒 −𝛼𝑘∆𝑡 + 𝑒 −𝐾𝐿 𝑎(𝛼𝑘∆𝑡) | ≤ 𝜖 ; 𝑘 = 0,1,2, … , 𝑁
𝛼 − 𝐾𝐿 𝑎 𝐾𝐿 𝑎 − 𝛼
𝑚𝑎𝑥
𝐾𝐿 𝑎 𝐾𝐿 𝑎 (𝟏𝟐)
𝐾𝐿 𝑎 𝛼
𝑠. 𝑡 |𝑦̃(𝑘∆𝑡) − 𝐶𝑂𝐷∗ + 𝑒 −𝛼𝑘∆𝑡 + 𝑒 −𝐾𝐿𝑎(𝛼𝑘∆𝑡) | ≤ 𝜖 ; 𝑘 = 0,1,2, … , 𝑁
𝛼 − 𝐾𝐿 𝑎 𝐾𝐿 𝑎 − 𝛼
Por último, según el método de estimación UBB, el valor óptimo estimado de 𝐾𝐿 𝑎 correspondería al
promedio de los extremos del intervalo de incertidumbre, es decir, al centro del intervalo. Esto es:
𝐾𝐿 𝑎 𝑀𝐼𝑁 +𝐾 𝑀𝐴𝑋
𝐿𝑎
𝐾̂ ∗
𝐿𝑎 = (13)
2
19
2.2 RESULTADOS EXPERIMENTALES
Con la colaboración del Instituto de Errores Innatos del Metabolismo del departamento de Ciencias
de la Pontificia Universidad Javeriana se realizó la adquisición de datos para distintos flujos y distintas
velocidades de agitación, obteniendo de esta manera la curva de respuesta del comportamiento de la
concentración de oxigeno del biorreactor para diferentes condiciones de operación (ver Anexo A para más
detalle del banco de datos utilizado en el proceso de estimación). La gráfica que describe el
comportamiento de dichos experimentos se muestra en la Figura 3. Así mismo, fue necesario un análisis
detallado de los datos, extrayendo de cada uno de los 25 experimentos el conjunto de parámetros que
describen la respuesta exponencial, para de esta forma iniciar el proceso de estimación del 𝐾𝐿 𝑎.
Para ello se extrajo una matriz de datos que comprendía los valores de los parámetros de: Tiempo
inicial, Tiempo final, Velocidad de agitación en rpm, Valor final y Flujo de aire entrante en vvm1. Definida
dicha matriz y el valor de la constante de tiempo de la sonda (𝛼), que para este caso es de 50 segundos, se
procede a encontrar los valores óptimos de 𝐾𝐿 𝑎 y los gráficos resultantes para una serie de parámetros
definidos. Repitiendo el proceso para distintos valores de 𝜖 (% de incertidumbre) y realizando el conteo de
valores factibles en la estimación se obtiene la distribución mostrada en la Figura 4.
Una vez ejecutado el código del Anexo B para diferentes porcentajes de incertidumbre, se obtiene el
gráfico de la Figura 4, del cual se puede determinar que un valor adecuado de tolerancia, para el cual
coincide el total de valores factibles con la cantidad de experimentos corresponde a un 𝜖 del 7%.
Teniendo en cuenta lo anterior, se compara el comportamiento real de la evolución del COD con respecto
al comportamiento modelado para un porcentaje de incertidumbre del 7%, obteniéndose los gráficos de las
Figuras 5 y 6.
Por otro lado, se muestran los resultados de los intervalos de incertidumbre de 𝐾𝐿 𝑎 obtenidos para las
condiciones de operación descritas al principio y un porcentaje de incertidumbre del 7%. Dichos
resultados se muestra en la Figura 7.
1
La unidad vvm hace referencia a volúmenes de aire por unidad de volumen del medio (en este caso agua) por minuto.
20
Figura 4. Número de resultados factibles para diferentes valores de 𝝐
21
Figura 6. Gráfico comparativo para condiciones de operación de 700 rpm y 1 vvm
22
Para poder apreciar de manera más clara la variación del valor de 𝐾𝐿 𝑎 de una condición de operación a
otra se realiza un gráfico 3D para un porcentaje de incertidumbre del 7%, puesto que para dicho
porcentaje se obtiene la totalidad de resultados factibles. Dicho gráfico, junto con los puntos de interés, se
muestra en la Figura 8.
A partir del gráfico de la Figura 8 se puede concluir que existe una dependencia del parámetro 𝐾𝐿 𝑎
con respecto a las variables agitación y flujo de aire entrante. Lo anterior permite suponer que para regular
el valor del parámetro 𝐾𝐿 𝑎 se requiere de estrategias de control que manipulen múltiples variables de
entrada para regular el valor de una única variable a la salida, es decir, estrategias de control multivariado
del tipo MISO (múltiples entradas – única salida). Para ello, a continuación se expondrá una visión
general de las arquitecturas de control multivariado, así como las especificaciones particulares de algunas
de ellas.
Finalmente, se registraron los valores óptimos de 𝐾𝐿 𝑎 y el valor de la incertidumbre para cada uno de
las condiciones de velocidad de agitación y flujo de aire entrante, es decir, para los 25 experimentos y
distintos valores de 𝜖, obteniéndose los resultados que se detallan en las Tablas 1 a 5.
23
Tabla 2. Resultados para 𝝐 = 𝟒%
2.3 VALIDACIÓN
Una vez definido el modelo de la transferencia de oxígeno en el biorreactor, se procede a realizar un
proceso de validación del modelo con un grupo de experimentos de un banco de datos nuevo. Dicho banco
de datos comprende: 5 experimentos para una agitación de 700 rpm, 5 para 950 rpm y un flujo entrante
variable para ambos casos que toma los valores previamente definidos.
Así mismo, se tomó un experimento adicional para una velocidad de agitación de 900 rpm para
verificar que el valor de 𝐾𝐿 𝑎 óptimo obtenido para dicho experimento se encuentra contenido entre los
resultados de los experimentos de 850 y 950 rpm del banco de datos utilizado originalmente.
En primer lugar, se tomaron los valores de 𝐾𝐿 𝑎 óptimo para cada uno de los experimentos de 700 y
950 rpm del banco de datos original, graficando con dichos valores la respuesta del modelo y
comparándola con la respuesta real de los datos nuevos. Los resultados para dos de los 10 casos
comparados se muestran en las Figuras 9 y 10 (en las que se especifica las condiciones bajo las cuales se
realizó el experimento).
24
Figura 9. Gráfico comparativo para condiciones de operación de 700 rpm y 2 vvm
Figura 10. Gráfico comparativo para condiciones de operación de 950 rpm y 2 vvm
25
Como se observa, el comportamiento real se encuentra dentro de los límites establecidos por los
valores mínimo y máximo determinados a partir del problema de optimización, con lo cual es posible
afirmar que el modelo es capaz de representar el comportamiento del proceso de transferencia de oxígeno
por medio del valor de 𝐾𝐿 𝑎 óptimo para cada uno de los puntos de operación particulares.
