Traducido del inglés al español - www.onlinedoctranslator.

com

Control predictivo de una cascada

de reactores bioquímicos
Martin Mojto, Michaela Horváthová, Karol Kiš,
Matúš Furka, Monika Bakošová

Universidad Tecnológica de Eslovaquia en Bratislava, Facultad de Tecnología Química y Alimentaria,

Instituto de Informática, Ingeniería, Automatización y Matemáticas,
Radlinského 9, 81237Bratislava, República Eslovaca
martin.mojto@stuba.sk

Abstracto:El rápido crecimiento de la población humana ha provocado varios problemas, como la sobrecarga masiva de las plantas de
tratamiento de aguas residuales. Por lo tanto, el control óptimo de estas plantas es un tema relevante. Esta contribución analiza el
control de una cascada de diez reactores bioquímicos utilizando resultados de simulación con el objetivo de diseñar estrategias de
control óptimas y predictivas y comparar el rendimiento de control alcanzado. La planta representa un proceso complicado con
muchas variables involucradas en la estructura del modelo, reducido al sistema de entrada única y salida única. El primer enfoque
implementado es el control predictivo de modelo libre de desplazamiento lineal que proporciona la trayectoria de entrada óptima
minimizando una función de costo cuadrática. La segunda estrategia de control es un control predictivo de modelo robusto con
características similares al control predictivo de modelo pero que incluye la incertidumbre del proceso. El enfoque final es el control
predictivo generalizado, utilizado principalmente en la industria debido a su estructura simple y su rendimiento de control
suficientemente bueno. Todos los controladores predictivos considerados proporcionan un rendimiento de control satisfactorio y
eliminan el error de control de estado estable a pesar de las entradas de control restringidas.

Palabras clave: reactor bioquímico, control predictivo generalizado, control predictivo del modelo, predicción robusta del modelo
control tivo, tratamiento de aguas residuales

Introducción La mayor disponibilidad de sensores y analizadores en línea

El término reactor bioquímico describe una unidad de
procesamiento que soporta un entorno biológicamente
activo, que involucra organismos vivos o sustancias
bioquímicamente activas. Si las condiciones ambientales en
el interior del reactor bioquímico son óptimas, los
microorganismos o células están cumpliendo eficazmente su
función sin producir impurezas. La productividad y el
crecimiento de los microorganismos pueden verse
influenciados por la temperatura y la concentración de
gases disueltos, el valor del pH y la concentración de
nutrientes. Por lo tanto, el control de procesos de estas
variables representa una parte cada vez más relevante de la
industria biotecnológica (Henson, 2006). Los sistemas de
control de retroalimentación se aplican para lograr un
crecimiento y productividad óptimos y minimizar los costos
de producción. La aplicación de estrategias de control de
procesos en reactores bioquímicos es un importante tema
de investigación.
Los controladores industriales más comunes son
los controladores PID (proporcional-integración-
derivada). Su sencillez y su sencilla aplicación les
otorgaron popularidad principalmente en la
industria química y petroquímica. En Rajinikanth y
Latha (2010), se aplicó un sistema de control PID
para controlar un reactor bioquímico inestable. Se
ha diseñado un controlador PI con filtro de orden
fraccional para un reactor bioquímico en
Vinopraba et al. (2013).
permitió implementar controladores basados en
optimización más avanzados para reactores bioquímicos.
Una descripción general de los algoritmos adaptativos
óptimos aplicados a los reactores químicos y bioquímicos se
presenta en Smets et al. (2004). Una de las técnicas basadas
en la optimización más ventajosas es el control predictivo de
modelos (MPC). Este enfoque se ha aplicado en muchas
áreas, incluidas la ingeniería química y la industria
alimentaria. En MPC, se considera el modelo dinámico de
una planta para predecir su comportamiento futuro. Estos
algoritmos pueden incluir restricciones en las variables del
proceso. El enfoque basado en la optimización logra
minimizar costos y maximizar la calidad y seguridad de la
operación. Además, MPC es muy eficiente en el control
multivariable. En Ramaswamy et al. (2005), Se consideró que
MPC controlaba un reactor bioquímico hacia un horizonte de
predicción de ajuste de estado estacionario inestable para
aumentar el rendimiento de control de la planta. El control
predictivo del modelo no lineal se utilizó para controlar los
reactores bioquímicos alimentados por lotes en Craven et al.
(2014) y Chang et al. (2016).
A lo largo de los años se han desarrollado múltiples
controladores predictivos basados en el control óptimo
en tiempo real. Por ejemplo, el control predictivo
generalizado (GPC) (Clarke et al., 1987), donde el modelo
matemático es un modelo de promedio móvil integrado
y autorregresivo controlado (CARIMA). El objetivo de GPC
es calcular una secuencia de futuros

