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.

La estructura de los controladores difusos encargados de realizar el ajuste de la dosificación; la necesidad de dos controladores difusos se fundamenta en el procedimiento efectuado por el operador para el ajuste de la dosificación. Básicamente el primer controlador haría el mismo ajuste de la dosis que hace el operador basado en la calidad de agua tomando como referencia la turbiedad de agua cruda y teniendo en cuenta la desviación del pH respecto al pH que se desea obtener a la salida de la cámara de mezcla rápida. Posteriormente el segundo controlador difuso que es un controlador PI, se encargaría de efectuar los ajustes en la dosis que le permitan efectivamente alcanzar el pH esperado. La labor del controlador 1 es proveer una aproximación en el ajuste de la dosificación con el fin de que el controlador 2 pueda encargarse de controlar las desviaciones de pH de acuerdo a la dinámica del proceso.

De esta forma se garantiza que la integración de la experiencia del operador con la acción de un controlador PI difuso, permitan controlar la dosificación de coagulante.

Reglas diseñadas para el controlador difuso 1 ; estas reglas de ajuste de la dosis se diseñaron recogiendo la experiencia de los operadores en el control de la dosificación. Las funciones de membresía para cada una de las variables lingüísticas: desvioPH, Turbiedad y AjusteDosis que conforman el controlador difuso 1. Las funciones de membresía permiten establecer el grado de pertenencia de una valor, dentro de un conjunto difuso de variables lingüísticas.

Descripción del sistema

En la tabla 3 se muestran los rangos de calidad de agua cruda que el sistema puede controlar. La limitación del sistema obedece al conjunto de datos escogido para el entrenamiento de la red neuronal; cuya capacidad de predicción se puede fácilmente expandir sin que ello representa un costo adicional , ni una gran inversión en el tiempo de diseño. En la figura 10 se observa el diagrama de bloques del sistema propuesto para el control de la dosificación de coagulante. El primer bloque llamado Red neuronal de estimación de dosis y pH de coagulante ; estima la dosis optima y pH de coagulación ( Do, pH-1) cuyas entradas son los parámetros de calidad de agua cruda (temperatura, turbiedad, pH , color, alcalinidad

La salida de pH (pH-1) de este bloque es enviada como set point hacia el siguiente bloque llamado Controlador difuso de ajuste de dosis respecto a pH. Este bloque tiene además otra entrada de lectura de pH (pH-2), proveniente del reactor (Figura 2), que constituye la señal de realimentación del controlador difuso quien hará los ajustes en la dosificación, según sea la desviación de la lectura de este pH (pH-2) respecto al pH de coagulación calculado por la red neuronal (pH-1). Finalmente, el valor de la dosis optima (Do) proveído por la red neuronal, el valor del ajuste de la dosis proveído por el controlador difuso y el caudal de entrada ; son los parámetro de entrada de un bloque llamado calculo de frecuencia del variador ( Figura 10) que se encarga de calcular el ajuste en la frecuencia del variador de velocidad quien provee la señal de control sobre el elemento actuador que es la bomba dosificadora de coagulante (ver Figura 1). El sistema fue concebido bajo la idea de trabajar como un sistema experto en tiempo real , que fuera capaz de realizar el control de la dosificación de coagulante como si fuera un operador en línea.

Las figuras 11 y 12 muestran la gran capacidad de predicción que tiene la red neuronal respecto a los resultados arrojados en la prueba de jarras para diferentes tipos de calidad de agua cruda. La tabla 4 muestra los parámetros de calidad de agua cruda ( temperatura, turbiedad, color, pH, alcalinidad ) asociados con cada uno de los puntos de las graficas correspondientes a las figuras 11,12.

Los errores en la predicción de coagulante son del orden de +/- 1 ppm y en la predicción de pH de +/- 0.1 ; lo que muestra la capacidad de predicción de la red neuronal, teniendo en cuenta que los márgenes de operación de calidad de agua cruda son grandes (ver tabla 3); lo que se traduce en una relación más compleja entre los datos de entrada de calidad de agua cruda ( temperatura, turbiedad, color, pH, alcalinidad ) y los datos de salida (dosis optima y pH de coagulación).

La implementación de una red neuronal permite establecer rápidamente la dosis optima requerida para una calidad de agua cruda; lo cual permite que la prueba de jarras se constituya en una prueba de respaldo; dado que el tiempo de respuesta de la red neuronal es unos pocos segundos en relación con la prueba de jarras que tiene una duración entre 10 y 20 minutos.

La implementación de la etapa de ajuste de la dosificación de coagulante basado en un controlador difuso, representa una enorme ventaja en términos del ahorro en el consumo de coagulante; pues con su solo 1 g/s de coagulante ahorrado mediante el control y ajuste continuo de la dosis de coagulante, se pueden ahorrar hasta 30 Toneladas por año en el consumo de coagulante; lo que representa un ahorro aproximado de US$ 6.000 anuales por cada reactor.

Conclusiones

En la actualidad las aplicaciones de redes neuronales y lógica difusa tienen una gran cobertura en la industria aeroespacial, la industria azucarera, en la industria automotriz, la medicina, y en algunas compañias como Nissan, Mitsubishi, Hitachi, Sony, Toshiba. La demostración de la simplicidad y la utilidad de estas técnicas en cada una de las etapas del proceso de coagulación, muestra porque estas técnicas han tenido tanta acogida en los países desarrollados donde se ha hecho un gran énfasis en el desarrollo de sistemas de control basados en técnicas de control inteligente.

Los resultados mostrados por la red neuronal en la capacidad de estimación de la dosis optima y la proyección del ahorro del consumo de coagulante mediante la implementación de un controlador difuso; constituyen una prueba de la utilidad de la aplicación de técnicas de control inteligente para el control de procesos químicos.

El modelo del sistema planteado en este articulo constituye una base muy importante para futuras aplicaciones en el control del proceso de coagulación; ya que el sistema planteado puede ser fácilmente adecuado; bien sea entrenando nuevamente la red o incluyendo en el diseño del controlador difuso , otras variables que afecten el sistema.

La confiabilidad de los datos suministrados para el entrenamiento de la red neuronal, constituyen el factor más importante en el desempeño de la red; ya que la estimación hecha por la red neuronal debe corresponder con la estimación que se obtendría mediante el Test de jarras.

El éxito en el diseño del controlador difuso depende primordialmente de la interacción entre el ingeniero de control y el operador o experto del proceso; ya que esta interacción será esencial durante la etapa de diseño y depuración del sistema de control.