Finalmente, tomando como referencia el rango de valores óptimos para 850 y 950 rpm, se verificará
el intervalo de posibles valores de 𝐾𝐿 𝑎 que se obtendría para una condición de operación de 900 rpm (y un
flujo entrante de 1 vvm, pues bajo ésta condición se registró el resultado en el banco de datos). Para lo
anterior, se debe tener en cuenta el gráfico de la Figura 11.
Como se observa en la Figura 11, el límite máximo del valor óptimo de 𝐾𝐿 𝑎 para 900 rpm es
𝐾𝐿 𝑎 (𝑚𝑎𝑥) = 132,5 ℎ−1 , el límite mínimo es 𝐾𝐿 𝑎 (𝑚𝑖𝑛) = 82,5 ℎ−1 y el valor óptimo sería 𝐾𝐿 𝑎∗ =
107,5 ℎ−1 .
Figura 11. Intervalo de 𝑲𝑳 𝒂 para una condición de operación de 900 rpm y un flujo de 1 vvm
Según lo anterior, se procede a graficar las respuestas modeladas para estos valores de 𝐾𝐿 𝑎 y así
verificar que el comportamiento real registrado en el experimento de 900 rpm en el banco de datos se
ajuste a los límites impuestos por el modelo. El resultado se observa en la Figura 12.
A partir de los resultados obtenidos, se puede concluir que el modelo es capaz de deducir el
comportamiento real de la transferencia de oxígeno, para condiciones de operación diferentes a las
empleadas en un proceso de medición particular; de manera que es posible extrapolar los resultados y
predecir el comportamiento del fenómeno de transferencia para cualquier condición de operación dentro
de los rangos de trabajo.
26
Figura 12. Gráfico comparativo para condiciones de operación de 900 rpm y 1 vvm
En el mundo de los sistemas de control automático también existe este concepto, al que se denomina
estrategia de control y está relacionado con la distribución de los dispositivos o equipos a los que se asocia
un proceso o máquina. Las estrategias de control determinan la estructura que sigue la información o señal
en el lazo.
Como ya se mencionó, para el caso particular de este proyecto se requieren de estrategias de control
de tipo MISO, en las que se dispone de un grado de libertad adicional para alcanzar una única solución y
satisfacer el objetivo de control [7]. En ese orden de ideas, se describirán las particularidades de las
arquitecturas de control de Programación de ganancias (Gain Scheduling) y de control por sobre-mando
(Override), como posibles estrategias de control a implementar en el sistema real.
27
La visión más usual del Gain Scheduling se centra en la programación de ganancias en el sentido de
la variación continua de los coeficientes del controlador de acuerdo con el valor actual de señales de
programación, también llamadas variables de programación, que pueden ser bien señales exógenas
(ajenas) o endógenas (propias) de la planta.
I) El primer paso es calcular un modelo de parámetro lineal variante para la planta. Históricamente,
el método más común se basa en la linealización jacobiana sobre una familia de puntos de
equilibrio, también llamados puntos de trabajo o puntos de ajuste. Esto produce una familia
parametrizada de plantas que conforman la base de lo que llamamos programación linealizada.
Típicamente, la parametrización corresponde a valores fijos de las variables de programación que,
a su vez, son funciones de variables internas de la planta y señales exógenas.
II) El segundo paso es usar métodos de diseño lineales para diseñar controladores lineales sobre el
modelo de la planta que surge de cualquiera de los procesos de linealización anteriores. Este
proceso de diseño puede resultar directamente en una familia de controladores lineales que
corresponde a la planta de dependencia con los parámetros lineales, o puede haber un proceso de
interpolación para llegar a una familia de controladores lineales a partir de un conjunto original
aplicado a valores aislados de las variables de programación. Tradicionalmente, los diseños son de
tal manera que para cada valor x del parámetro, el sistema lineal de lazo cerrado exhibe un
comportamiento deseado.
III) El tercer paso corresponde a la programación de ganancia real, lo que implica implementar la
familia de controladores lineales de manera que los coeficientes del controlador (ganancias) son
variadas (programadas) de acuerdo con el valor actual de las variables de programación.
IV) El cuarto paso es la evaluación del desempeño. En el mejor de los casos, donde las
consideraciones de rendimiento analítico son parte del proceso de diseño, esta puede ser
relativamente sencilla. Más típicamente, la estabilidad y el desempeño local del controlador de
ganancia programada son objeto de una investigación analítica adicional, mientras que la
evaluación del desempeño no local se basa en estudios de simulaciones.
b) La mayoría de las especificaciones de desempeño que están escritas en forma lineal e involucran
parámetros en el dominio del tiempo y la frecuencia, son direccionados generalmente al enfoque de
programación de ganancias.
28
c) No se requiere de suposiciones severas sobre el modelo de la planta. En particular, la linealización
Scheduling se puede utilizar cuando la información de la planta es limitada a unos pocos puntos de
equilibrio y a sus correspondientes linealizaciones.
d) El proceso de diseño preserva una intuición de linealidad bien entendida y se lleva a cabo utilizando
variables físicas del modelo de la planta.
e) Los enfoques de diseño son compatibles con descomposiciones del problema general de control.
Dichas descomposiciones son típicamente no jerárquicas, y las interacciones de los sub-problemas son
capturados por variables de programación.
g) El esfuerzo computacional a menudo es mucho menor que para otros procesos de diseño no lineal. Por
otro lado, si bien el enfoque cuasi-LPV es computacionalmente intensivo, garantiza estabilidad y
propiedades de rendimiento.
h) Esta estrategia de control implica varios pasos especiales, comenzando con la formulación del
problema. Esto puede ser adecuado en situaciones simples, pero incrementa su complejidad cuando se
diseñan controladores más complicados.
i) El enfoque clásico de Gain Scheduling depende de reglas empíricas y extensos procesos de simulación
para la evaluación de la estabilidad y el rendimiento. Típicamente, la estabilidad puede ser asegurada
sólo a nivel local y con variaciones lentas, y por lo general no hay garantías de rendimiento. El
enfoque cuasi-LPV tiene el potencial que garantiza estabilidad y rendimiento.
Sin embargo, no es una estrategia de operación drástica, pues mantiene el proceso en operación pero
dentro y bajo condiciones seguras, sin llegar a condiciones más extremas como la parada de la planta para
enfrentar estados de disfunción grave de los equipos (acciones hacia las cuales se orientan otras estrategias
de control).
Se pueden distinguir dos modos de operación dentro de la misma estrategia de control por sobre-
mando [10]:
2) Operación Anormal: Cuando otras variables de proceso se convierten en las variables manipuladas
para prevenir que la variable controlada exceda los límites establecidos por el equipo o el proceso.