Acta Chimica Eslovaca, vol. 14, núm. 1, 2021, págs. 51—59, DOI: 10.2478/acs-2021-0007 51
señales de control para minimizar una función de costo
de múltiples etapas. El método GPC en configuración
adaptativa y no adaptativa se aplicó a una producción de
penicilina por lotes alimentados en Rodrigues et al.
(2002), con la concentración de oxígeno disuelto como
variable controlada. El GPC en ambas configuraciones,
adaptativo y no adaptativo, mejoró el rendimiento del
control de la planta en comparación con el PID
convencional y el Dynamic Matrix Control predictivo. En
Akay et al. (2010), la temperatura de un reactor
bioquímico con producción de levadura de panadería se
controló utilizando el enfoque GPC. El rendimiento del
control se analizó considerando múltiples cambios de
paso positivos y negativos del punto de ajuste.
El comportamiento de los reactores bioquímicos,
tanto continuos como discontinuos, suele ser muy no
lineal. En algunos casos, la no linealidad puede
provocar una falta de coincidencia del modelo de
proceso, lo que conduce a un MPC menos efectivo.
Para superar este obstáculo, se implementó MPC
robusto (RMPC). Hay muchas formas de RMPC: por
ejemplo, Kothrare et al. (1996); Lucia y Engell (2013)
diseñaron un RMPC no lineal para un reactor
bioquímico por lotes y mejoraron su rendimiento de
control. El RMPC formulado usando desigualdades de
matriz lineal fue diseñado para un reactor de tanque
de agitación continua (CSTR) en Oravec y Bakošová
(2012) y Oravec et al. (2017).
Este artículo presenta la aplicación de varios controladores
predictivos para una cascada de diez reactores bioquímicos.
La planta considerada modela el tratamiento de aguas
residuales eliminando compuestos no deseados del agua. El
control óptimo de estos dispositivos es una tarea relevante
ya que la sostenibilidad es hoy en día uno de los requisitos
clave de la producción industrial. Esta investigación tiene
como objetivo comparar el rendimiento de control de MPC,
GPC y RMPC convencionales implementados en la cascada
de diez reactores bioquímicos mediante simulaciones. El
Figura 1.Diagrama de flujo de la planta de carrusel que involucra la cascada de diez reactores bioquímicos
y un clarificador final.
52 Mojto M et al., Control predictivo de una cascada de reactores bioquímicos.
El desempeño del control se analizó considerando varios
criterios.
Descripción de la planta
Las plantas carrusel representan una parte importante de la
tecnología de tratamiento de aguas residuales industriales.
En conjunto, estas plantas suelen constar de varios
reactores continuos de tanque agitado (CSTR) de gran
volumen. La desventaja de esta unidad industrial es la
presencia de fuertes perturbaciones causadas por el caudal
de alimentación inestable y la composición de las aguas
residuales (Pons, 2011).
Esta investigación considera una cascada de diez
reactores bioquímicos aireados para la activación del
carrusel que se muestra en la Fig. 1 (Derco et al., 1994;
Trautenberger, 2017). La estructura dada de la cascada
proporciona ambientes tanto óxicos como anóxicos para
la biomasa. Además, cada biorreactor involucra un
ventilador vertical (aireador) y un suministro de flujo de
aire, para inducir las condiciones requeridas para los
procesos bioquímicos dentro de la cascada. El flujo de
alimentación (aguas residuales) caracterizado por la
concentración del componente orgánico (S) e impurezas
como sales de amonio (NH) o nitratos/nitritos (NO) se
alimenta al primer biorreactor de la cascada. El perfil de
composición de la mezcla dentro de la cascada de
biorreactores es el siguiente:
- S0, Nueva Hampshire0, NO0(flujo de alimentación),
- S1, Nueva Hampshire1, NO1(salida del primer biorreactor),
- S10, Nueva Hampshire10, NO10(salida del décimo
biorreactor).
Una parte de una mezcla del décimo biorreactor se
devuelve al primer biorreactor como reflujo interno y
el resto de la mezcla ingresa al clarificador final. La
mezcla en el decantador final es separada por el
proceso de sedimentación al flujo de efluentes y
lodos. El segundo reflujo (lodos) se produce por el
los lodos salen del decantador y el resto de los lodos
sale de la planta como desecho.
Se utilizaron ecuaciones de balance de masa de los
componentes de la mezcla para diseñar el modelo
matemático. Estas ecuaciones se derivan de los
procesos bioquímicos dentro de la planta, como la
carbonización, la nitrificación y la desnitrificación.
Además, el modelo matemático incluye la ecuación de
Monod para considerar el crecimiento de la biomasa.
Hay varios supuestos del modelo matemático
diseñado, tales como:
— flujo de alimentación sin partículas sólidas o en suspensión,
— el oxígeno no limita los procesos de
carbonización o nitrificación,
— los reactores dentro de la cascada se mezclan
perfectamente y se ignoran las variaciones de
temperatura o pH.
para el diseño de MPC y GPC. Los sistemas de vértices
considerados MPC robustos son modelos generados para
combinaciones de valores mínimos y máximos de parámetros
inciertos. Todos los sistemas de vértices obtenidos definen un
casco convexo de todos los posibles sistemas inciertos que
representan el posible comportamiento de la cascada de
reactores bioquímicos. La respuesta escalonada del modelo de
proceso con parámetros nominales, mínimos y máximos se
muestra en la Fig. 2.
Para verificar el modelo nominal obtenido del
proceso, se comparó con el modelo no lineal original

