On line supersaturation monitoring in
crystallization process.
Humberto Morales, Estefania Aguirre, Fernando di Sciascio y Adriana N. Amicarrelli.
Instituto de Automática
Universidad Nacional San Juan
San Juan, Argentina
hmorales@inaut.unsj.edu.ar; eaguirre@inaut.unsj.edu.ar; fernando@inaut.unsj.edu.ar; amicarrelli@inaut.unsj.edu.ar
Resumen. —La cristalización es considerada la etapa
más delicada en el proceso de fabricación del azúcar. Para
lograr una cristalización eficiente, es necesario monitorear
en línea la sobresaturación. Debido a dificultad para obtener
mediciones en línea de esa variable industrialmente, se
desarrolló en esta investigación un nuevo estimador basado
en regresión múltiple, considerando la concentración, la
temperatura y la pureza como variables explicativas. El
estimador se implementó en librerías para ser utilizadas en
dispositivos lógicos programables a nivel industrial,
mostrando resultados satisfactorios.
Index—Sobresaturación; cristalización; estimación; regresión
múltiple.
I. INTRODUCCIÓN
El proceso industrial de fabricación del azúcar es sumamente
complejo, atravesando por diferentes etapas: molienda,
clarificación, evaporación, cristalización y centrifugación. La
cristalización, considerada como la más delicada, involucra una
operación unitaria de evaporación y transferencia de masa [1].
El objetivo de esta etapa es producir cristales sólidos de azúcar
con características adecuadas, a partir de una fase líquida
procedente de etapas anteriores [2]. La sobresaturación (SS) es
la fuerza motriz del fenómeno de la cristalización, ya que influye
considerablemente en la formación de los cristales, impulsa su
crecimiento y determina su distribución y tamaño final. El rango
en el que se puede mantener controlada esta variable dentro de
límites adecuados es estrecho y puede sufrir alguna variación
dependiendo del país o región de la industria. Si la SS es muy
alta, los cristales pueden formar espontáneamente granos muy
finos o conglomerados que requieren ser disueltos,
concentrados, reciclados y recristalizados. Si por el contrario la
SS es inferior a la unidad, ocurre la dilución de los cristales,
ambos casos son no deseados, produciendo pérdidas y demoras
en el proceso fabril [2-3]. Para lograr una cristalización eficiente,
es necesario monitorear en tiempo real la SS, sin embargo, este
es un reto vigente, debido a la dificultad de obtener mediciones
en línea, siendo necesario estimarla o inferirla a través de otras
variables medibles [3-4][15-17].
En el ámbito académico se han desarrollado importantes
investigaciones referidas al tema. En [4] y [5] se desarrollaron
modelos de primeros principios y modelos híbridos basados en
redes neuronales artificiales (RNA) para describir el proceso de
cristalización, sin embargo, la detección de la sobresaturación en
línea no se abordó directamente. En [6] se presentó una
evaluación comparativa de diferentes técnicas de control
estadístico multivariable para el monitoreo en línea de un
proceso de cristalización industrial de azúcar. Los métodos
investigados incluyeron el control de procesos estadísticos
univariados, el análisis dinámico de componentes principales
por lotes y el modelado de espacio-estado variante en el tiempo.
El estudio se enfocó en detectar cambios en la operación del
proceso y generar alertas de posibles fallas a partir de
estadísticas multivariadas como el 𝑇 2 de Hotelling y el error
cuadrático de predicción (SPE). En [7] fue propuesta una RNA
que modeló la conductividad eléctrica (CE) como indicador
indirecto de la SS, para ajustar el Set Point (Sp) del lazo de
control considerado en el sistema. La temperatura (T), la presión
de vapor (Pv), la concentración de sacarosa (C) en la solución y
el tiempo fueron consideradas como variables de entrada a la
RNA que fue entrenada a partir de datos históricos del proceso.
El resultado exhibió un error del 7% en la validación de datos.
Dado que la CE es una medición muy indirecta de SS, se
emplean actualmente en la industria variables como la
concentración de sólidos que tiene una relación más directa con
la SS.