La estrategia de control por override no sustituye a otro tipo de controladores dinámicos (por
ejemplo, PID). En cambio, estos controladores son utilizados en los casos en los que se debe escoger entre
un conjunto de entradas para, por ejemplo, solucionar algún problema de emergencia. Los límites
(máximos o mínimos) se utilizan para seleccionar una salida. Para la implementación de esta estrategia de
control, se requiere de dos controladores y un selector de controlador. La salida del selector se alimenta de
nuevo al controlador para prevenir un reinicio por windup cuando el controlador no está seleccionado.
29
3.2.1 Selectores de controlador:
El selector de controlador es utilizado para ajustar el proceso a los límites establecidos en los criterios
de diseño. Existen dos tipos básicos de estos selectores conocidos como selectores de alta y selectores de
baja, que se encuentran disponibles, generalmente, como selectores electrónicos y neumáticos. De manera
general, dos o más entradas ingresan al selector y se selecciona una sola variable a la salida.
a) Selectores de alta: Están diseñados para que filtren todo exceptuando el mayor valor de una serie de
elementos múltiples a la entrada. El selector envía entonces este único valor alto a través de la señal
de salida.
b) Selectores de baja: De manera contraria al anterior, filtran todo exceptuando el menor valor de una
serie de elementos múltiples a la entrada. El selector envía este valor bajo a la señal de salida.
c) Selectores de valor medio: En muchas ocasiones no se desea seleccionar sólo el valor más alto o más
bajo de un conjunto de entradas. En lugar de ello, lo que se requiere es seleccionar un valor medio.
Para ello se emplea una combinación de selectores de alta y de baja con el fin de seleccionar este
valor.
Para hacer esto posible, primero se compara cada señal de entrada con las demás una-a-una,
utilizando todos los selectores de alta o todos los selectores de baja. Las salidas de estos selectores son
enviados a un selector final, que será del tipo opuesto al del selector inicial.
1) Los dos controladores que se utilizan en la estrategia de control Override deben ser sintonizados de
manera independiente.
2) La respuesta dinámica de la variable controlada será, en general, diferente para un cambio en la
variable manipulada.
3) La sintonización del controlador que se encuentra en operación se debe realizar teniendo en cuenta
que el lazo de control es manual y que el valor a la salida no se seleccionará. Este proceso se repite
para el segundo controlador.
En un análisis general se tiene que para un valor muy bajo de velocidad de agitación, en este caso de
200 rpm, sin importar la cantidad de flujo de aire entrante, se obtiene un valor muy bajo de transferencia
de oxígeno. Sin embargo, a partir de la curva de 500 rpm se empieza a presentar un incremento
considerable en la transferencia de oxígeno con la variación del flujo de entrada. Por otro lado, en cuanto a
las curvas de flujo de aire entrante, se puede observar que para flujos superiores a 1,5 vvm las curvas
tienden a tener un comportamiento muy similar, es decir, el proceso de transferencia de oxígeno tiende a
saturarse. Sin embargo, para valores menores se pueden diferenciar claramente las variaciones en las
curvas para cada uno de los flujos y su incremento con la velocidad de agitación.
30
Figura 13. Relación del parámetro 𝑲𝑳 𝒂 con el flujo de aire entrante
31
Además de los detalles del comportamiento mostrado anteriormente, se debe tener en cuenta los
límites de operación segura, conociendo que si se eleva demasiado el valor de la velocidad de agitación
(por encima de 900 RPM) se pueden generar daños sobre la integridad de la cepa. Por otra parte, es
necesario considerar también el costo de operación y mantenimiento de los actuadores en cada una de las
variables a manipular, pues es más conveniente efectuar cambios de valores considerables en la velocidad
de agitación, en la medida en que el variador de velocidad que manipula los cambios de ésta última sufre
menos desgaste que la válvula de control de la regulación de flujo de aire.
Teniendo en cuenta los análisis realizados anteriormente y las estrategias de control descritas, se
planteará una arquitectura de control mediante la cual se variarán los puntos de operación de flujo de aire
entrante, para garantizar que las dos variables manipuladas no lleguen a saturarse; así, sobre cada uno de
estos puntos de operación, se diseñarán una serie de controladores lineales por medio de la técnica Gain
Scheduling para cada una de las curvas asociadas a cada punto de operación particular de flujo de aire.
Para una primera aproximación se tomará el dato de menor valor y a partir de dicho punto se
extenderá una recta de tal forma que esté comprendida entre los rangos de incertidumbre de cada uno de
los puntos de operación tal como se muestra en las Figuras 15, 16, 17 y 18.
32
Figura 16. Aproximación lineal para la curva de 0,4 vvm
33
Figura 18. Aproximación lineal para la curva de 1,5 vvm
34
Posteriormente, habiendo obtenido cada una de las rectas dentro de las regiones de tolerancia se
procede a calcular las ecuaciones que describen cada una de ellas, obteniendo expresiones de la forma
𝐾𝐿 𝑎 = 𝑎𝜔 + 𝑏, las cuales se encuentran registradas en la Tabla 6.
Por otro lado, se realizó una aproximación lineal de los puntos de cada curva garantizando el mínimo
error, independientemente de que la recta iniciara o no en el punto de menor valor como se observa en la
Figura 19. Las expresiones obtenidas para cada aproximación se registraron en la Tabla 7.
Así mismo, de los resultados del numeral anterior se dedujo que existe una relación lineal entre 𝐾𝐿 𝑎
y la velocidad de agitación 𝑤, que se puede escribir de la forma:
Donde 𝑎 y 𝑏 son los parámetros de la ecuación que varían con el valor del flujo entrante. Uniendo los
resultados de las ecuaciones (1), (3) y (14) se obtiene la ecuación (15).
𝑑𝐶𝑂𝐷(𝑡) ̇
= 𝐶𝑂𝐷(𝑡) = [𝑎𝜔(𝑡) + 𝑏] [𝐶𝑂𝐷 ∗ − 𝐶𝑂𝐷(𝑡)] − 𝑂𝑈𝑅(𝑡) (15)
𝑑𝑡
Para el tratamiento del factor 𝑂𝑈𝑅(𝑡) es necesario trabajar la ecuación descrita en (15) como una
expresión en términos de porcentaje. Para ello se divide cada término de la ecuación entre 𝐶𝑂𝐷 ∗ , que
corresponde al 100% de contenido de oxígeno disuelto en el biorreactor, obteniéndose la ecuación (16).