Identificación de procesos
El propósito de la identificación del proceso es obtener la
información deseada sobre la dinámica del proceso para su posterior
análisis (por ejemplo, diseño de controladores apropiados). Las
estructuras más comunes de los modelos identificados representan
una representación de espacio de estado o una función de
transferencia. En este caso, el modelo identificado representa la
función de transferenciaGRAMO(s) entre:
— la concentración de sales de amonio del décimo
biorreactor (NH10, variable medida y variable Figura 2.Respuesta escalonada del modelo de proceso con

controlada en el futuro), parámetros nominales (línea continua roja), mínimos (línea

— la relación entre el reflujo interno y el caudal de punteada negra) y máximos (línea discontinua azul).

alimentación (r, variable de entrada y entrada de control

en el futuro),
en forma de Ec. (1). Dado que también se consideró un
enfoque robusto, los parámetros inciertos se expresaron
utilizando la incertidumbre del intervalo dentro de los
valores mínimos y máximos de cada parámetro identificado.
La función de transferencia resultante tiene la siguiente
estructura (Furka et al., 2020):

bs
4 4 + bs
3 3+bs22+bs+b
1 0,
GRAMO(s) = (1)
como
4 4+como 22 +a1s+a0
3 3+como

El numerador es un polinomio de cuarto orden con

los parámetrosb0—b4y cuatro ceros. La estructura del
denominador es la misma (polinomio de cuarto orden
con parámetrosa0—a4) e involucra cuatro polos. Los
valores nominales, mínimos y máximos obtenidos de
los parámetros de la función de transferencia se Fig. 3.Comparación de la respuesta escalonada del
indican en la Tab. 1. Se consideró el modelo nominal proceso no lineal (línea discontinua roja) y el
con valores nominales de parámetros identificados modelo nominal identificado (línea continua azul).

Pestaña. 1.Valores nominales, máximos y mínimos de los parámetros del modelo identificado.

Parámetros b0 b1 b2 b3 b4 a0 a1 a2 a3 a4
Nominal 0.03 0.83 0.12 0.11 – 56.10–3 0,94 16.77 9.94 5.72 1.00
Máximo 0.04 1.03 0.13 0.11 – 54.10–3 1.29 23.06 12.28 6.39 1.00
Mínimo 0.02 0,65 0.11 0.10 – 52.10–3 0,63 11.24 7.74 5.05 1.00

Mojto M et al., Control predictivo de una cascada de reactores bioquímicos. 53

proceso (Fig. 3). Como puede verse, la discrepancia (por
ejemplo, la suma de los residuos al cuadrado) entre las
trayectorias es insignificante. Por tanto, el modelo nominal
describe suficientemente el comportamiento de la planta no
lineal.
El sistema nominal obtenido se puede discretizar y
transformar a la representación del espacio de estados. Esta
forma de estructura del modelo es más accesible para el
diseño de controladores. Teniendo en cuenta la dinámica del
proceso, el tiempo de muestreoTs=Se utiliza 0,5 h para la
discretización.
ymin£y(k)£ymáximo, (9)
Parámetronorterepresenta el horizonte de predicción, r(k)IR
norteyes la referencia, ∆tu(k) =tu(k) -tu(k–1) es la diferencia de
la acción de control. VariablesqyR son matrices de sintonía
que ponderan la salida de control y la entrada de control.
Las matrices de sintonía son positivamente definidas y
diagonales.
Modelo robusto de control predictivo
El desajuste del modelo de planta se trata en el diseño de RMPC.
El objetivo del diseño de RMPC es optimizar la ley de control de

Métodos de control predictivo retroalimentación de estado para calcular la acción de control

Modelo de control predictivo
La cascada de diez reactores bioquímicos representa un
sistema complejo con perturbaciones e incertidumbres. Para
controlar este sistema, se diseñó un MPC lineal sin
compensación y para garantizar el control de la planta sin
compensación, se consideró un modelo aumentado con
perturbaciones de salida constantes (Meader et al., 2009). El
modelo de espacio de estado aumentado se consideró de la
siguiente manera:
óptima. A diferencia de MPC convencional, RMPC minimiza el
escenario del "peor de los casos" en un horizonte de función de
costo infinito en cada tiempo de muestreo. El problema de
optimización convexa se formula con LMI. En la configuración
del horizonte en retroceso, RMPC calcula la secuencia de
acciones de control óptimas sobre el horizonte de predicción,
pero implementa solo la primera acción de control óptima. Para
eliminar el error de seguimiento de estado estable,mi(k), el
vector de estados fue extendido por una acción integral de la
siguiente manera:

