You are on page 1of 6

SAAEI'OO

R. Cabeza; S. POria, L. Saragiieta.



Universidad PUblica de Navarra. 639

MecIJcIa de pariJDetros de Ia red elictrica del buqae oceaDov'fleo Bes,erides. R. Ramos, A.. Manuel. X Rosel

Universitat PolitCcnica de Catalunya. " 643

Matriz de coDmutael6D de bajo coste.

S. Casans, D. Ramirez, E. Navarro, R. Garcia; J. Pelegrl; J.M Espi:

Universitat de Valencia. 647

SiJteIIla lotegral para CORtroJ de dn:a1adcSD femmaria ft Iiaeas de baja y aaedla deulclad de tralko.

J. Urena, M. Mazo, A.. Hemdndez, J. JesUs Garcia, J.M Villadangos, E. Bueno. M' Soledad Escudero. M. Marr6n, J. Pastor, D. Hernanz.

Universidad de Alcala. " 651

Geaerador de p.II01 de poteacla para aplleadoDes de altrasoDidos eD aire. M. LOpez, J. Salazar, A. Tm6, loA Chavez., I.A. Ortega, MJ. Garcia.

Ulliversitat Polit~ca de Catahmya. m 655

ApIic_ciOD de las recta aearoaales a Ia estimad6D de las compoReates simitricu en sistemas de poteaela.

F. J. A.lctinlara, P. Salmer6n, J. Rodriguez.

Universidad de Hue1va. 659

CORtrol borroso •• Uivarlable de UDa plaDta de apas residaaJes. J.M. AndUjar, P. Solmer6n, 0 sanchez.

Universidad de Huelva 663

L6&ka Dlfus. ell u.a CPLD aplicada aI sepjmieRto del paDto de mUima poteDda-MPPT eD pueles solares.

A. Esquivel. R Sepulveda. R Lamaison; J. Peracaula:

Departamento de investlgacien y desarrollo de Tecnologia Digital, CITEDI-IPN 667

Nfvel de raddcioll electromapetica eo eI eatOrDO de estaelODes base de teldoni. mciviL

J. Vazquez, E. Olios, A.. Barrado, J. Plene. A. Lazaro.

Universidad Carlos m de Madrid 671

ApUcaeiOD basada eD Ia ed.cadeS. amtid. por illteroetliDtraDet (E.A.L). Ejemplo de desarroDo espedfieo: IIlicroprocesadores.

V. A.leo, J.A.. Ortega, J.A. Chavez. J. Salazar, A.. Turo, MJ. Garda.

Universitat PolitCcnica de Catahmya. 675

IaDovad6. doeeDte eo Ju prietleas de Ia asigaatara CODtrol de MaqUiDas Eleetricas. S. Galceran. A.. Sudria, J. Bugas, J. Rull:

Universitat Politecruca de Catalunya. 679

Curso mtltimedia ea rormato BTML de dlse60 de Wtros aDalcSgkos.. R. Pique, J. Garcia, A.. Conesa; G. Velasco.

Universitat Politeenica de Catalunya. 683

IRvenor resOD_Dte serie COR IGBTs _ alta freCllellicla.

1. Maicas. 1.M Espi; R. Garcia, E. Sanchis, F. Toran, J. Pelegri, S. Casans.

Universitat de Valencia. 687

SAAEI' 00

Control borroso multivariable de una planta de aguas residuales

J.M. Andujar, P. Salmeron t, O. Sanchez

{andujar, patricio, omar}@Ubu.es

Departamento de Ingenierfa ElectrOnica de Sistemas lnformaticos y Autom8tica. t Departamento de Fisica Aplicada e lngenierfa Elecmca.

Escuela Potitecnica Superior, Carretera Huelva-Palos de la Frontera sIn. Huelva.

Universidad de Huelva, Tetefono: 959530580. Fax: 959350311.

ResumeD

EI control adaptativo borroso y el control adaptativo conventional tienen similitudes y diferencias. Ambos comparteo: (a) la estructura bUica, (b) las herramientas matemiticas usadas en el anAiisis y sfntesis. Las principales diferencias son: (a) el controlador borroso tiene una estructura no lineal especffica que es universal para plantas diferentes, (b) el conocimiento humano puede ser iocorporado a Ia estrategia de control. Esta ultima diferencia constituye la principal ventaja del control adapCativo borroso sobre el control adaptativo convencional.

Se propone en el presente articulo una estrategia de control borroso multi variable basado en la linealizacion por realimentacion, validada a traves de la aplicaci6n a una planta para el tratamiento de aguas residuales.