̇
𝐶𝑂𝐷(𝑡) 𝐶𝑂𝐷 ∗ −𝐶𝑂𝐷(𝑡) 𝑂𝑈𝑅(𝑡)
100% ( ̇
) = % 𝐶𝑂𝐷(𝑡) = 100% ([𝑎𝜔(𝑡) + 𝑏] [ ]− )
𝐶𝑂𝐷 ∗ 𝐶𝑂𝐷 ∗ 𝐶𝑂𝐷 ∗
̇
% 𝐶𝑂𝐷(𝑡) = [𝑎𝜔(𝑡) + 𝑏] [100% − % 𝐶𝑂𝐷(𝑡)] − 𝑂𝑈𝑅% (𝑡) (16)
35
4.2.3 Escogencia de los puntos de equilibrio:
La ecuación diferencial descrita en (16) es una ecuación no – lineal, por lo tanto se requiere de un
proceso de linealización alrededor de un punto de equilibrio descrito como 𝑃̅ = [% ̅̅̅̅̅̅
𝐶𝑂𝐷 , ̅̅̅̅̅̅
𝑂𝑈𝑅% , 𝜔̅] que
satisface la igualdad de la ecuación (17).
̅ + 𝑏] [100% − % ̅̅̅̅̅̅
[𝑎𝜔 𝐶𝑂𝐷 ] − ̅̅̅̅̅̅
𝑂𝑈𝑅% = 0 (17)
Para cada una de las condiciones de flujo de aire entrante, es decir, para cada uno de las valores de 𝑎
y 𝑏 de la aproximación lineal obtenida en el proceso de estimación de 𝐾𝐿 𝑎, se escogerán una serie de
ternas definidas a partir de:
a) Un conjunto de valores para el porcentaje de oxígeno disuelto en equilibrio desde 0% hasta el 100%,
en intervalos de 10%.
b) Un conjunto de valores para la velocidad de agitación 𝜔 en equilibrio desde 0 hasta 900 rpm.
c) Un conjunto de valores de 𝑂𝑈𝑅% en equilibrio que, junto con los valores de los conjuntos descritos en
a) y en b), satisfacen la ecuación (17).
Los conjuntos definidos en a), b) y c) conforman, para cada condición de flujo entrante, una
superficie de la cual se extraerán los puntos de equilibrio sobre los que se linealizará la ecuación de estado
del sistema. En las Figuras 20 a 23 se muestran las superficies obtenidas para cada uno de los flujos
entrantes a considerar.
Figura 20. Superficie para escogencia de puntos de operación para 0,2 vvm
36
Figura 21. Superficie para escogencia de puntos de operación para 0,5 vvm
37
Figura 23. Superficie para escogencia de puntos de operación para 1,5 vvm
Según la literatura [12], el factor 𝑂𝑈𝑅(𝑡) se puede escribir como en la ecuación (18), donde 𝑟𝑜2 (𝑡) es
la tasa de consumo de oxígeno para el microorganismo Pichia Pastoris (medida en 𝑔𝑜2 /𝑔𝑏𝑖𝑜 ℎ) y 𝑋(𝑡) es
la cantidad de biomasa presente en el biorreactor (medida en 𝑔𝑏𝑖𝑜 /𝑙).
Así mismo, para este tipo de cepa, se encontró que la tasa de consumo de oxígeno se relaciona con la
tasa de crecimiento del microorganismo, denotada como 𝜇(𝑡) y medida en 1/ℎ, a través de un valor
constante, tal como se muestra en la ecuación (19).
Por otra parte, el coeficiente de saturación 𝐶𝑂𝐷 ∗ se relaciona con el peso molar (medido en
𝑔𝑜2 /𝑚𝑜𝑙) y el coeficiente de saturación de oxígeno (medido en 𝑚𝑜𝑙/𝑙) y se obtiene, para las condiciones
particulares de este sistema, un valor de:
Uniendo los resultados de las ecuaciones (18) y (19) con el valor de 𝐶𝑂𝐷 ∗ , se obtiene la ecuación
(20).
1,97∙𝜇(𝑡)∙𝑋(𝑡)
𝑂𝑈𝑅% (𝑡) = = (2,3 × 104 ) ∙ 𝜇(𝑡) ∙ 𝑋(𝑡) (20)
𝐶𝑂𝐷 ∗
38
Como parámetro de referencia, se tiene que según experimentos realizados sobre el biorreactor en
estudio y registrados en [12], el máximo valor de biomasa obtenido en el cultivo correspondió a 𝑋𝑚𝑎𝑥 =
300 [𝑔𝑏𝑖𝑜 /𝑙]; además se encontró que la tasa de crecimiento máxima para esta cepa es de 𝜇𝑚𝑎𝑥 =
2,27 × 10−2 [1/ℎ]. Según lo anterior el valor máximo de la tasa de consumo de oxígeno correspondería a:
Sin embargo, evaluando este factor como variable dependiente de las condiciones deseadas de
operación, se obtiene a partir de la ecuación (20) y las Figuras 20 a 23, los valores máximos de la relación
𝜇(𝑡) ∙ 𝑋(𝑡) que serán de utilidad para futuros cultivos y que se muestran en la Tabla 8.
̇
𝜕(% 𝐶𝑂𝐷(𝑡))
= −(𝑎𝜔
̅ + 𝑏)
𝜕 % 𝐶𝑂𝐷(𝑡)
̇
𝜕(% 𝐶𝑂𝐷(𝑡))
= −1
𝜕 𝑂𝑈𝑅% (𝑡)
̇
𝜕(% 𝐶𝑂𝐷(𝑡))
̅̅̅̅̅̅ (𝑡)]
= 𝑎 [100% − 𝐶𝑂𝐷
𝜕 𝜔(𝑡)
̂ ̇ (𝑡) = −[𝑎𝜔
% 𝐶𝑂𝐷 ̂ (𝑡) − 𝑂𝑈𝑅
̅ + 𝑏 ] % 𝐶𝑂𝐷 ̂% (𝑡) + 𝑎 [100% − ̅̅̅̅̅̅
𝐶𝑂𝐷 ] 𝜔̂(𝑡) (22)
̂ (𝑠) [𝑠 + (𝑎𝜔
% 𝐶𝑂𝐷 ̅ + 𝑏)] = 𝑎 [100% − ̅̅̅̅̅̅
𝐶𝑂𝐷 ] 𝜔 ̂ % (𝑠)
̂(𝑠) − 𝑂𝑈𝑅
𝑎 [100% − ̅̅̅̅̅̅
𝐶𝑂𝐷 ] 1
̂ (𝑠) =
% 𝐶𝑂𝐷 𝜔
̂(𝑠) − ̂ % (𝑠)
𝑂𝑈𝑅
𝑠 + (𝑎𝜔
̅ + 𝑏) 𝑠 + (𝑎𝜔̅ + 𝑏)
39
̅̅̅̅̅̅ ]
𝑎 [100% − 𝐶𝑂𝐷 1
̂ (𝑠) =
% 𝐶𝑂𝐷 𝑤
̂(𝑠) − ̂ % (𝑠)
𝑂𝑈𝑅
𝑠 𝑠
(𝑎𝜔
̅ + 𝑏) [ + 1] (𝑎𝜔
̅ + 𝑏) [ + 1]
(𝑎𝜔
̅ + 𝑏) (𝑎𝜔̅ + 𝑏)
𝑘1 𝑘2
̂=
% 𝐶𝑂𝐷 𝜔
̂(𝑠) + ̂ % (𝑠)
𝑂𝑈𝑅 (23)
𝜏𝑠+1 𝜏𝑠+1
̅̅̅̅̅̅]
𝑎 [100%−𝐶𝑂𝐷
𝒌𝟏 = ̅ +𝑏
(Ganancia respecto a agitación)
𝑎𝜔
1
𝒌𝟐 = − ̅ +𝑏
(Ganancia respecto a perturbación)
𝑎𝜔
1
𝝉= ̅ +𝑏
(Constante de tiempo del sistema)
𝑎𝜔
Definida la función de transferencia del sistema, se procede a graficar, para cada condición de flujo
de aire entrante, un conjunto de gráficos de bode para los distintos puntos de operación. Teniendo en
̂ % , se muestra en las
cuenta esto, y obviando el término correspondiente a la perturbación, es decir 𝑂𝑈𝑅
Figuras 24 a 27 cada una de las familias de gráficos de bode para cada flujo entrante a considerar y
variando la velocidad de agitación y el porcentaje de COD en todo su rango.