X(k+1) =Hacha(k)+Bu(k),X(0) =X0 (2) miX(k) tu

mi tu
X-(k) =mi k tu
tu ,mi(k) =r(k)-y(k). (13)
y(k) =Cx(k)+Fp(k), (3) mi
mi a
mi(j)ú
êëj =0 úû
dóndek≥0es un instante de tiempo discreto,X(k)IRnorteX
representa estados,tu(k)IRnorteturepresenta entradas de El modelo de espacio de estado incierto extendido se define de la
control, y(k)IRnorteysignifica salidas del sistema ypag(k)IRnortepag siguiente manera:
significa perturbaciones de salida constantes. Parámetro
X-(k+1) =A-X-(k)+B-tu(k),X-(0) =X-0 (14)
X0representa las condiciones iniciales del sistema.
Además, la representación discreta del espacio de
y(k) =C-X-(k), (15)
estados contiene matricesAIRnorteX×nX,BIRnorteX×ntu,CIRnortey×nX,
FIRnortey×npagque representan matrices de estado, entrada, dóndeA-,B-,C-son matrices del sistema extendido
salida y perturbación, respectivamente. sujetas a la acción integral.
Basado en la optimización, MPC evalúa una secuencia de A los efectos del diseño de RMPC, la planta controlada se
entradas de control óptimas en cada tiempo de muestreo. representa mediante un modelo de espacio de estado de
La evaluación considera el comportamiento futuro del tiempo discreto incierto de la siguiente forma:
modelo y las restricciones de salidas, entradas y estados.
X-(k+1) =AX-(k)+B̂u(k),X(0) =X0 (10)
Después de la evaluación de la secuencia de entradas de
control óptimas, MPC considera solo la primera entrada de
y=ex-(k), (11)
control calculada para garantizar sus propiedades
predictivas. El problema de optimización se formula de la
siguiente manera: miA,B,Cù Îconvhull
êë úû ({miêë
A- ,B-(tu),C-(tu)tuúû , "tu}),
(tu)
(12)
mina(q-r(k)-y(k)-2
tuInortetu
norte

∆tu(k)
2-R-∆tu(k)-2 2 ), (4)
k=0 dóndeturepresenta eltu-ésimo vértice del sistema y nortetu
representa el número total de vértices del sistema. Las
calle X(k+1) =Hacha(k)+Bu(k),X(0) =X0 (5)
restricciones simétricas de entrada y salida se formulan
como normas euclidianas y máximas (Kothrare et al., 1996):
y(k) =Cx(k)+Fp(k), (6)

tumin£tu(k)£tumáximo, (7) tu(k)2£tuse sentó,tuj(k)£tuse sentó,j,

(dieciséis)

Xmin£X(k)£Xmáximo, (8) jI{1, 2,¼,nortetu},y(k)2£yse sentó,

54 Mojto M et al., Control predictivo de una cascada de reactores bioquímicos.

dóndetuse sentóyyse sentórepresentan valores de las
X =gramo PAG
k k –1 ,PAG=PAGTµ0. (27)
restricciones simétricas en las entradas y salidas de
control, respectivamente. Sin embargo, este enfoque La matriz P representa la matriz de Lyapunov. El parámetro
tiende a ser conservador ya que no opera con el rango optimizadogramos k>0 muestra el peso en la entrada de
completo de valores factibles de las entradas de control. control sin restricciones. La constante de ponderaciónb>0
Para superar este obstáculo, Huang et al. (2011) representa otro grado de libertad en el diseño de MPC.
presentó un método de diseño de RMPC mejorado Parámetrosq-IR(norte +norte )́ (norte +norte )yRIRnorte
X y X y tu nortetu

considerando la presencia de saturación del actuador y son matrices de ponderación. Matrizq-se extendió sujeto al
la matriz de ganancia de la ley de control de vector de estado extendido de la ecuación. (13). Matriz
retroalimentación de estado se evaluó sin restriccionesk- auxiliar del diseño del controlador sin restricciones,Zkse
(k)IRnortetu(́norteX+nortey)y con restriccionesF(k)IRnortetu(́norteX+nortey)( define de la siguiente manera:
Huang et al., 2011). La entrada de control en presencia
Zk=k-Xk, (28)
de saturación del actuador,tus(k) se calcula usando la
siguiente ecuación matrizYk representa la matriz auxiliar del diseño del
controlador restringido. parámetro tuk representa
( kk-(k)+mi-metrokFk)X-(k),
tus(k) =mi metro
(17)
matriz auxiliar de entradas de MPC robusto. El
dónde parámetromimetroIR
k norte tu´nortetu , "metroI {1,¼2nortetu} símbolo * representa la estructura simétrica de la
es la matriz de todas las combinaciones de entradas de control matriz,Ies la matriz identidad de dimensiones
restringidas. Matrizmi-metroIRnortektu´nortetu, "metroI {1,¼2nortetu} apropiadas y 0 denota matriz cero de dimensiones
representa la matriz de todas las combinaciones de entradas de apropiadas.
control sin restricciones. La ganancia del controlador de retroalimentación de estado sin restricciones se