En [8] se aplicó una estrategia mixta para el modelado
dinámico de los procesos de cristalización combinando enfoques
analíticos y de RNA, denominada modelado híbrido basado en
el conocimiento (KBHM), con esta estrategia se modeló la tasa
de nucleación, la tasa de crecimiento y la aglomeración del
cristal de sacarosa como medida aproximada de los parámetros
cinéticos de los cristales. Además, se empleó una RNA de una
entrada una salida para predecir la SS a partir del flujo de
alimentación de licor / jarabe de azúcar. El objetivo fue regular
el proceso de modo que la SS rastreara una señal de referencia
manipulando el flujo de alimentación de licor / jarabe de azúcar
mediante un control predictivo basado en modelo (MPC).
En [9-10] se diseñó un softsensor basado en modelos para
monitorear la última etapa de la cristalización industrial. La
estimación se enfocó en la masa de cristales en la solución
azucarada, además se utilizó la C y la pureza (P) como variables
adicionales que brindan información sobre la SS. Se utilizó una
RNA, como modelo interno para predecir los resultados del
proceso y estrategias de control predictivo basado en modelo no
lineal (NMPC) mediante un seguimiento de la masa de cristales
como indicador de la sobresaturación. En [11] se utilizó una
RNA para estimar el volumen total de cristales como indicador
de la SS, cuando la temperatura de funcionamiento cambia.
Como resultado de este trabajo, se determinó un perfil de
temperatura óptimo que minimiza la nucleación incontrolada de
cristales. En [12] se desarrolló un softsensor para estimar la SS
basado en un método de mínimos cuadrados parciales de núcleo
(KPLS) para extraer los componentes principales de cinco
variables auxiliares consideradas en el proceso: la C, la T, el
vacío (V), la presión de vapor (Pv) y el flujo de alimentación
(FA). Las simulaciones realizadas mostraron un error relativo
máximo de 2,91%. Este trabajo no considera la P del licor madre
como variable que afecta la SS. En [13] se empleó una pequeña
una plataforma experimental para implementar un sistema
integrado de medición y control automático de cristalización,
utilizando un softsensor que combinó datos y un modelo
simplificado de la cristalización para predicción de parámetros.
Los autores consideraron los resultados experimentales como
satisfactorios. En [14-16] se desarrollaron investigaciones
basadas en RNA, máquinas de soporte vectorial, técnicas de
mínimos cuadrados, para predecir la SS u otras variables
asociadas a la cristalización tales como la C, P y la distribución
del cristal.
Si bien las investigaciones existentes en la bibliografía
muestran aportes interesantes, el problema de estimación y
monitorización en línea de la SS es un tema de estudio vigente,
abierto a aportes desde nuevos enfoques académicos y
particularmente implementables en el ámbito industrial, aspecto
al que no se hace referencia directa en estas investigaciones.
En [17] se desarrolló un estimador de SS a partir de datos
tabulados en gráficas y tablas que se encuentran en la literatura
[1] [20-25], el estimador se basó en una RNA tipo Perceptrón
Multicapa, con tres neuronas en la capa de entrada, 45 neuronas
en la capa oculta y una neurona en la capa de salida. La RNA
fue entrenada mediante el algoritmo de Retropropagación
(Back-Propagation) con momento. Como entradas se
consideraron C, T y P.
Este trabajo da continuidad a [17], aportando un nuevo
estimador de SS empleando regresión múltiple, e implementado
ambos estimadores en librerías para emplear en controladores
lógicos programables (PLC) Mitsubishi, quedando disponibles
para su uso industrial. El trabajo se organiza de la siguiente
manera: en la sección II se estudian los conceptos generales del
proceso de cristalización y se desarrolla la regresión múltiple; en
la sección III se presentan los resultados alcanzados; por último,
en la sección IV se exponen las conclusiones del artículo.