I.IDtroduecioa

La mayorla de los procesos biotecnol6gicos que se producen a escala industrial usan un substrato para el crecimiento microbiano que esti compuesto de microorganismos especializados en la sintesis de un producto especffioo (produccion de etanol, antibiotieos, etc.). Tales procesos son f.iciles de caractcrizar, y par tanto de controlar, al estar presente un solo tipo de poblacion microbiana.

En los ambientes namrales, los microorganismos a menudo erecen en presencia de una baja ooncentraci6n de una diversidad de compuestos que sirven para sus propias funciones metabOlicas, como pueden ser las fuentes de carbono 0 nitrOgeno; de heche, los ecosistemas naturales SOD espaciabnente beterogeneos y las condicioncs de crecirniento pueden cambiar continuamente en el tiempo COD mezclas de varias especies que compiten entre sf mismas por multiples substratos [1].

Un ejemplo de una poblaci6n beterogenea de microorganismos 10 constituyen los procesos para la depuraci6n de aguas residuales, cuyo objetivo fundamental es mantener el agua libre de contaminantes. Las aguas de desecho se caracterizan por poseer dos tipos fundamentales de substratos contaminantes: $ubsl1'alOS energeticos Y subslralOS xenobioticos los cuaJes constituyen la fuente principal de alimentacien del cultivo de microorganismos 0 bioMOSQ. encargados a su vez de la dcsoontaminaci6n (2].

En la actualidad se ha heche necesario controlar la proliferaci6n de microorganismos para preservar al ecosistema de alteraciones bacteriol6gicas indeseables, es por ello que una soluci6n naturaJ es no 5610 garantizar el crecimieato de la biomasa a valores deseados, sino ademAs el de la concentraci6n residual de substratos xenobi6ticos. Dada Ia no linealidad que caracteriza a una planta para el tratamiento de aguas residuales, una soluci6n natural es utiJizar estructuras basadas en modelos [3) las cuales permiten cancelar las no linealidades para el seguimiento de detenninado modelo de referencia [4] en las que se han utiJizado estructuras hfbridas borrosa-neuronal(5).

Basado en la estructura de control adaptativo no lineal autoajustable utilizando redes de neuronas propuesta en [4J, se extiende la misma a un caso muJtivariabJe en la que la cancelaci6n de no linealidades se basa en modelos borrosos.

2. Modelo para el tratamieato de agoas

La din4mica de las variables del proceso en un bioreactor a volumen oonstante responden al siguiente conjunto de ecuaciones diferenciales:

C(t) = p< (1)c{/) - D(l)c(l)

$(/) = _ p, (I) c(t) + D(/)Sd - D(t)s(t) (I)

y."

e(1) '" - P. (I) c(1) + D(l)ed - D(/)e(/)

Y.,.

donde c(1), s(/) )' e(1) representan las concentraciones {en gil) de biomasa, substrato xenobi6tico y substrato energetico respectivamente; Jl/../} representa la tasa de crecimiento especffico de la biomasa ( 0 tasa de crecimiento global relativa a cada substrato especffico) Y JI,(tyY <IJ, /JAIYYcJt representan la tasa de degradaci6n especlfica de los substratos xenobi6ticos y energeticos' respectivamente. Los terminos Y ~ y Y... son coeftcientes de campo equivalentes a la conversion de los substratos contaminantes en biomasa. La tasa de disoluci6n D(I) representa el flujo de entrada como una fiacci6n del volumen total del bioreactor. Las variables s, y e" son las conceotraciones de substratos enetgeticos y xenobiOticos en las aguas contaminadas.

La tasa de crecimiento especifica global Jl/../) relativa a las tasas de crecimiento especificas de cada substrato JI,(t).

663

SAAEI'OO

J4..1) son una funci6n no lineal de las variables del proceso y diversos parametros cineticos, cuya relaci6n depende de la afinidad de la biomasa por cada substrato y las interacciones microbianas que ocurren durante la reacciOn biol6gica.

Existen dos identificadores fundamentales de las interacciooes microbianas:

1.- Competicion microbiana: EI crecimiento de la poblecion 1/«/) se relaciona coo las dos fuentes de crecimiento espe<:fficas p,(1) y J4..1) como la suma de las dos tasas de crecimiento especffieas sostenidas por cada substrato:

)J~(t) = P.(t)+ p~(t) (2)

2. - Aclivaci6nlinhibicion competitiva: Las interacciones microbianas existen entre los microorganismos que compiten entre sf por las dos fuentes de crecimiento p.(t) y p.(t} que responden a:

set) p,(/)=PSlfl K. +s(/)+a~e(t)

e(/)

P. (I) = p- K. + e(t) + a,s(t)

donde p,. y )4m representan las maximas tasas de crecimiento de cada substrato. Los parametros KJ y K. son las constantes de Michaelis-Menteo y corresponden a la afinidad de la poblaci6n por cada substrato especifico. Los parametres a, Y a. son constantes inhibitorias.

