En este trabajo mostramos el desarrollo de una posible infraestructura para implementar algoritmos RTO (Real Time Optimization, optimización en tiempo real) en un sistema industrial. Para ello, construiremos el sistema sobre un simulador de una factoría azucarera que nos permita probar los algoritmos en simulación. Como base de datos industrial que permita el almacenamiento y análisis de los datos usaremos el PI System de la empresa Osisoft ®. Finalmente, como entorno desde el que probar los algoritmos RTO usaremos Matlab de la empresa Mathworks ® .
La Red Neuronal en el Espacio de Estados (RNEE) ha demostrado muy buenas propiedades en el modelado de sistemas dinámicos. En este artículo, proponemos una evolución de dicha red neuronal cuando la información sobre la estructura interna del sistema está disponible mediante algún tipo de modelo. Con esta información se puede obtener un modelo de caja gris que representa de forma más fidedigna el sistema modelado. Este modelo ha sido bautizado como Red Neuronal Estructurada en el Espacio de Estados (RNEEE). Se presenta un ejemplo sobre un caso de estudio en simulación. Palabras clave: Modelo en espacio de estados, Red neuronal, Modelo de caja gris.
En este trabajo se presenta la implementación de un controlador predictivo basado en un modelo no lineal (NMPC) y un optimizador de consignas en tiempo real (RTO) a una planta piloto híbrida. La planta consta de un reactor CSTR, dos caudalímetros, una bomba, una válvula y cuatro sensores de temperatura. La reacción química se emula a partir de las medidas del proceso y el calor que esta generaría se aplica mediante resistencias eléctricas. Así, la única sustancia involucrada es agua, se conserva la hidrodinámica del proceso y se evitan los inconvenientes típicos del manejo de sustancias químicas. Se desarrolla y ajusta un modelo basado en medidas reales que luego es usado como base para el MPC y el RTO. Se hacen pruebas de seguimiento de consigna del controlador y optimización económica del RTO. El conjunto planta híbrida + MPC + RTO conforma una plataforma flexible, a la vez que realista, para evaluar técnicas de optimización avanzada donde existen discrepancias entre planta-modelo y entre modelos.
Se presenta la obtención de modelos en función de transferencia discreta de dos sistemas de laboratorio multivariables. La identificación del sistema se realiza en base a datos experimentales obtenidos mediante la realización de pruebas tipo escalón secuenciales, simultáneas y rotadas. Se utiliza la toolbox HIDEN, disponible para MATLAB, considerando los métodos del error de la salida y mínimos cuadrados. Una vez obtenidos los modelos, se realiza la validación mediante los criterios establecidos en los índices de Akaike (AIC), error de predicción final (FPE) y longitud mínima de Rissanen (RMDL). La validación de los modelos indica que los de mayor precisión se obtienen a partir de entradas secuenciales.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.