II. MATERIALES Y METODOS.
A. Conceptos generales del proceso de Cristalización .
La cristalización tiene lugar en intercambiadores de calor
denominados evaporadores de simple efecto [1]. A
continuación, se describe, de manera general el proceso, que
puede presentar algunas diferencias de un central azucarero a
otro. Durante la primera etapa, el evaporador se llena
parcialmente con una mezcla (denominada licor madre) a una
pureza y concentración determinadas, dicha mezcla contiene
sacarosa disuelta. El licor madre se concentra por evaporación
al vacío, hasta que la SS alcanza un valor predefinido, momento
en el que se produce la siembra o “semillamiento”, que consiste
en la introducción de cristales semillas en el evaporador para
hacerlos crecer, estimulando así la transferencia de sacarosa
desde el licor madre (ahora llamado masa cocida) hacia la
superficie de los cristales. Se debe mantener la SS dentro de
límites seguros, hasta lograr un tamaño adecuado del cristal o
grano [1]. Durante los próximos 15-30 minutos del proceso, se
forma el cristal y entonces las condiciones en el evaporador
deben permanecer estables, sin alimentación y evaporándose la
mínima cantidad de agua para mantener la SS en los valores
especificados. La siguiente etapa corresponde a la cocción o
desarrollo del grano. Se conduce el proceso de crecimiento de
los cristales manteniendo la SS de la masa en los valores
apropiados, es decir mayores que la unidad, pero sin sobrepasar
los límites permisibles. Esta etapa termina cuando se alcanza el
nivel final de operación en el evaporador. Antes de proceder a la
descarga de la masa, se aumenta la concentración de la misma
hasta darle una consistencia apropiada [1]. En la Fig. 1 se
muestra la evolución de las variables más importantes del
proceso de cristalización en cada etapa.
Fig. 1. Etapas del Proceso de Cristalización. Variables fundamnetales
B. Sobresaturación.
Una solución está saturada cuando se disuelve en ella la
máxima cantidad de soluto admisible a una temperatura y pureza
determinada. La cristalización solo tiene lugar en soluciones
sobresaturadas [1-3] [20-25]. La SS es una variable
adimensional que relaciona la diferencia de potencial químico
que existe entre el estado sobresaturado de la solución y su
estado exactamente saturado. Por simplicidad, en lugar de la
diferencia de potencial químico, se suele tomar la diferencia de
concentraciones entre el estado sobresaturado y el estado
saturado [3], expresándose mediante (1).
𝑆𝑆 = 𝐶 ⁄𝐶𝑠𝑎𝑡 ()
Donde SS es el coeficiente de sobresaturación; 𝐶 𝑦 𝐶𝑠𝑎𝑡 la
concentración de sacarosa en el estado sobresaturado y saturado
respectivamente. También puede representarse la SS como la
relación entre la masa de sacarosa disuelta en una solución
sobresaturada y la masa de sacarosa disuelta en una solución
saturada a la misma temperatura y pureza [1-3], según (2).
𝑆𝑆 = [𝐵´/(100 − 𝐵´)]/[𝐵/(100 − 𝐵)] (2)
Donde 𝐵´ es la masa de material disuelto en la solución
sobresaturada, 𝐵 masa de material disuelto en la solución
saturada, a una pureza y temperatura determinada.
 La Fig. 2 muestra una curva típica de solubilidad de la
sacarosa. La SS debe ser mayor que la unidad, para que se
produzca el crecimiento de los cristales ya existentes. Valores
inferiores a la unidad corresponden a la zona no saturada, donde
no ocurre cristalización y se podría producir la disolución de los
cristales existentes. Para la zona sobresaturada es habitual
distinguir dos regiones más o menos bien definidas. Para valores
suficientemente altos de SS se puede llegar a la zona lábil, donde
además de producirse el crecimiento de los cristales existentes,
aumenta de manera considerable la probabilidad de que se
formen nuevos cristales mediante un proceso conocido como
nucleación espontánea, que es indeseable en el proceso. En la
zona metaestable los cristales existentes crecen, pero es poco
probable la formación de nuevos cristales. Se distingue en la
zona metaestable una llamada zona intermedia, donde si bien no
se forman espontáneamente nuevos cristales aumenta la
probabilidad de nucleación en una solución que contuviera
cristales, es en zona donde debiera entonces operar el proceso
[1-4] [17-25].
La SS dependerá en cada momento de la cantidad de sacarosa
disuelta introducida desde el exterior, el ritmo de evaporación de
agua y la temperatura a la que tiene lugar el proceso. La cantidad
de sacarosa introducida será obviamente función de la
concentración y pureza del licor madre.