Considerandc las ecuaciones (3) y (4) se tiene que la expresi6n final de la tasa de crecimiento de la poblaci6n responde a {de 2):

S{/) e(/)

p.{/)=p.., K,+s(t)+a.e(/) +P .. K +e(t)+Q,s(t) (5)

Los valores deseados para la biomasa y la ooncentraci6n de substratos xenobi6ticos se establecen de acuerdo aI efecto texico de ambos oontaminantes (substtatos y bacterias), para 10 cual es necesario un control multivarlable de la tasa de disoluciOn de dos flujos: uno de un tanque de agua no contaminada y otro de un tanque con agua residual para 10 coal se aplican dos seflales de cootrol sobre las bombas: 111(1) para la tasa de disolucion del a.gua limpia y Urt/) para la tasa de disoluci6n del agua residual. De la combinaciOn de las dos tasas de disolucion se tienen mUltiples entradas al bioreector:

D(t) = 11,(1)+111(/)

( ) liZ (I) _

s. t = s.

u, (t) + uz(/)

e (t) = u1(t) e.-

• u, (I) + u1(t)

donde $,,-- Y ell -- representan las maximas concentraciones que los substratos pueden tener en el tanque de aguas residuales.

Como resultado de combinar las ecuaciones (1-4) a traves de las variables de control dadas por (6) se obdene el modelo complete del proceso:

. {S(/) e(t)}

C(/) = )i"", K, + s(/) + a,e(/) + P ... K. + ee,) + a,s(t)

c(t) - U. (t)c(/) -Ill (/)c(/)

$(/) = _ P.. set) c(/)-II, (/)$(/) +

Y." K, + s(/) + a.e(t) (7)

(s:" -s(t»u1(/)

e{t) = _)i.", e(t) C(/) -1I,(/)e(/) +

Y.,. K. + e(/) + a,s(/)

(e;- -e(t»Ul(/)

Las variables U.(/) y ui_/) representan las seftales de control que penniten la disoluci6n del agua sin residuos 0 no contaminada y el agua residual respectivamente, las que estan limitadas por saturaci6n a los intervalos [0.04 y 0.0001 lib] por resmcciones mecaaicas en la bombs,

Las condiciones iniciales y las perturbaciones de los

(3)

parametres se muestran en la Tabla I.
Desc~i6n Pan\metro Valores
Maxima raz6n de lIem" 0.2
crecimiento especffico 0.1
113m
Constante de X. 1
Michaelis--Menten(2I'I) K, 1.5
Parametl"O de activaci6n- a. 10
inhibiciOn a 0.1
Coeficlenre de y. 02
rendimiento r. 0.7 (4)

Tablff 1. p~ Ul tMdehJ Ulff P/lllttff pIU'tIlff dqNuocI6Ir de IIfIUI! nsldullles 1 fII porciDtto de onuUu:l6tf.

3. Control adaptativo aatoajustable

En la expresi6n (7) se puede apreciar que existen dos senates de control en un sistema que depende de tres variables de estado, por 10 que puede plantearse el siguiente mooelo basado en la estimaci6n de parametres utilizando sistemas borrosos:

C(/) = q,(x)+ .S'.(X)II, +&,(X)lIz

s(/) = ql(X) + .91 (x)u, +&l(X)uZ

(8)

(6)

donde x = [e(t) s(/) e(/») represeata el vector de las variables de estado. No se plantea una tercera ecuacion para la concentraci6n de substratos energ6ticos puesto que, como ha sido mencionado anteriormente, 5610 se controla la biomasa y la concentraci6n de substratos xenobi6licos.

Es posible definir un equivalente discrete de (8) de la siguiente fonna:

c(k + J) = f.(x~}+ g,(Xd)lIl(k)+~{x.)u:(k) s{k + l) = f2(Xd)+ g2{x~)u,(k)+ ~(x.)~(k)

(9)

donde el vector de estados esta definido por x.=(e(k)e(k-l)s(k)s(k-I)e(k)e(k-I)j. Aunque en este caso se han seleccionado dos valores retardados de cada variable de estado, puede reaJizarse una seleccion altemativa que penn ita aplicar diferentes tecnicas para obtener model os.