calcula de la siguiente manera:

mik-metro=I-mimetrok. (18)
k- =ZkXk -1 , (29)
El cómputo dek-(k)yF(k) se transforma en los
siguientes LMI La ganancia del controlador de retroalimentación de estado restringido se

calcula de la siguiente manera:

min yk+bys,k (19)
yk,Xk,Yk,tuk,Zk
F=YkXk -1 . (30)
mi Xk ** * tu
mi tu Los algoritmos predictivos considerados (RMPC y MPC)
ˆ( )
miA Xk+BtuYk
mi (tu) Xk * * tu
tu requieren mediciones de los estados para calcular la
callemi tuµ0, (20)
mi q-1/2Xk 0 gramos,kI * tu entrada de control óptima. Sin embargo, los estados del
mi 1/2 tu reactor bioquímico considerados en este artículo no eran
êë RYk 0 0 gramos,kIúû
medibles, por lo que se introdujo el observador de
mi Xk *** tu estado de Luenberger. Se puede encontrar información
mi tu detallada sobre la implementación del observador
mi
A(tu)X k + ˆB(tu)(mik Z + -metro
mikYk) Xk ** tu
mi metro k
tu estatal en Furka et al. (2020).
mi tuµ0,(21)
mi q-1/2Xk 0 gramo I * tu
mi tu
k

mi R (mi kZ k+mi- Control predictivo generalizado

êë kYk) 0 0 gramo Iúû
metro

1/2 metro k tu
La cascada considerada de diez biorreactores es un sistema SISO
y, por lo tanto, GPC representa una opción adecuada.
mi1 * tu
mi tuµ0, (22) ción para el control de dicha planta. Esta forma del
mi
miX-(k) Xtu
kû controlador predictivo se basa en la media móvil
mi integrada y autorregresiva controlada.
tu2I * tu
mi se sentó
tu
tuµ0, (23) Modelo (CARIMA) con la siguiente estructura:
mi
miYT Xkû
k
d(k)
miktu * tu a(z)y(k) =b(z)tu(k)+T(z) , (31)
miT tu
µ0,tu 2
jI{1, 2,¼,nortetu
} , (24) D
j,j£tuse sentó,j,
miYk X kûtu
dóndea(z) yb(z) son polinomios que representan el
mi Xk * tu denominador y el numerador de la función de
mi tuµ0, (25) transferencia discreta para el proceso:
êˆ Aˆ(tu)
X+Bˆ(tu(mi k Zk+mi-k
) 2
ë ëmi k
C
mi mi metro metro Yk)tu
úûy Ittu
úû
sa

a(z) =1+a1z-1++a-norte z,
norte (32)
gramok–gramos k>0. (26)
b(z) =bz1-1++bz-metro, (33)
Minimización del parámetro de peso auxiliargramok>0 metro

asegura la minimización de la matriz de Lyapunov polinomioT(z) explica el comportamiento de las

invertida ponderada,Xk,definido como: perturbaciones yd(k) es una variable aleatoria con cero

Mojto M et al., Control predictivo de una cascada de reactores bioquímicos. 55

significar. La relación entred(k) yDrepresenta Resultados y discusión
perturbaciones que varían lentamente.
La ventaja de la estrategia de control GPC utilizando el Configuración de controles

modelo CARIMA es la predicción imparcial proporcionada El problema de seguimiento de referencia sin

por la estimación incorporada de las perturbaciones, ya que desplazamiento se analizó considerando una secuencia
la ecuación anterior se puede transformar a la siguiente de cambios de paso del valor de referencia. El control de
forma incremental: lazo cerrado se diseñó en el entorno MATLAB/Simulink
R2019a utilizando CPU i7 de 3,4 GHz y 8 GB de RAM. Para
a(z)Dy(k) =b(z)Dtu(k)+T(z)d(k), (34)
formular problemas de optimización de MPC, se
dóndeDtu(k) =tu(k) -tu(k–1). introdujo la caja de herramientas YALMIP (Löfberg 2004).
Posteriormente, los productos en la ecuación anterior se pueden El problema de optimización de MPC fue resuelto por la
modificar de la siguiente manera (Chen, 2013): Optimización GUROBI (2020). Matrices de ponderaciónqy
Ry horizonte de predicciónnortefueron sintonizados
a aiDy(k+1-i) =
norte

i=1 como:
(35)
=a btu
iD(k-i)+ a Tid(k- ). i
norte norte

i=1 i=1 mi0.01 0 0 0 tu

mi tu
La predicción de la salida se puede derivar del lado izquierdo
mi0 0.01 0 0 tu
q=mimi tu
tu ,R=1,norte=30(43)
de la ecuación. (35):
mi0 0 0.01 0 tu
mi0 0 0
y(k)+a
(a
norte+1
i -a )si( -i) =
i- 1
êë 0.01tuúû
i1=
(36)
=a biDtu(k-i)+a T i(dk-i ), Las restricciones en la entrada de control se establecieron de la
norte norte