𝑆𝑆 = 𝑓(𝐶, 𝑇, 𝑃, 𝐼𝑚𝑝) ()
En realidad, la SS es en cada instante, función de la
concentración de sacarosa en la solución (C), la temperatura (T),
pero también de la pureza (P) del licor madre existente en el
evaporador, tal como se muestra en (3). El término 𝐼𝑚𝑝 expresa
el concepto de impurezas e incluye parámetros propios de cada
central azucarero [1-3]. Diversos autores plantean la relación
funcional (3) en gráficas y tablas de sobresaturación
determinadas experimentalmente [1] [20-25]. A partir de dichas
gráficas y tablas se confeccionó un juego de datos que se resume
brevemente en la Tabla 2 y que expresa la relación (3).
TABLA II. TEMPERATURA, CONCENTRACIÓN Y PUEREZA PARA
DIFERENTES VALORES DE SS [17].

Pureza de las soluciones

Temp. sobresaturadas (%) Sobre-
( OC) saturación
74.5 79.5 84.5
62 78.9 78.4 77.9 1.10
72 80,70 80,25 79,50 1.10
78 81.8 81.4 80.7 1.10
62 79.55 79.10 78.6 1.15
72 81.35 80.9 80.35 1.15
78 82.4 82.0 81.35 1.15
62 80.25 79.8 79.3 1.20
72 81.9 81.6 81 1.20
78 82.9 82.7 82.0 1.20
62 80.9 80.55 80 1.25
68 82.5 82.25 81.6 1.25
78 83.45 83.25 82.6 1.25
Concentración (Bx)
Fig. 2. Curva Solubilidad Sacarosa.

Los límites de las zonas descritas anteriormente, son situados Considerando que la Tabla 2 muestra una relación
por diferentes autores con algunas diferencias. Generalmente los aproximadamente lineal de cada variable independiente (C, T y
valores de SS suelen variar dependiendo de la región, el país, e P) con la variable dependiente, se propone en esta investigación
incluso de un central azucarero a otro, tal como se muestra en la un nuevo estimador de SS, basado en regresión múltiple lineal
Tabla 1. Un análisis de la misma indica que la mayoría de los sobre dichos datos. Este método tiene gran aplicación industrial
autores coinciden al plantear que la sobresaturación debe debido a su fiabilidad y sencillez de implementación en PLC u
mantenerse en la última porción de la zona metaestable, es decir otros controladores inteligentes.
la zona intermedia, con el propósito de desarrollar el grano sin C. Modelo de regresión multiple lineal.
la aparición de nuevos núcleos cristalinos. En esta investigación
se proponen valores comprendidos entre 1.10 y 1.25, que Un modelo de regresión múltiple relaciona una o varias
corresponden a los valores experimentales típicos empleados en variables dependientes Y, a unas variables explicativas X, por
industrias azucareras cubanas [17]. una relación funcional (4).
𝑌 = 𝑓(𝑋) ()
TABLA I. VALORES DE SS PROPUESTOS POR DIFERENTES AUTORES [26].
Dadas n observaciones (i=1,…,n) de k variables
Valores de SS
Año
recomendados
Autor explicativas, el modelo que se plantea en regresión múltiple es
1960 Menor 1.44 Hugot el siguiente:
1963 1.1 a 1.2 Jenkins
1964 1.1 a 1.2 Irima 𝑦𝑖 = 𝑏0 + 𝑏1 𝑥1,𝑖 + 𝑏2 𝑥2,𝑖 + ⋯ + 𝑏𝑘 𝑥𝑘,𝑖 + 𝑒𝑖 ()
1969 1.1 a 1.2 West
1975 1.1 a 1.2 Awad
Donde 𝑥1, 𝑥2, … 𝑥𝑘 son las variables explicativas;
1982 1.08 a 1.2 Carrazana 𝑒𝑖 componente de error del modelo; 𝑏0 , 𝑏1 , . . 𝑏𝑘 son los
1988 1.25 a 1.6 Maurandi V., Montovani G. parámetros de modelo.