Para obtener un modelo de la forma (9) es necesario adaptar los parimetros a seis sistemas borrosos (equivalentes a Ji, g .. h .. h, K2, liz). La Figura I muestra un diagrama para obtener los tres sistemas borrosos equivalentes a un subsistema de la fonna (9) a partir de los datos de entradasalida.

664

SAAEI'OO

t······ .. ··· .. ·················•······· .. ······· · ...... 1

C(k+I) i.:

/.(~ .

I

i _ j

FiB"'" 1.- OIJItncum del trt«kJo eI/.dNhlllt p4Ira III COIfUIII,.cUm _III blolflll$(I..

Como se puede apreciar en la figura I, los vaJores de entrada del vector x" y las seftales de control ul(k), Jl2(k); y los valores de salida de c(k+ I) est8n disponibles para la medici6n y constituyen Ia base para la obtencion de un modelo equivalente que estari fonnado por Ires subsistemas borrosos de Ja forma:

C(k+ 1) = 11(1,)+ gl(x.)ul(k) + ht(x,)uz(k) (10)

Los sistemas borrosos II' gl Y hi son de una estructura tal que los datos de entrada estAn disponibles, pero no los de saJida, puesto que no existe ning(m dato disponible para la medici6n correspondiente a las funciones j], gl y h .. es por ello que los parametres deben adaptarse a partir de la funci6n definida por:

e.(k + 1) = ~(C(k + 1)- c(k + I)f

EI conjunto de reglas para obtener el modelo de la forma (10) queda definido por(para la estimaci6n deJi) :

Si c(k)es C~I y s(k) es S~I y e{k)es E~I y c(k-l)es~~2 ys(k-l)esS~2 ye{k - l)es~2 Entonees I. = c~c(k) + s~s(k)+ e~e{k)+ c~c(k -1) + s~s(k -1)+ e~e(k -I)

donde Cllb , slra, ela. son los coeficientes del consecuente TSK para n '" ),2; C fit> S fit> Y E flo son las funciones de pertenencia en Ia parte precedente de las I reglas para cada variable de estado del vector ~.

De forma similar a (12) se puede plantear el eonjunto de regJas para las funciones g y h las euaJes vienen dadas por:

Si c(k)es C,I y s(A:) esS,1 Y e(k)es E,I y

c(k -I) es C,Z y s(k -I) es S;l ye(k - I) es E~l

~ I I I

Entonces gl = c11c(k) + s,.s(k)+ e"e(k)+

e~c(k - J) + s~s(k -I) + e~e(k -1)

y

Si c(k)esC;, y s(k)es S!I ye(k)es E!I y

c(k-I)es~z ys(A:-I)esS;1 ye(k - l)esE!z

(13)

(14)

.... I I. I

Entonces gl :: Chlc(k) + s~.s(k)+ eh1e(k)+

c~c(k-I) + s~ls(k-I)+ e:.ze<k-I)

el significado de los parimetros en (13) y (14) os similar a (12) pero cambiando el sublndice I par g Y h respectivamente.

La expresi6n analltica equivalente a las regJas defmidas por (J 2). (13) y (14) viene dada por:

fl [IiJ4. (xl,e:)]

- I() /.1 i_I (IS)

r= x:: h[Up'r.(xl,e:)]

donde / ye; = {P: .r:} son el consecuente, el ancho y el centro de las fimciones de pertenencia de las variables de entrada con M + M x n + M x n parBmetros ajustables.

Para obtener la ley de adaptaci6n es necesario derivar (II) con respecto a los parimetros que confonnan el conjunto de reglas de la forma (12). (13) Y (14); para ello, de sustituir (10) en (1 J) se obtiene:

e.(k + I) = 4(/.(x.)+ 81(X. )u.(k)+ k (x,)Jtl(k)-c(k +1) r (16) y al aplicar el gradiente descendente para el ajuste de los perametros, resulta la siguiente ley de adaptaci6n:

(11)

O~,(k + 1):: ~,(k)-'7(C(k + 1)- c(k + I)) O~(I,) (17) oufl(k)

tr.,(k + 1) = e;,(k)-l1(~k + I)-c(k + I) )u,(k) O~(I') (18) ou,.(k)

e~.(k + I) = If.,(k)- '1(~k + I) -c(k + I) )u2(k) 0~(X4) (19) al1~,(k)

(12)

donde e; .. o;, y e~, representan los parametres que definen las funciones de pertenencia de la parte precedente y consecuentes constantes TSK de las reglas i-esimas definidas por (12). (13) y (14).

