|
|
| |
|
|
| |
Sistema
de control basado en redes neuronales y lógica difusa
para la estimación y control de la dosificación
de coagulante
en una planta de tratamiento de aguas
|
|
| |
|
|
| |
|
|
| |
José
Francisco Diaz l.
Escuela de Ingeniería Eléctrica y Electrónica,
Universidad del valle, Colombia
Telefono: (57-2) 2735668
Email: jfdiaz2@uniweb.net.co
|
|
| |
|
|
| |
|
|
| |
|
|
| |
Dentro
de los procesos de tratamiento del agua, el proceso de coagulación
es el más complejo, debido a la correlación
no-lineal, existente entre la dosis de coagulante y los parámetros
de agua cruda. La complejidad existente entre las variables
involucradas en este proceso hace muy difícil la implementación
de un sistema de control satisfactorio basado en métodos
convencionales. Esta es la razón de ser del sistema
planteado para la estimación y control de la dosificación
de coagulante; desarrollado como un sistema experto en tiempo
real , mediante la aplicación de técnicas de
control inteligentes como las redes neuronales y la lógica
difusa. El sistema se concibió para ser capaz de obtener
los resultados de la prueba de jarras y capaz de ajustar la
dosificación de coagulante; tal como lo haría
un operador.
Teniendo en cuenta el gran consumo de coagulante demandado
por una planta de tratamiento de aguas, este sistema constituye
una excelente alternativa para la reducción y optimizacion
de la dosificación de coagulante.
Introducción
En la actualidad, la industria del agua ha centrado sus esfuerzos
en producir la mejor calidad de agua al menor costo; debido
al incremento de los estándares de regulación.
El proceso de coagulación es una de los más
importantes estados en el tratamiento de agua; permitiendo
la remoción de partículas coloidales presentes
en el agua. Este proceso es esencial para mantener una calidad
de agua tratada satisfactoria.
La complejidad existente entre la dosis de coagulante requerida
en función de los parámetros de calidad de agua
cruda, y la influencia de factores tales como: el corto tiempo
de reacción del proceso de coagulación, el gran
tiempo de reacción del proceso de floculación
y el caudal de agua tratada, hacen que el control de este
proceso requiera de técnicas de apoyo como la prueba
de jarras en la estimación de la dosis optima y de
la acción de un operador que supervise el proceso y
haga los ajustes necesarios para garantizar una remoción
de turbiedad efectiva.
En la actualidad existen algunos sistemas comerciales para
el control del proceso de coagulación tales como el
streaming current detector , el cual ha demostrado excelentes
resultados en plantas de tratamiento con calidades de agua
cruda poco variables, mostrando también su incapacidad
para adaptarse a todos los tipos de calidad de agua cruda
[1],[4].
El mejoramiento en el control de los procesos mediante la
introducción de nuevas técnicas tales como las
redes neuronales y la lógica difusa, abre una nueva
ventana hacia el desarrollo desoluciones optimas, para procesos
cuyo control mediante el uso de técnicas convencionales
resulta muy complejo .
Para el proceso de coagulación ya se han desarrollado
algunas aplicaciones basadas en estas técnicas [1],[2],[3];
las cuales han mostrado excelentes resultados y han abierto
el campo para otras aplicaciones .
En Colombia en la planta de tratamiento de aguas de puerto
mallarino de las empresas municipales de Cali (Emcali) se
desarrollo un sistema de control basado en redes neuronales
y lógica difusa que permitiera llevar a cabo tanto
la estimación como el control de la dosis de coagulante
.
Marco teórico
Redes neuronales artificiales en aplicaciones industriales
[5].
Desde el punto de vista de la ingeniería las redes
neuronales artificiales (RNA) pueden ser vistas como una gran
sistema dinámico en paralelo que puede realizar transformaciones
por medio de la respuesta de estado de su información
de entrada. El cómo se lleva a cabo la transformación
depende del modelo de la RNA y de su forma de aprender la
transformación. El área de aplicación
más natural de las RNA son obviamente las tareas en
las cuales se deben obtener las transformaciones apropiadas
de ciertas entradas a ciertas salidas; pero las transformaciones
no pueden ser descubiertas analíticamente debido a
la variedad de factores involucrados en ellas. Por lo tanto
no es sorprendente que la mayoría de las aplicaciones
exitosas de RNA puedan ser encontradas en áreas de
visión de maquinas, reconocimiento de patrones, control
de motores, procesamiento de señales, donde tales transformaciones
"entradas a salidas" dominan la solución
del problema.