 El valor que el modelo estimado predice para la observación Donde X, SS corresponden a los datos de la Tabla 2,
i-ésima es: estandarizados de 0-1. Resolviendo (19) se obtuvieron los
siguientes parámetros:
𝑦̃𝑖 = ̃
𝑏0 + 𝑏̃1 𝑥1,𝑖 + ̃ ̃𝑘 𝑥𝑘,𝑖
𝑏2 𝑥2,𝑖 + ⋯ + 𝑏 ()
̃
𝑏0 = −0.5028 ; 𝑏̃1 = 2.6914; ̃ ̃3 = 0.4661
𝑏2 = −1.3280; 𝑏
Donde ̃ 𝑏0 , 𝑏̃ ̃ ̃
1 , 𝑏2 , . . , 𝑏𝑘 son los parámetros estimados. El
residuo o error cometido en esta predicción es: Lugo el modelo estimado resultó:
ɛ𝑖 = 𝑦𝑖 − 𝑦̃𝑖 () ̃𝑖 = −0.5208 + 2.6914𝐶𝑖 − 1.328𝑇𝑖 + 0.4661𝑃𝑖
𝑆𝑆 ()
Considerando los datos de la Tabla 2, se tiene el modelo Para validar el modelo estimado se simularon varias
teórico: cristalizaciones con datos obtenidos del proceso. Se comparó el
valor de SS predicho por el modelo con el valor teórico de la
𝑆𝑆𝑖 = 𝑏0 + 𝑏1 𝐶𝑖 + 𝑏2 𝑇𝑖 + 𝑏3 𝑃𝑖 + 𝑒𝑖 () Tabla 2. La Figura 3 muestra el resultado obtenido en una
El modelo estimado para la para la observación i-ésima es: simulación. El error de estimación resultó aproximadamente un
2%, considerándose aceptable debido a la complejidad de la
̃0 + 𝑏̃1 𝐶𝑖 + ̃
̃𝑖 = 𝑏
𝑆𝑆 ̃3 𝑃𝑖
𝑏2 𝑇𝑖 + 𝑏 () variable y la dificultad existente para medirla en línea. La Tabla
3 contiene un resumen de los parámetros estadísticos obtenidos
El residuo o error cometido en esta predicción es:
en la regresión. Se concluyó que el modelo estimado ajusta
̃𝑖
ɛ𝑠𝑠𝑖 = 𝑆𝑆𝑖 − 𝑆𝑆 () satisfactoriamente los datos teóricos.

mpleando notación matricial:

𝑏0 ̃0
𝑏
̃1
𝑆𝑆 𝑆𝑆1
𝑏 𝑏̃1
𝛽 = ( 1 ); 𝛽̃ = ̃ = ( . ); 𝑆𝑆 = ( . );
; 𝑆𝑆
𝑏2 ̃2
𝑏 ̃𝑛
𝑆𝑆 𝑆𝑆𝑛
𝑏3 ̃
(𝑏3 )
ɛ𝑠𝑠1 1 𝐶1 𝑇1 𝑃1
ɛ𝑠𝑠𝑖 = ( . ); 𝑋 = ( . . . .)
ɛ𝑠𝑠𝑛 1 𝐶𝑛 𝑇 𝑛 𝑃𝑛

Luego
𝑆𝑆 = 𝑋𝛽 + 𝐸 ()
̃ = 𝑋𝛽̃
𝑆𝑆 ()
̃
ɛ𝑠𝑠 = 𝑆𝑆 − 𝑆𝑆 ()
Donde ɛ𝑆𝑆 es el vector de residuos. Denotando S la
suma de los cuadrados de los residuos, se tiene: Fig. 3. Estimación de la Sobresaturación.