El objetivo de conocer la respuesta en frecuencia del sistema para diferentes puntos de operación, es
determinar cómo varía la ganancia y el polo con cambios en la velocidad de agitación y el % 𝐶𝑂𝐷 y así
definir el número de controladores a diseñar para cubrir la totalidad de los casos. Para ello, se utilizará la
ecuación (23) y se determinará la expresión del polo, descrita en (24), y de la ganancia, descrita en (25).
1
𝜏𝑠 + 1 = 0 → 𝑠 = − = −𝑎𝜔
̅−𝑏 (24)
𝜏
̅̅̅̅̅̅]
𝑎 [100%−𝐶𝑂𝐷
𝑘1 = ̅ +𝑏
(25)
𝑎𝜔
Figura 24. Respuesta en frecuencia para escogencia de puntos de operación para 0,2 vvm
40
Figura 25. Respuesta en frecuencia para escogencia de puntos de operación para 0,5 vvm
Figura 26. Respuesta en frecuencia para escogencia de puntos de operación para 1 vvm
41
Figura 27. Respuesta en frecuencia para escogencia de puntos de operación para 1,5 vvm
Teniendo como referencia las ecuaciones (24) y (25), para cada condición de flujo a la entrada, se
determinará el valor mínimo y máximo que puede tomar tanto el polo como la ganancia, para los distintos
valores ya especificados de velocidad de agitación y % 𝐶𝑂𝐷. Los resultados se resumen en la Tabla 9.
Tabla 9. Valores mínimo y máximo del polo y la ganancia para cada condición de flujo y rangos de 𝝎 = 200 a 900 rpm y
% 𝑪𝑶𝑫 = 10% a 90%
Sin embargo, debido a que las diferencias entre los valores mínimo y máximo tanto para la ganancia
como para el polo son tan grandes, se hizo necesario reducir los límites de operación para facilitar el
proceso de diseño del controlador. Teniendo en cuenta que una velocidad de agitación de 200 rpm no
genera una transferencia de oxígeno considerable y que una concentración de oxigeno superior al 50% es
difícilmente alcanzable en la realidad, los nuevos rangos de trabajo corresponden a:
42
Concentración de oxígeno disuelto (% COD) del 10% al 50%
Velocidad de agitación (𝜔) de 500 rpm a 900 rpm
Para estos nuevos rangos de trabajo los valores mínimos y máximos actualizados del polo y la
ganancia del sistema para cada condición de flujo entrante se muestran en la Tabla 10.
Tabla 10. Valores mínimo y máximo del polo y la ganancia para cada condición de flujo y rangos 𝝎 = 500 a 900 rpm y
% 𝑪𝑶𝑫 = 10% a 50%
Antes de comenzar con el proceso de cálculo, es necesario primero definir, de manera general, el tipo
de arquitectura de control a utilizar. Debido a que la transferencia de oxígeno corresponde a un proceso de
capacidad sencilla, la arquitectura más apropiada para este tipo de procesos es un controlador proporcional
– integral (PI). Además, no se agrega acción derivativa en el controlador, pues no es conveniente cuando
se tiene una señal muy ruidosa medida por el sensor (como en este caso) y, además, debido a que se
requiere que la estrategia de control sea capaz de responder a cambios tipo paso en la referencia. La
función de transferencia de un controlador PI se muestra en la ecuación (26).
𝑘𝑖 𝑘𝑝 𝑠+𝑘𝑖 1+𝑘2 𝑠 𝑠−𝑍
𝑃𝐼(𝑠) = 𝑘𝑝 + = = 𝑘1 ( ) = 𝐾( ) (26)
𝑠 𝑠 𝑠 𝑠
Mediante la ubicación manual del polo y el cero del controlador y el ajuste de ganancia, realizados en
la herramienta, se obtuvo una serie de características de desempeño en lazo cerrado junto con sus
parámetros de respuesta transitoria en el mejor de los casos, obtenidos para cada una de las condiciones de
flujo entrantes. Dichos resultados se resumen en la Tabla 11.
Así mismo, el porcentaje de sobrepico no supera un valor de 5% que, debido a su corta duración, no
alcanzará a ser percibido por la cepa, por lo que no resulta un factor decisivo a la hora de diseñar el
controlador.
Por otro lado, para cada condición de flujo a la entrada, se tiene un valor máximo de concentración
de oxígeno que se puede alcanzar sin que se sature la señal de control, es decir, sin que supere las 900
rpm. Dichos límites máximos de la referencia de % COD para cada flujo entrante se mencionan a
continuación:
Teniendo en cuenta los resultados anteriores, se tiene que para el caso ideal, la estrategia de control
correspondería a un Gain Scheduling aplicado a 4 controladores PI, cuya variable de selección
corresponde al Set Point de concentración de oxígeno disuelto, que a su vez se relaciona con el flujo de
aire entrante.
Sobre dicho esquema se procedió a evaluar, en primer lugar, el desempeño de los anteriores
controladores. Sin embargo, lo que se obtuvo fue una respuesta muy diferente a la obtenida previamente,
pues el polo que adiciona la sonda afecta de manera muy importante el tiempo de establecimiento de la
respuesta total. En ese orden de ideas, se procede a replantear el proceso de diseño de los controladores.
45
Tomando como referencia los puntos de operación y los límites de % 𝐶𝑂𝐷 establecidos para cada
condición de flujo, se procede a diseñar un controlador para la función de transferencia de la planta para
los valores mínimos de % 𝐶𝑂𝐷 y de velocidad de agitación (caso 1) y la función de transferencia para los
valores máximos de dichos parámetros (caso 4). Los resultados de las características de desempeño en
lazo cerrado junto con sus parámetros de respuesta transitoria para cada uno de los casos se muestran en la
Tabla 12.