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
Tabla
1
|
|
Tabla
2
|
|
Areas
de aplicaciones
de RNA en Europa
|
| Control,
monitoreo y modelamiento |
31%
|
| Reconocimiento
y detección de patrones |
14%
|
| Prevención
y predicción |
14%
|
| Procesamiento
de imágenesProcesamiento de imágenes |
10%
|
| Optimización |
4%
|
| Procesamiento
de señales |
3%
|
| Genéricos |
23%
|
|
|
|
Sectores
industriales de
aplicaciones de RNA en Europa
|
| Producción
(manufactura, Agric. , Etc. ) |
39%
|
| Mercadeo
y negocios |
19%
|
| Bancos,
servicios y seguros |
12%
|
| Medicina,
salud , farmacéutica |
3%
|
| Transporte |
3%
|
| Energía |
3%
|
| Ventas
al por mayor |
1%
|
| Otros |
20%
|
|
|
|
| |
|
|
| |
En
la figura 1 se observa la estructura general de una red neuronal
multinivel. Las neuronas de primer nivel reciben sus entradas
directamente del entorno. Las salidas de estas neuronas se
conectan a las entradas de las neuronas del segundo nivel,
y así sucesivamente, hasta el último nivel,
cuyas salidas son entregadas al entorno. En la tabla1 se muestran
las áreas de aplicaciones más típicas
de RNA en Europa, mientras que en la tabla 2 se muestran los
sectores industriales donde más aplicación han
tenido las RNA.
Aplicaciones de lógica difusa en automatización
industrial [6].
En los últimos años, la lógica difusa
ha demostrado su gran potencial en las aplicaciones de automatización
industrial. Para los eventos de control discreto los ingenieros
han usado la lógica de escalera, un lenguaje de programación
semejante a los esquemas de cableado eléctrico corriendo
en un controlador lógico programable (PLC en ingles)
. Para un control continuo los controladores de tipo PID son
los mas empleados; éstos controladores trabajan bien
cuando el proceso bajo control esta en condiciones estables;
sin embargo cuando se presentan grandes disturbios, variaciones
en el tiempo de los parámetros del proceso, presencia
de tiempos muertos, los controladores PID no operan bien.
La lógica difusa le permite a los ingenieros diseñar
controles supervisorios multivariables derivados de la experiencia
de una operador y de los resultados experimentales; en vez
de modelos matemáticos [6].
La lógica difusa es un método de toma de decisiones
basado en reglas usados para sistemas expertos y control de
procesos que emulan el modo de comprensión de los sistema
usados por el ser humano.
La lógica difusa puede ser usada para controlar un
proceso que una persona puede controlar manualmente con la
habilidad adquirida a través de la experiencia. Las
reglas de control lingüística que un experto humano
puede describir en forma intuitiva y general, pueden ser trasladadas
a un conjunto de reglas (IF - THEN) para un controlador basado
en lógica difusa [7].
Las aplicaciones industriales de controladores basados en
lógica difusa han tenido una gran cobertura en los
últimos años. Algunos ejemplos de aplicaciones
de sistema de control basados en lógica difusa son
:
Convertidores de viento en energía [8], control de
dosificación en plantas de tratamiento de aguas [9],
sistema de control de producción de azúcar fermentable
[10],control lógico tipo fuzzy para tachos al vació
de bajo grado [11].
Operación del sistema actual de dosificación
de coagulante
La planta de tratamiento de aguas de puerto mallarino capta
sus aguas del río Cauca y tiene una capacidad de 6.6
m³/s.