𝑆 = ∑𝑛𝑖=1(ɛ𝑠𝑠𝑖 )2 () TABLA III. RESUMEN DE PARÁMETROS ESTADISTICOS OBTENIDOS
EN LA REGRESIÓN
𝑆= ∑𝑛𝑖=1(𝑆𝑆𝑖 ̃𝑖 )2 = ∑𝑛𝑖=1(𝑆𝑆𝑖 − 𝑋𝛽̃ )2
− 𝑆𝑆 ()
Modelo
2
̃0 + 𝑏̃1 𝐶𝑖 + ̃
𝑆 = ∑𝑛𝑖=1(𝑆𝑆𝑖 − (𝑏 𝑏3 𝑃𝑖 )) ()
𝑏2 𝑇𝑖 + ̃ Coef Estimado SE F pValue
El criterio de mínimos cuadrados asigna a los parámetros del ̃0
𝑏 -0.5028 0.00322 0
modelo estimado 𝛽̃ , el valor que minimiza S. 𝑏̃1 2.6914 0.006429 17523*10 5
0
𝑚𝑖𝑛𝛽̃ 𝑆 () ̃2
𝑏 -1.1328 0.004391 91429 0
̃3
𝑏
Derivando 𝑆 respecto a cada parámetro de 𝛽̃ , igualando a 0.4661 0.002732 29102 0
cero y resolviendo el sistema de ecuaciones que resulta, se Estadísticas Regresión
obtiene el conjunto de ecuaciones normales del hiperplano. 2 2 Error
R R Ajustdo MSE RMSE
Típico
𝑋 𝑋𝛽̃ = 𝑋 𝑇 𝑆𝑆
𝑇
()
𝑇
0.982 0.982 0.002501 0.05 0.0051
Donde 𝑋 𝑋 resulta una matriz de rango 4, invertible. Luego,
el vector de parámetros estimados 𝛽̃ esta dado por:
𝛽̃ = [𝑋 𝑇 𝑋]−1 𝑋 𝑇 𝑆𝑆 () En la Fig. 3 se comparan los valores estimados por el modelo
de regresión múltiple (20) con los valores estimados por la RNA
tipo Perceptrón Multicapa desarrollada en [17], también se
muestra un promedio de ambos estimadores. Se aprecia que la
RNA y el valor promedio presentan un error de estimación
menor. Los coeficientes 𝑏̃𝑖 obtenidos en (20) muestran que la
variable independiente que más influye o explica la SS es la C,
ya que el 𝑏̃1 (2.6914) se aleja más de cero. El signo positivo
indica que un aumento o disminución en la C provoca que la SS
aumente o disminuya respectivamente. La siguiente variable que
̃2 = -1.328), un aumento o disminución de
más influye es la T ( 𝑏
su valor provoca disminución o aumento de la SS
respectivamente. Por último, la P( 𝑏 ̃3 =0.4661), influye en
menor medida. El estimador desarrollado, requerirá re-ajustar
sus parámetros, cuando las condiciones del proceso se
encuentren por fuera del rango de las variables usadas en la
identificación inicial.
III. IMPLEMENTACIÓN DE LIBRERIAS EN PLC MITSUBISHI.
A. Implemenacion de librerías PLC Mitsubish
El grado de automatización industrial se ha incrementado
considerablemente en los últimos años. Los PLC conjuntamente
con las interfases hombre-máquina (HMI) constituyen los
medios técnicos de automatización (MTA) empleados por
excelencia para la supervisión y control de los procesos. La Fig.
4 muestra el esquema empleado en la automatización de un
evaporador. La lógica de control se implementa en un PLC.
Fig. 4. Esquema de automatizacion en un evaporador cristalizador.
La Fig. 5 muestra el Diagrama de Instrumentación y tuberías
(PI&D) empleado en la automatización de un evaporador, en
este se muestran las principales variables medidas y los lazos de
control simples empleados.
Fig. 5. Diagrama PI&D empleado en un evaporador cristalizador.
A continuación, se muestran dos librerías implementadas
para PLC Mitsubishi, destinadas a monitorizar la SS en línea
industrialmente. En una primera librería se implementó el
modelo de regresión múltiple estimado en este trabajo y en la
segunda librería el estimador basado en RNA desarrollado en
[17]. Ambas librerías se programaron empleando lenguaje de
texto estructurado (ST) conforme con la norma IEC 61131-3. Se
utilizó el software “MELSOFT GxWork2”, dedicado a la
programación de los PLC Mitsubishi. Este software utiliza
estructura de proyectos y permite crear fragmentos de código
como bloques funcionales o librerías. La explotación del
software esta descrita en los manuales técnicos de los
fabricantes. En el caso de la librería correspondiente al modelo
de regresión múltiple estimado, se programó esencialmente la
expresión (20). En cuanto al estimador desarrollado en [17], la
RNA se entrenó fuera de línea y una vez ajustado los pesos
sinápticos de cada neurona, se programó la sigmoide como
función de activación y las ecuaciones de avance de la red. La
Fig. 6 muestra las librerías implementadas para estimar la SS en
línea.
Fig. 6. Librerías implementadas.
Como HMI se empleó un panel de operador táctil (OP), GOT
1000 de Mitsubishi. La interfaz gráfica mostrada en la Fig. 7 fue
diseñada con el software “GT Designer 3”, de Mitsubishi. En
ella se muestra un histórico donde se estima la SS en línea
empleando las librerías desarrolladas en el PLC. En color negro
se muestra la estimación realizada con la RNA y en color rojo se
muestra la estimación realizada con el regresor múltiple lineal.