Tabla 12. Características de los controladores diseñados para los casos 1 y 4 en el caso real
Diseñados los ocho controladores, se procede a evaluar su desempeño para los dos casos no
considerados en el proceso de diseño, es decir, los casos 2 y 3. Sin embargo, la respuesta que se obtuvo no
fue consistente para los cuatro casos, de manera que se decidió diseñar un controlador para cada uno de
ellos y cada uno de los cuatro flujos entrantes, es decir, un total de 16 controladores (para más detalle del
procedimiento de sintonización de los controladores en rltool, ver Anexo C). Los resultados de las
características de desempeño de los dieciséis controladores se muestran en la Tabla 13.
Tabla 13. Características de los dieciséis controladores diseñados para los casos 1, 2, 3 y 4 en el caso real
En las Figuras 31 a 34 se muestra la señal de salida y la señal de control para cada uno de los
dieciséis esquemas de control diseñados. La respuesta que se obtiene para todos los casos corresponde a
una respuesta paso unitario para el modelo en pequeña señal, cuyas variaciones se analizan a partir del
punto de equilibrio particular de cada uno de los casos, rotulado en cada gráfico (y previamente detallado
en el documento).
46
Figura 31. Señales de salida y control de los cuatro casos para condición de flujo de 0,2 vvm en el caso real
Figura 32. Señales de salida y control de los cuatro casos para condición de flujo de 0,5 vvm en el caso real
47
Figura 33. Señales de salida y control de los cuatro casos para condición de flujo de 1,0 vvm en el caso real
Figura 34. Señales de salida y control de los cuatro casos para condición de flujo de 1,5 vvm en el caso real
Diseñados los controladores para cada uno de los puntos de operación, se procederá a evaluar la
estrategia de control sobre el modelo no-lineal. Este proceso de validación tendrá dos componentes: el
primero corresponderá a la validación en pequeña señal del desempeño de cada uno de los 16
controladores incorporando el modelo no-lineal y las condiciones de operación para cada uno de los casos;
el segundo corresponderá a la validación sobre el sistema completo, incluyendo el esquema de selección
de los controladores para hacerlo completamente automático.
48
4.4 VALIDACIÓN EN PEQUEÑA SEÑAL DEL MODELO NO-LINEAL
Para este primer proceso de validación se utilizó el esquema de la Figura 35. Sobre este esquema se
incluyó el valor de 𝑂𝑈𝑅% en cada punto de operación o de Bias (los cuatro casos ya descritos), para cada
una de las condiciones de flujo, una referencia tipo paso a la entrada de amplitud uno (con respecto al Bias
de %𝐶𝑂𝐷) y la escogencia manual del controlador. Dichos valores de 𝑂𝑈𝑅%, extraídos de las superficies
de operación de las Figuras 20 a 23, se detallan en la Tabla 14. Por otra parte, en las Figuras 36 a 39 se
detallan las señales de control y salida, obtenidas para cada uno de los dieciséis controladores. En este
caso, se agruparon las respuestas de acuerdo a cada uno de los casos (1 a 4) y se identificó, por gráfico, la
respuesta de cada flujo.
Figura 35. Esquema de control del modelo no-lineal para validación en pequeña señal de los dieciséis controladores
Figura 36. Señales de salida y control de la primera condición de operación (Caso 1) para las cuatro condiciones de flujo
entrantes en el modelo no-lineal
49
Figura 37. Señales de salida y control de la segunda condición de operación (Caso 2) para las cuatro condiciones de flujo
entrantes en el modelo no-lineal
Figura 38. Señales de salida y control de la tercera condición de operación (Caso 3) para las cuatro condiciones de flujo entrantes
en el modelo no-lineal
50
Figura 39. Señales de salida y control de la cuarta condición de operación (Caso 4) para las cuatro condiciones de flujo entrantes
en el modelo no-lineal
Tabla 14. Valores de equilibrio de 𝑶𝑼𝑹% para cada uno de los dieciséis casos a controlar
Como se observa, la respuesta que se obtiene es muy similar a la obtenida en el caso real con la
inclusión de la sonda (que se detalla en las Figuras 31 a 34).
51
tipo de disturbio (bloque violeta) y el bloque del sistema no-lineal (bloque rojo), además del bloque de la
dinámica de la sonda y la referencia.
Figura 40. Esquema general del lazo de control automático para la concentración de oxígeno del biorreactor
La primera etapa a diseñar corresponde a una máquina de estados que determine los valores de 𝑎 y 𝑏
de la aproximación lineal asociada a cada condición de flujo (identificado en el esquema general de la
Figura 40 como el bloque azul claro).
52
El gráfico que resume la operación de la máquina de estados, se puede observar en la Figura 41. A
partir de un estado inicial, correspondiente al flujo de 0,2 vvm, se generará la transición a un estado de
espera una vez la señal de control alcance su valor máximo (899 rpm); desde este estado se avanzará al
siguiente, correspondiente al flujo de 0,5 vvm, transcurridos 18 minutos (tiempo prudente para procurar la
estabilización del sistema). Esta dinámica se presenta continuamente, para las cuatro condiciones de forma
ascendente hasta llegar a 1,5 vvm. De manera similar, se generarán transiciones en el sentido contrario,
una vez la velocidad de agitación alcance su valor mínimo (501 rpm), hasta llegar a la mínima condición
de flujo de 0,2 vvm.
En este subsistema, se pueden diferenciar cuatro bloques importantes, que se detallarán a continuación:
53
2) Bloque de ganancias de los dieciséis controladores (bloque amarillo): En este bloque se
encuentran almacenadas todos los valores de ganancias, como duplas 𝑘1 , 𝑘2 para cada uno de los
dieciséis controladores diseñados en la etapa previa.
Figura 44. Máquina de estados para la selección de ganancias a partir de una condición de flujo entrante
4) Bloque de selección de ganancias por condición de operación (bloque azul): Para este caso, se
deben tener en cuenta los gráficos de las Figuras 45 y 46. En la Figura 45 se observan las cuatro
regiones de operación, junto con sus intervalos de histéresis, tanto para el parámetro 𝐶𝑂𝐷 como para
la velocidad de agitación.
54
Figura 46. Máquina de estados para la selección de ganancias a partir de una condición de operación particular
El conjunto de pruebas realizado comprende un disturbio en OUR creciente escalonado (señal rampa
muestreada cada 2 horas), tal como se presentaría en la etapa de crecimiento de la cepa, y una referencia
constante de 10%, 30% y 50% en % 𝐶𝑂𝐷. El objetivo de estas pruebas es evaluar la robustez del sistema
para perturbaciones constantes crecientes y corroborar el correcto funcionamiento de los diferentes
esquemas de conmutación, tanto para los controladores como para la condición de flujo a la entrada.
En las Figuras 47, 48 y 49 se observan las señales de disturbio, control, salida y flujo de entrada para
cada uno de las tres referencias de % 𝐶𝑂𝐷.