Como la expresien anaUtiea que representa a los valores estimados de /. g y h viene dado por (I S). el diferencial de

665

SAAEI'OO

cada funcion en (17); (18) y (19) es el equivalente a una ley de adaptaci6n de parimetros basado en gradiente.

La obtenci6n del modelo equivalente a 18 ~oncentraci6n de subslratos xenobi6ticos es tota1mente equivalente a Ia concentraci6n de biomasa, el fundamento de la adaptaciOn seria una refonnulaciOn de (11) que responde en este caso :

e,(k +1)= -iF(k + l)-s(k +J)f (20)

Basado en (20) se obtendrfan los par8metros 05v e;. y £I.. que definen 81 segundo sistema de (9) que para el caso de la concentraci6n de los substratos xenobi6ticos responde a:

La ley de adaptaciOn de par8metros (17-19) es semejante excepto en los cambios de las variables c(k+ I) pot s(k+ I) y f.,g! Y hi porj2> gz Y hz·

En el caso de 18 planta para la depmaci6n de aguas residuales, como las variables a controlar son Ia biomasa y la concentracion de substtatos xenebioticos, entonces debe cumplirse:

c(A:+I)=c'(k+J) y s(4:+I)=$'(k+l) (22)

donde c' (k + 1) y s' (4: + 1) representan el modele de refereneia para la biomass y fa concentracion de substratos xenobi6ticos respectivamente.

AI sustituir (22) en (9) se tiene que:

c' (A: + I) ~ I.(x.)+ g.(x.)u.(k) +~(xd~(k) $'(k + 1) = h(x.)+ gl(x.)u.(k)+ ~(x.)Uz(4:)

La ley de control consiste entooces en determinar los vaIores de UI(*) Y uz(k) que sean la soluci6n de (23), 10 cual es simple de obtener debido a que constituye un sistema de dos ecuaciones con dos incOgnitas.

La soluci6n de (23) es una ley de control ~ la forma;

~(x.)(c'(A:+I)- l.(x.»)-~(x.)(sr(k+I)- .I; (x.»)

Ur(k)::: -_':""-~-:-:-'---:--''---__;_ ~(X.)g.(I.)- g2("')~(~)

g.(x.)(sr(k+I)- .I;(x.»)- g.(x.>(c'(k+l)- 1.(",») Uz(k)=-~---.....:...-____;---~ ~(~)g.(x.)- g2(X.~(X.)

(24)

Cuando se sustituye (24) en (9) se obtiene (22), 10 cual es 18 comprobacion de 18 ley de control previamentc propuesta.

4. Resultados de simula~ion

En la figura 2 se mucstra la evolucion de Ia biomasa de acuerdo a Ia ecuaci6n (7) y el modelo estimado a traves de (10). La figura 3 muestra el resultado en el seguimiento de un modelo de referenda para la concentraci6n de substtatos xcnobiOticos.

0.8 -~

o~~--~~~--~~~--~~--~~~~~ IiIIlICioIIfi

FiglUtl 2.- E~ tid IIIOddIJ _14 blOffIIIM COMO ~ de opIktJr sellJlla de CfHUrtJIIl"If~e di#tiIHdIIa.

(23)

FilIUtI 3.. ModeW de refenncitl Y sqrdmitlflo tid at4rtIt1. coItITOI ptlTtlltl concentnu:i6n de IJ4bstrt1tos XOUJbi4tic:os.

5. Referenda

(I] J. Gottschal, T. Thingstad: "Mathematical description of competition between two and three bacterial species uodct dual substrate limitation in the cllemostat; a comparison with experimental data", Biotechoology and Bioengineering. 24,1403-1418,1982.

[2) C. Ben Youssef: "Benchmarlc of a waste-water treatment process", Rapport LAAS No. 97458. Laboratoirc d' Analyse et d' Architecture des Systemes. Centre National de la Recherche ScientifJque. 1997.

(3] G. Lightbody, G.W. Irwing: "Nonlinear Control Structures Based on Embedded Neural System Models", IEEE Trans. On Neural Networks, Vol. 8, No.3, pp. 553-567.1997.

(4] J. Moscinski, Z. Ogooowski: "Advanced Control with MATLAB and Simulink". Prentice Hall. Englewood Cliff, NJ.I995.

[5J K. Tanaka, M. Sugeno: "Fuzzy identiflcation of systems and its application to modelling and control", IEEE Trans. Man. Cybem., vol IS, pp 116-132.1992.

666