Sobresaturación 22/03/19
1.4000
1.2750
1.1500
1.0250
0.9000
0.0000 20.0000 40.0000 60.0000 80.0000 100.000
Leyenda RNA 1.16
LS 1.16
Fig. 7. Histórico de Sobresaturación. Pantalla diseñada para un GOT 1000 .
 El uso de uno u otro estimador está en función de la
complejidad de la tarea de automatización a realizar. En la Fig.
4 se observa que el estimador basado en RNA es más preciso.
Sin embargo una RNA es evidentemente más compleja de
programar, debido a la cantidad de neuronas que la forman; es
necesario emplear funciones de activación como tangentes
hiperbólicas, sigmoides, que de no estar en el set básico de
instrucciones del PLC deben implementarse como bloques
funcionales; en comparación una regresión múltiple realiza
operaciones aritméticas simples. Un punto importante es el
límite en la memoria física de los PLC, una RNA emplea mayor
memoria, debido al número de pesos sinápticos y resultados de
operaciones intermedias que se deben almacenar. Como variante
es posible utilizar un promedio de ambos estimadores que ofrece
una mejor estimación.
IV. CONCLUSIONES
En este trabajo se diseñó un nuevo estimador de SS basado
en regresión múltiple sobre un juego de datos obtenidos de tablas
y gráficas disponibles en la literatura, los parámetros del
estimador se obtuvieron mediante mínimos cuadrados. Se
confeccionaron dos librerías para PLC Mitsubishi, en las que se
implementó el estimador desarrollado en este trabajo y el
obtenido en [17], se realizaron simulaciones con softwares
específicos de Mitsubishi. Como resultado, las librerías
confeccionadas aportan una herramienta con bajo coste
computacional para la monitorización en línea de la SS en los
procesos de cristalización, aplicando industrialmente conceptos
y desarrollos matemáticos. El estimador desarrollado en este
trabajo podría implementarse para controlar en línea el proceso
de cristalización en la industria azucarera.
REFERENCIAS
[1] E. Hugot, “Hanbook of Cane Sugar Engineering,” Third Edition,
Elseiver, Amsterdam-Oxford-New York-Tokyo,1986.
[2] L. Rozsa, K. Koivula and E. Mielonen, “Cristalizacion eficiente con el
Seedmaster”, Conference: 10th Congreso ATALAC. At: Veracruz,
México, 2016.
[3] R. Mazaeda and C. de Prada Moraga, “Libro Blanco de la Automatización
y Control en la Industria de la Caña de Azúcar,” Capitulo 4, Programa
Iberoamericano de Ciencia y Tecnología para el Desarrollo (CYTED),
2011.
[4] F. de Azevedo, S. Chorao, J. Goncalves and L. Bento, “On-line
monitoring of white sugar crystallization through software sensors,” Part
II. International Sugar Journal, 96, 18, 1994.
[5] P Georgieva, F. de Azevedo, J. Goncalves and P. Ho, “Modelling of sugar
crystallization through knowledge integration,” Engineering Life Science,
3, 146, 2003.
[6] A. Simoglou, P. Georgieva, E.B. Martin, A.J. Morris and S. Feyo de
Azevedo, “On-line monitoring of a sugar crystallization process”,
Computers and Chemical Engineering 29 1411–1422, 2005.
[7] M. Devogelaere, K.U.Leuven, O. Goza Leon and G. Cruz Lemus,
“Application of Feedforward Neural Networks for Soft Sensors in the
Sugar Industry,¨ Proceedings of the VII Brazilian Symposium on Neural
Networks (SBRN’02) 0-7695-1709-9/02 $17.00, IEEE 2002.
[8] P. Georgieva and S.F. de Azevedo, “Application of artificial neural
networks in modeling and optimization of batch crystallization
processes,” World Academy of Science, Engineering and Technology
International Journal of Chemical and Molecular Engineering Vol:1,
No:12, 2007
[9] C. Damour, M. Benne, B. Grondin-Perez and J.P Chabriat,“Soft-sensor
for industrial sugar crystallization: On-line mass of
crystals,concentration and purity measurement,” Control Engineering
Practice 18, pp 839–844, 2010.