Con el fin de estimar la dosis requerida para una calidad
de agua especifica el operador realiza la prueba de jarras
para estimar la dosis optima y el pH de coagulación
que espera obtener a la salida de la cámara de mezcla
rápida (figura 2). Posteriormente el operador debe
realizar el ajuste de la bomba dosificadora de forma que pueda
dosificar el caudal de coagulante requerido a fin de garantizar
una buena coagulación. El operador deberá controlar
la dosificación alrededor de la dosis optima teniendo
en cuenta el pH de coagulación, el cual será
su parámetro de referencia para el control rápido
de la dosificación; ya que el tiempo de respuesta desde
el punto de inyección de coagulante hasta el punto
de medición del pH de coagulación es de 2-3
minutos; lo que permite efectuar rápidamente los ajustes
de la dosis de coagulante.
|
|
| |
|
|
| |
|
|
| |
|
|
| |
Metodología
El primer paso para la concepción del sistema de control
consiste en identificar dos etapas dentro del procedimiento
llevado a cabo por el operador para el control del proceso;
que son:
• Estimación del nuevo punto de operación
(dosis optima).
• Control de la dosificación alrededor
del punto de operación (ajuste de la dosificación).
La estimación del nuevo punto de operación esta
relacionado directamente con los cambios de calidad de agua
cruda determinada por factores tales como la temperatura,
turbiedad, color, ph y alcalinidad; los cuales requieren de
la estimación de una nueva dosis de coagulante; la
cual se obtiene mediante el test de jarras. El control de
la dosificación alrededor del punto de operación
es la etapa siguiente del control del proceso una vez establecida
la dosis optima para unas condiciones de agua . Consiste en
ajustar la dosis de coagulante con el fin de garantizar un
buena remoción de turbiedad . Es en esta etapa donde
la experiencia del operador juega un papel importante; pues
las acciones de control de la dosificación están
influenciadas por todos los parámetros que afectan
el proceso dentro del sistema de potabilización de
agua (caudal de agua tratada, turbiedad de agua clairificada,
pH de coagulación, capacidad de la bomba dosificadora).
Estimación del nuevo punto de operación (dosis
optima).
Una vez identificadas las dos etapas del control de la dosificación
de coagulante, el siguiente paso consiste en el diseño
de los algoritmos de control para cada una de las etapas.
Para la etapa de estimación de la dosis optima y el
pH de coagulación, se entreno una red neuronal artificial
con un conjunto de datos históricos de la planta de
puerto mallarino ; correspondientes a los años 1999
- 2001. Un total de 300 conjuntos de datos fueron tomados
para entrenar y evaluar el desempeño de la red neuronal;
de los cuales 200 conjuntos de datos se usaron para el entrenamiento
de la red neuronal y los 100 restantes se usaron para evaluar
el desempeño y la generalidad de la misma.
|
|
| |
|
|
| |
|
|
| |
|
|
| |
La
Red neuronal entrenada (fig. 3) tiene 5 neuronas de entrada
que conforman la capa de entrada ; correspondientes a los
valores de los parámetros de calidad de agua cruda
. La capa oculta de la RNA esta constituida por 15 neuronas
y las dos neuronas de salida que conforman la capa de salida
de la RNA corresponden al resultado esperado en la prueba
de jarras. Los márgenes de operación de calidad
de agua cruda tratados en esta planta son grandes en comparación
con otras plantas lo cual hace que la relación entre
los datos sea bastante no-lineal. Por esta razón se
hace necesario la implementación de una red neuronal
artificial , ya que las redes neuronales son excelentes estimadores
de relaciones no-lineales entre datos acumulados y datos numéricos
de salidas [12].
Control de la dosificación alrededor del punto de operación
(ajuste de la dosificación) .
En esta etapa es vital la experiencia del operador en el control
del proceso, pues la prueba de jarras le provee un punto de
referencia de la dosificación requerida, la cual debe
ajustar para conseguir una remoción de turbiedad efectiva.
Un sistema de control basado en lógica difusa es una
excelente alternativa; ya que la lógica difusa permite
describir sistemas complejos usando el conocimiento de un
experto, utilizando unas simples reglas de forma que una estrategia
de control lingüísticas derivado de la experiencia
de un operador pueda convertirse en una estrategia de control
automático [13].
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
| |
|
|
|
Blog
F