55
Figura 47. Señales de disturbio, control, salida y flujo de entrada para referencia de % 𝑪𝑶𝑫 = 𝟏𝟎%
Figura 48. Señales de disturbio, control, salida y flujo de entrada para referencia de % 𝑪𝑶𝑫 = 𝟑𝟎%
56
Figura 49. Señales de disturbio, control, salida y flujo de entrada para referencia de % 𝑪𝑶𝑫 = 𝟓𝟎%
Como se observa en las Figura 47, 48 y 49, el sistema es capaz de seguir cada uno de los valores de
referencia en presencia del disturbio (absorción continua y creciente por parte de la biomasa). Así mismo,
a partir de la señal de control se concluye que se realiza la acción de regulación en los cambios de
“setpoint” mientras compensa el efecto del disturbio. Por otra parte, se observa que para un tiempo
prolongado de actividad (40 horas), se generan las cuatro conmutaciones de flujo posibles y se realizan de
manera coherente los cambios en las ganancias del controlador con respecto a las condiciones de
operación presentes en el sistema, debidas al incremento constante del consumo por parte de la biomasa
(𝑂𝑈𝑅).
Finalmente, se observa en la Figura 49, que para un tiempo aproximado de 39 horas, se alcanza una
condición de saturación debido a que se alcanza el máximo valor de 𝑂𝑈𝑅 a regular para el punto de
operación particular del momento, es decir, 𝐶𝑂𝐷 = 50%; 𝜔 = 900 𝑟𝑝𝑚; 𝐹𝑖𝑛 = 1,5 𝑣𝑣𝑚, tal como se
observa en la región de la Figura 23.
57
5.1 ESQUEMA GENERAL EN LABVIEW Y RESULTADOS DE SIMULACIÓN:
En primer lugar, para la implementación en LabView de las máquinas de estado se utilizó el bloque
de estructura de casos (Case Structure) en el que se incluyeron las tres máquinas de estado
correspondientes a la selección de flujo, de condición de operación y de selección de ganancias; todo lo
anterior dentro de una estructura secuenciada (Flat Secuence Structure), para evitar que los cambios de
estado de las máquinas se presenten en un mismo instante de tiempo. Así mismo, los estados de espera
entre transiciones, se implementaron mediante el bloque Elapsed Time.
Por otro lado, se implementó el modelo no lineal de la planta, junto con el bloque de PID – Gain
Scheduling del software, en el que se programaron las ganancias encontradas en el proceso de diseño, y se
interconectó con las máquinas de estado a través de variables locales. Dicha implementación se observa en
la Figura 50.
Adicionalmente, para efectos de visualización, se agregó un tiempo de retardo en el ciclo del modelo
del biorreactor para poder observar la respuesta del modelo a una velocidad apreciable; además, debido a
que el tiempo de integración en el modelo es de una milésima de hora, cada división de la escala de
tiempo del gráfico corresponderá a dicho valor. Así mismo, los retardos de las máquinas de estado se
manejarán en segundos para este mismo propósito.
A partir del esquema de la Figura 50, se obtuvo el gráfico de la Figura 51 en el que se observan los
cambios en el número del controlador, la condición de flujo y la agitación en RPM necesaria para
mantener un setpoint de 𝐶𝑂𝐷 del 30% y variaciones en la variable del disturbio OUR.
58
Figura 51. Resultado de la simulación en LabView
Así mismo, se modificó el esquema general para permitir el paso de control manual a automático,
debido a que en la etapa de crecimiento de la cepa no se requiere de la acción de control diseñada, ya que
esta consiste en iniciar con un 100% de COD y esperar a que la totalidad del oxígeno se agote, para
indicar que el crecimiento de la cepa ha finalizado, y a partir de este punto iniciar la etapa de inducción
(producción de proteína) en la que sí es útil el control automático.
Figura 52. Señales de salida, control y conmutación de los controladores para la totalidad del cultivo
Figura 53. Detalle de las señales de salida, control y conmutación de los controladores para la primera hora de cultivo
60
Para un análisis más detallado, se fragmentarán los resultados en tres secciones y se comentarán los
resultados particulares en cada una de ellas. En primer lugar, se tiene la primera hora de duración de la
prueba. En esta primera sección se observan tres setpoint de COD diferentes: 20%, 30% y 15% (tal como
se observa en la Figura 53). Como era de esperarse se alcanzaron los diferentes setpoint de oxígeno
mediante la variación de las dos señales de control, en la que se emplearon tres de los cuatro flujos
disponibles y la conmutación entre seis de los controladores para las diferentes condiciones de operación.
Es importante aclarar que las variaciones que se presentan alrededor de cada uno de los setpoint no
son consecuencia de procesos errados de sintonización de los controladores, ya que dichas variaciones no
están centradas en el valor del setpoint, no se genera ninguna conmutación entre los casos de control, y
además, la señal de control de agitación no presenta una forma sinusoidal perfecta. El verdadero causante
de dichas variaciones es el consumo elevado por parte de los microorganismos, lo cual conlleva a que el
sistema sea más rápido que la acción de control, de manera que una vez la señal de COD supere el valor
del setpoint y el controlador intente corregir esta condición, el consumo será tal que el descenso sea mayor
al esperado y requiera nuevamente de la acción de control para corregir en el otro sentido.
La respuesta que se observa en la Figura 53, se debe a que en el ajuste de un setpoint de COD de un
valor elevado se pone a disposición una cantidad elevada de oxígeno para consumir, y en ese mismo
sentido, motiva un consumo mayor por parte de la cepa.
El segundo caso, se da para la segunda hora de cultivo. En la Figura 54 se observa el caso con
respuesta ideal, en el cual se logra un seguimiento del setpoint con un error de estado estable
aproximadamente nulo. Lo anterior se da debido a que los valores de setpoint son cercanos a cero, lo cual
conlleva a que la dinámica sea más lenta y más cercana a la descrita por el modelo. Lo anterior, se explica
debido a que la cantidad de oxígeno disponible es menor y así lo es también el consumo. Debida a estas
mismas condiciones, se requirieron menos cambios en las señales de control y en las conmutaciones de los
controladores (se utilizó una sola condición de flujo de entrada de 1 vvm y los controladores 9 y 11).
Figura 54. Detalle de las señales de salida, control y conmutación de los controladores para la segunda hora de cultivo
61
El tercer y último caso, se da para la tercera hora de cultivo. El objetivo de esta tercera sección es
corroborar los resultados obtenidos en los dos anteriores procesos. Como se observa en la Figura 55, en
primer lugar, se elevó el valor del setpoint a 12% y se observaron variaciones similares a las obtenidas en
la primera hora de cultivo. Una vez se redujo el setpoint a 5%, se presentó una dinámica más lenta y se
logró alcanzar la referencia con un error nulo, tal como se observó en la segunda sección. Todo el proceso
anterior, se obtuvo para una sola condición de flujo a la entrada (1,5 vvm) y dos controladores (13 y 15).