[10] C. Damour, M Benne, B. Grondin-Perez and J.P Chabriat,“Nonlinear
predictive control based on artificial neural network model for industrial
crystallization,” Journal of Food Engineering 99, pp 225–231, 2010.
[11] W. Paengjuntuek, L. Thanasinthana and A. Arpornwichanop, “Neural
network-based optimal control of a batch crystallizer,”
Neurocomputing 83, pp 158–164, 2012.
[12] Y. Meng, LU. Guancheng, K. Zheng, Z. Tang and X. Wang, “Research of
Methods for Extracting Principal Components Responding to Sucrose
Supersaturation Based Soft Sensors in Cane Sugar Process,” Sensors &
Transducers, Vol. 162 , Issue 1, pp. 221-226, January 2014.
[13] Y. Meng, K. Zheng, W. Li, H. Pang, G. Lu and Guangquan Li,“Design
And Implementation Of Intelligent Integrated Measuring And Controlling
System For Sugar Cane Crystallization Process,” International Journal On
Smart Sensing And Intelligent Systems Vol. 8, No. 3, pp 1687-1705,
September 2015.
[14] O. El-Abdien, Y. Temerk, I. Abdullah and S. Amin, “Design and
Evaluation of a Full Control Program for Sucrose Crystallization Based
on Soft Sensor Approac,” International Journal of Engineering and
Advanced Technology (IJEAT) ISSN: 2249 – 8958, Volume-3, Issue-3,
February 2014
[15] L. A. Paz Suárez, P. Georgieva and S. F. de Azevedo, “Computationally
efficient process control with neural network-based predictive models,”
Proceedings of International Joint Conference on Neural Networks,
Atlanta, Georgia, USA, June 14-19, 2009.
[16] Y. Meng, J. Chen, G. Lu and Z. Tang, “Detecting Syrup Brix in Cane
Sugar Crystallization Using an Improved Least Squares Support Vector
Machine,” International Journal of Control and Automation Vol.8, No.3
pp.171-184 http://dx.doi.org/10.14257/ijca.2015.8.3.19, 2015.
[17] H. Morales, A. N. Amicarelli and F. A. di Sciascio, “Estimation of
Supersaturation in the Crystallization process of the Sugar Industry”,
Argentine Conference on Automatic Control (AADECA),
DOI:10.23919/AADECA.2018.8577381, 2018.
[18] R. Mazaeda and C de Prada, “Dynamic Simulation of a Sucrose Batch
Evaporative Crystallizer for Operators Training, 19th European
Modeling and Simulation Symposium”, (Simulation in Industry), EMSS,
Bergeggi, Italia, 2007.
[19] R. Mazaeda and C de Prada, “Object Oriented Library for Dynamic
Modeling and Simulation of Sugar Houses for Operators Training, 20th
European Modeling and Simulation Symposium”, (Simulation in
Industry), EMSS ,Calabria, Italia, 2008.
[20] P. Honig, “Principios de Tecnología Azucarera,”Edición
Revolucionaria, Guantánamo, Cuba, 1987.
[21] J. A. Clark, y F. García Lopez , “El Proceso de Fabricación de Azúcar
Crudo en los Tachos”, Ed. Ciencia y Técnica, Instituto Cubano del Libro,
La Habana, Cuba, 1969.
[22] G. H. Jenkins, “Introducción a la tecnología del azúcar de caña, ” Ed.
Ciencia y Técnica, Instituto Cubano del Libro, La Habana, Cuba.1971.
[23] F. Falcón Piedra y colectivo autores, “Manual de Operaciones para
laFabricación de Azúcar Crudo de Caña,” Centro Impresiones Gráficas
del Azúcar, Dirección de tecnología, Cuba, Minaz, 1995
[24] J. G. Thieme ,“Facts About Sugar.”
[25] A. Ruiz Nieves,“Seminario sobre Funcionamiento de Tachos
automáticos.” La Habana, Cuba, Septiembre 2017.
[26] F.J Domínguez and T. Díaz, “Agotamiento de Mieles en la Industria
Azucarera”, Monografia, Matanzas, Cuba, Facultad de Ingenierías
Química y Mecánica, 2003.
[27] www.mitsubishi.com.