i=1 i=1
siguiente manera: 0 ≤tu(k) ≤ 60. Ni la salida de control ni los
dóndeanorte+1= 0. estados fueron restringidos durante el diseño de MPC.
Esta estrategia de control determina la entrada de control Para formular MPC robusto, se consideró la caja de
herramientas MUP. Los problemas de programación
minimizando la siguiente función de costo:
semidefinida (SDP) se formularon utilizando YALMIP
(Löfberg, 2004) y se resolvieron con MOSEK (MOSEK ApS.,
j=[r(k)-ŷ(k)]Tq[r(k)-ŷ(k)]+Dtu(k)TRDtu(k),(37) 2019). Variablesq-
dóndeŷ(k) =GRAMODtu(k)+ŷ*(k),VariablesqyRson matrices yRfueron ajustados sistemáticamente como
de sintonía yGRAMOes una matriz triangular inferior sigue:
(Clarke et al., 1987).
mi0.01 0 0 0 0tu
La predicción de salida asumiendoDtu(k) = 0 se mi tu
mi0 0.01 0 0 0tu
expresa por: mi tu
q- =mi 0 0 0.01 0 tu ,R=1.
0tu (44)
-y*(k+j) =HFjX-(k)+HFj-1L[y(k)-Hx-(k)],(38) mi
mi0 0 0 tu
0.01 0tu
mi
donde la estructura de las matricesHFjyHFj–1se mi0 0 0 0 tu
5úû
êë
muestra en (Chen, 2013).
La siguiente estructura de incremento de entrada se Las restricciones en la entrada de control se establecieron
puede derivar estableciendo el gradiente de Eq. (37) a de la siguiente manera: 0 ≤tu(k) ≤ 60. La salida de control no
cero (Grimble, 1992): estuvo restringida durante el diseño de MPC robusto. Al
diseñar MPC y RMPC, se consideró que el observador de
Dtu(k) = (GRAMOTQG+R)-1GRAMOTqmi mir(k)--y*(k)ùû = estado de Luenberger aumentaba el espacio de estado de la
39)
ecuación. (2). La matriz de perturbación se consideró de la
=kmimir(k)--y*(k)ùû ,
siguiente manera:
dóndekes la ganancia del controlador.
F=1. (45)
La representación del espacio de estados se deriva utilizando la
realización de formas canónicas observables. La estructura del El observador de estado usó la ganancia del observador diseñada
modelo tiene la siguiente forma: usando la colocación de polos de la siguiente manera:

X(k+1) =FX(k) +GDtu(k) +Ld(k), (40) mi0.047 tu

mi tu
mi1.935 tu
y(k) =Hx(k) +d(k), (41) mi tu
L=mi- 70.218útu . 46)
mi
matricesF,GRAMO,LyHse definen en (Chen, 2013). El observador mi
mi300.593tu
tu
de estado adecuado para el modelo de espacio de estado mi6.593 tu
êë úû
diseñado (ecuación (40)) se escribe como:
La configuración del horizonte de predicción.nortey matrices de
X-(k+1) =FX-(k)+GDtu(k)+L[y(k)-Hx-(k)].(42)
ponderación (qyR)de la estrategia de control de GPC es

56 Mojto M et al., Control predictivo de una cascada de reactores bioquímicos.

lo mismo que en el caso de MPC (ver Ec. (43)). Debido al
horizonte de predicción relativamente largo, no es práctico
mostrar la matrizGRAMOIRnorte×norte(véase la ecuación. (39))
de la estructura del controlador GPC. Como se mencionó
antes, las matrices del observador del espacio de estados (F,
GRAMO,L yH) fueron diseñados según Chen (2013).
Para asegurar la consistencia de los resultados, se consideraron
valores similares de matrices de ponderación en todos los
métodos predictivos. El desempeño de las estrategias de control
diseñadas también se comparó mediante el error absoluto
integral (IAE) y el error cuadrático integral (ISE). Estos criterios
tienen las siguientes estructuras:

Rendimiento del control EAI =a mi(k), IAE =a

Los controladores predictivos diseñados fueron considerados
para controlar la planta descrita por la función de transferencia
lineal en la Ec. (1). Para comparar los controladores, se
generaron dos cambios de paso de referencia, uno positivo y
otro negativo. La salida controlada se representa en la Fig. 4a) y
la Fig. 5a). La entrada de control correspondiente se representa
en la Fig. 4b) y la Fig. 5b). Todos los controladores predictivos se
compararon mediante simulación utilizando el modelo nominal
del reactor bioquímico. A
150
k=0
150mi(k)2,
k=0
(47)
dóndemi(k) es el error de control. Los valores resultantes de
los criterios IAE e ISE se enumeran en la Tab. 2. Los valores
obtenidos confirman un mejor rendimiento de control de
MPC y GPC en comparación con RMPC.
Las trayectorias resultantes muestran que todos los
controladores diseñados eliminaron el error de control de
estado estable y cada sistema controlado alcanzó el valor de
referencia sin compensación. Además, MPC y RMPC

a) Entrada de control al proceso b) Salida del proceso

Figura 4.Comparación del rendimiento de control proporcionado por el cambio de paso de referencia positivo. MPC (□),
RMPC (●), GPC (*), línea de referencia (negro discontinuo).