Además, se observa que alrededor de los 140 minutos, se presentó un disturbio debido a la ausencia
de glicerol (alimento de la cepa). En caso de no haber dispuesto de un control automático, el valor de
COD se hubiese elevado de manera drástica sin dar la posibilidad de adicionar nuevamente el alimento
para corregir dicha situación. Por el contrario, debido a la acción de control, dicho incremento no se alejó
considerablemente del setpoint, permitiendo de esta forma adicionar el sustrato necesario y recuperar el
valor deseado dentro de los primeros 10 minutos y mantener nuevamente constante el valor del COD hasta
el final de la prueba.
Figura 55. Detalle de las señales de salida, control y conmutación de los controladores para la tercera hora de cultivo
62
CONCLUSIONES
Del proceso de estimación se dedujo que existe una relación directa entre el coeficiente de
transferencia de oxígeno al biorreactor y las variables de agitación y flujo entrante. Además, se observó
que para agitaciones menores a 500 RPM el proceso de transferencia de oxígeno era casi nulo y para
agitaciones mayores a 900 RPM el proceso alcanzaba una condición de saturación.
Por otro lado, debido al alto contenido de dinámica no modelada no fue posible ajustar el modelo al
comportamiento real manteniendo un error menor al 7%. Sin embargo, el modelo obtenido posee dos
propiedades de suma utilidad: la primera, que es extrapolable a diferentes puntos de operación dentro de
los límites especificados para el proceso de transferencia de oxígeno, pues el modelo se realizó alrededor
de cinco puntos particulares y se validó para condiciones diferentes, obteniéndose resultados
satisfactorios. La segunda propiedad, es que puede llegar a ser aplicable a dinámicas biológicas diferentes,
pues el modelo fue deducido a partir de datos obtenidos de pruebas realizadas en el biorreactor sin
microorganismos y los resultados experimentales se obtuvieron para una cepa particular (levadura Pichia
Pastoris).
Tomando como referencia las técnicas de Gain Scheduling y control por sobre-mando, se realizó un
esquema de control basado en máquinas de estado que verifican las condiciones de operación actuales del
sistema y conmutan entre los dieciséis conjuntos de ganancias para finalmente realizar la acción de
control. Dicha implementación fue realizada teniendo en cuenta que el sistema a controlar es no-lineal, y
requiere de un proceso de linealización alrededor de diferentes regiones de operación, tomando en
consideración que las diferencias entre las dinámicas presentadas para cada una de las regiones son
considerables. Por otro lado, se estableció una jerarquía entre las variables de control, para la cual la
velocidad de agitación se trabajó de manera continua y el flujo entrante en valores discretos, teniendo en
cuenta que ambas variables aportan al incremento de la concentración de oxígeno disuelto en el
biorreactor, que el costo de mantenimiento del variador de velocidad es menor que el de la válvula y que
el proceso de transferencia es más sensible a los cambios en la agitación.
Teniendo en cuenta lo anterior, es importante considerar que la aplicación al sistema real se está
realizando sobre un organismo vivo que puede manifestar condiciones de respuesta que se escapan a lo
contemplado en el modelo. Factores como la falta de alimento, el estrés generado por las variaciones en
las condiciones al interior del biorreactor y la falta de reacción oportuna a dichos estímulos una vez se ha
alcanzado una condición particular en el entorno, aumentan o disminuyen la rapidez con la que se
observan los efectos de dichos estímulos.
Finalmente, de los resultados obtenidos en el sistema real se concluyó que el algoritmo de control
funciona de manera adecuada para setpoint de valor bajo, y precisamente, esto es una característica
deseable si el objetivo final del cultivo es la producción de proteína, pues esto supone que el oxígeno
63
transferido al medio es consumido por los microorganismos casi en su totalidad, para acelerar el proceso
metabólico y producir más proteína.
A partir de los resultados finales obtenidos del proyecto, se puede considerar que un setpoint bajo es
menor al 10%. Sin embargo, debido a que el objetivo de la prueba era evaluar la robustez del control para
disturbios de magnitud elevada, se adicionó una mayor cantidad de glicerol para motivar un mayor
consumo por parte de la cepa y así generar una condición atípica en el proceso. Para un cultivo regular, el
consumo sería mucho menor y los resultados observados en la segunda sección de la prueba (figura 54)
pueden ser alcanzados para valores de setpoint incluso menores al 25%. No obstante, estos valores siguen
siendo inusuales para la etapa de inducción, pues como ya se mencionó, se pretende que todo el oxígeno
transferido sea consumido.
Por último, es importante proponer una serie de mejoras para ampliar la región de operación efectiva
del control y, por ende, su desempeño. En primer lugar, se plantea la posibilidad de integrar una sonda que
estime el valor del 𝑂𝑈𝑅 para contemplarlo en el modelo, y de esta manera poder implementar una técnica
de control feed-forward para corregir el efecto del disturbio antes de que se vea reflejado en la salida. En
segundo lugar, se propone una estrategia de control no-lineal que varíe su comportamiento respecto a los
cambios en la dinámica del proceso, y de esta forma regular el valor de la salida en el rango del 0% al
100%.
64
BIBLIOGRAFÍA
[1] K. Schügerl, K.H. Bellgardt, “Bioreaction Engineering Modelling and Control”, Springer-Verlag
Berlin and Heidelberg GmbH & Co. K., 2000.
[3] Ertunc, S., Akay, B., Boyacioglu, H., & Hapoglu, H (2009), “Self-tuning control of dissolved
oxygen concentration in a batch bioreactor. Food and Bioproducts Processing”, 87(1), 46–55.
[4] Dieu, P., Feuillerat, C., Lelong, P., & Salami, M. (1995). “Adaptive predictive control of dissolved
oxygen concentration in a laboratory-scale bioreactor”, 43, 21–32.
[6] Chisti, Y., & Jauregui-Haza, U. J. (2002). “Oxygen transfer and mixing in mechanically agitated
airlift bioreactors”. Biochemical Engineering Journal, 10(2), 143–153.
[7] Fisher – Rosemount Systems Inc. (2006). “Control Using Two Manipulated Parameters”. Process
Control Introduction – Historic Perspective. Slide 3.
[8] Ir. G.J.L. Naus (2009). “Gain scheduling. Robust Design and Automated Tuning of Automotive
Controllers”. TNO Science and Industry, Helmond. DAF Trucks N.V., Eindhoven. University of
Technology, Eindhoven.
[9] Wilson J. Rugh, Je S. Shamma (1999). “Research on gain scheduling – Survey Paper”.
Department of Electrical and Computer Engineering, Johns Hopkins University, Baltimore.
[10] Behzad Samadi (2009). “Industrial Control”. Department of Electrical Engineering, Amirkabir
University of Technology, Tehran, Irán.
[11] Fisher – Rosemount Systems Inc. (2006). “Override Control”. Process Control. Slides 9-2 a 9-7.
65