a) Entrada de control al proceso b) Salida del proceso

Figura 5.Comparación del rendimiento de control proporcionado por el cambio de paso de referencia negativa. MPC (□),
RMPC (●), GPC (*), línea de referencia (negro discontinuo).

Mojto M et al., Control predictivo de una cascada de reactores bioquímicos. 57

Pestaña. 2.Comparación de IAE [mg l–1h] e ISE [mg2yo–2h] criterios de los controladores diseñados.
Criterio IAE [mg·l–1h]
Controlador MPC RMPC
Cambio de primer paso 1.5580 4.7197
Cambio de segundo paso 3.1161 9.9396
Suma 4.6741 14.6593
satisfizo las restricciones en la entrada de control. El
GPC no consideró restricciones en la entrada de
control durante el diseño.
Según los resultados, MPC y GPC lograron casi el mismo
rendimiento de control. Esto se debe principalmente a la
suposición de que el proceso controlado es un sistema de una
sola entrada y una sola salida. Las variaciones del caudal de
alimentación representan perturbaciones externas. En los
resultados de la simulación, las variaciones del flujo de
alimentación se consideraron menores y ocasionales y fueron
compensadas por un controlador bien ajustado. Si la
perturbación es significativa, podría medirse para diseñar un
lazo de control con rechazo de perturbaciones. Además, aún se
pueden reducir las variaciones significativas del caudal de
alimentación almacenando la alimentación en un tanque
adicional antes de que ingrese a la planta de carrusel.
La variable de salida del proceso (Fig. 4b y 5b) se
estabilizó más rápido que la variable de entrada (Fig. 4a y
5a). La razón es la presencia de un cero estable en la
función de transferencia del proceso estudiado. Todos
los controladores diseñados intentan compensar el
efecto de este cero y, por lo tanto, la variable de entrada
sigue variando mientras que la variable de salida ya está
en estado estable.
También hay ligeras diferencias entre la trayectoria de
entrada de RMPC y de otros controladores. Esto se
refleja en el aumento del tiempo de establecimiento y en
los criterios IAE e ISE. Este es un resultado esperado
porque a diferencia de otros controladores, el diseño de
RMPC incluye un modelo incierto de la planta. Si el
estudio de caso considerara el control de un modelo no
lineal, se esperaría que RMPC superara tanto a MPC
como a GPC, ya que el desajuste del modelo de proceso
sería significativo.
Conclusión
En este artículo, se investigó el diseño y la aplicación
de múltiples controladores predictivos. Los
controladores se aplicaron a una cascada de diez
reactores bioquímicos mediante simulaciones.
Primero, se diseñaron MPC y GPC convencionales
para un modelo nominal de la planta. Se diseñó
RMPC, considerando un modelo incierto de la planta.
Para diseñar el RMPC, se aplicó un enfoque basado en
LMI con conservadurismo reducido. El control
58 Mojto M et al., Control predictivo de una cascada de reactores bioquímicos.
ISE [mg2yo–2h]
GPC MPC RMPC GPC
1.5594 0.5176 1.2543 0.5205
3.1189 2.0704 5.6376 2.0820
4.6783 2.5880 6.8919 2.6025
El rendimiento de los controladores diseñados se
comparó utilizando criterios integrales. Como era de
esperar, el rendimiento del control de MPC y GPC
convencional fue casi idéntico. La aplicación del RMPC
disminuyó el desempeño del control; sin embargo,
este enfoque puede manejar el comportamiento
incierto y no lineal de la planta.
Reconocimiento
Los autores agradecen la contribución de la Agencia
de Subvenciones Científicas de la República Eslovaca
bajo las subvenciones 1/0585/19 y 1/0545/20, la
Agencia de Investigación y Desarrollo de Eslovaquia
bajo el proyecto APVV-15-0007. M. Horváthová
también recibió el apoyo de una subvención interna
de STU.
Referencias
Akay B, Ertunç S, Bursali N, Hapoğlu H, Alpbaz M
(2010) Aplicación de control predictivo generalizado a la
producción de levadura de panadería, Chemical Engineering
Communications, 190: 999—1017.
Chang L, Xinggao L, Henson MA (2016) No lineal
modelo de control predictivo de fermentaciones por lotes alimentados
utilizando modelos de equilibrio de flujo dinámico, Journal of Process
Control, 42: 137-149.
Chen Y (2013) Una implementación novedosa similar a DMC de
GPC, Conferencia Internacional de Ciencias Mecatrónicas
de 2013, Shenyang, China: 362—366.
Clarke DW, Mohtadi C, Tuffs PS (1987) Generalizado
control predictivo — Parte I. El algoritmo básico,
Automatica, 23: 137—148.
Craven S, Whelan J, Glennon B (2014) Glucosa
control de concentración de un bioproceso de células de
mamíferos alimentado por lotes usando un controlador
predictivo de modelo no lineal, Journal of Process Control, 24:
344—357. Derco J, Hutňan M, Králik M (1994) Modelado
de activación tipo carrusel (en eslovaco), Vodní
hospodářství, 42: 23—27.
Furka M, Kiš K, Horváthová M, Mojto M, Bakošová
M, (2020) Identificación y control de una cascada de
reactores bioquímicos, 2020, Cibernética e
informática, Velké Karlovice, República Checa. Grimble
MJ (1992) Óptimo predictivo generalizado
control: Una introducción a las ventajas y limitaciones,
International Journal of System Science 23: 85—98.
Optimización GUROBI (2020) Optimizador GUROBI
Guía de inicio rápido. Versión 9.0.
Henson MA (2006) Modelado de reactores bioquímicos y
control, IEEE Control Systems Magazine, 26: 54—62.
Huang H, Li D, Lin Z, Xi Y (2011) Un robusto mejorado
modelo de diseño de control predictivo en presencia de
saturación del actuador, Automatica, 47: 861-864. Kothare
MV, Balakrishnan V, Morari M (1996) Robusto
control predictivo de modelo restringido usando
desigualdades de matriz lineal, Automatica, 32: 1361—1379.
Löfberg J (2004) YALMIP: una caja de herramientas para modelar
y Optimización en MATLAB, Actas. de la Conferencia
CACSD, Taipei, Taiwán.
Lucia S, Engell S (2013) Modelo robusto no lineal
control predictivo de un biorreactor por lotes
mediante programación estocástica multietapa,
European Control ConfeSCHrence (ECC), Zúrich, Suiza.
MOSEK ApS. (2019) La caja de herramientas de optimización de MOSEK
para el manual de MATLAB. Versión 9.0.
Oravec J, Bakošová M (2012) MPC robusto restringido
Estabilización de un CSTR, Acta Chimica Slovaca, 5: 153
—158.
Oravec J, Bakošová M (2015) Software para la eficiencia
Diseño robusto de MPC basado en LMI, Actas de los 20el
Conferencia Internacional sobre Control de Procesos,
Štrbské Pleso, Eslovaquia, 272—277.
Oravec J, Bakošová M, Hanulová L, Horváthová M
(2017) Diseño de MPC Robusto con Acción Integral para un
Reactor de Tanque Agitado Continuo de Laboratorio,
Procedimientos del 21calleConferencia Internacional sobre
Control de Procesos, Štrbské Pleso, Eslovaquia, 459—464.
Mojto M et al., Control predictivo de una cascada de reactores bioquímicos.
Pons MN, Mourot G, Ragot J (2011) Modelado y
simulación de un carrusel para operación a largo plazo,
Congreso Mundial IFAC, Milán, Italia.
Rajinikanth V, Latha K (2010) Identificación y control
of Unstable Biochemical Reactor, International Journal
of Chemical Engineering and Applications, 1: 106—
111.
Ramaswamya S, Cutrightb TJ, Qammar HK (2005)
Control de un biorreactor continuo mediante control
predictivo de modelos, Process Biochemistry, 40: 2763
—2770.
Rodrigues JAD, Toledo ECV, Maciel Filho R (2002)
Un enfoque ajustado del controlador GPC predictivo-
adaptativo aplicado a un biorreactor de lote alimentado
mediante un diseño factorial completo, Computers &
Chemical Engineering, 26: 1493—1500.
Vinopraba T, Sivakumaran N, Narayanan S,
Radhakrishnan TK (2013) Diseño de controlador de orden
fraccional para reactor bioquímico, Volúmenes de actas
de IFAC, 46: 205—208.
Smets IY, Claes JE, noviembre EJ, Georges BP, Van Impe
JF (2004) Control adaptativo óptimo de reactores
(bio)químicos: pasado, presente y futuro, Journal of
Process Control, 14: 795—805.
Trautenberger R (2017) Modelado y control de un
cascada de reactores bioquímicos, tesis de licenciatura,
SCHK, Bratislava, Eslovaquia.
59
Los derechos de autor de Acta Chimica Slovaca son propiedad de Sciendo y su contenido no puede copiarse ni enviarse por correo
electrónico a varios sitios ni publicarse en un servidor de listas sin el permiso expreso por escrito del titular de los derechos de
autor. Sin embargo, los usuarios pueden imprimir, descargar o enviar artículos por correo electrónico para uso individual.