Beruflich Dokumente
Kultur Dokumente
Recibido para revisar febrero 09 de 2007, aceptado abril 04 de 2007, versión final julio 06 de 2007
ABSTRACT: In this paper a fuzzy model based on dynamic Takagi-Sugeno-Kang framework of a continuous
stirred tank reactor (CSTR) with exothermic fist order chemical reaction is carried out. From experimental data
base obtained through real process simulation for input and output variables, the training and checking files of
the fuzzy model were developed. Theses files allow us to carried out the fuzzy model by mean of the anfis tool
of MATLAB. The model obtained allow us to predict the system out put with a very small prediction error for
that reason this model is very important to design a nonlinear predictive control based fuzzy model to this
process in future research stages.
1. INTRODUCCION
estadísticos [19], y los llamados sistemas
Para generar automáticamente modelos híbridos ([20],…,[25]) que combinan varias
borrosos a partir de mediciones físicas se han técnicas de inteligencia artificial. En el
desarrollado varios métodos. A saber; por presente trabajo se aplica el modelo dinámico
agrupamiento ([1],…,[13]), métodos de de Takagi-Sugeno-Kang (TSK) [26], [27] para
ortogonalización ([14],…,[18]), métodos la obtención un modelo borroso del proceso
que tiene lugar en cierto reactor químico
continuo de tanque con agitador (RCTA),
Dyna, Año 74, Nro. 153, pp 333-341. Medellín, Noviembre de 2007. ISSN 0012-7353
334 Rodriguez et al
con reacción exotérmica de primer orden, para como la expresión de la cinética a través de la
ser utilizado como predictor no lineal del ecuación de Arrhuenius se obtiene:
proceso
dh 1 1
En cuestión, con el objetivo de ser utilizado = Fi − F (1)
dt A b Ab
posteriormente, en el diseño de un Controlador E
dC a 1 Fi C a 1 Fi C ai −
Predictivo basado en el Modelo (CPM). Esta =− + − k o e RT C a (2)
estrategia computacional para el control de dt Ab h Ab h
procesos industriales se desarrolla y refirma E
dT 1 FT 1 Fi Ti −
vertiginosamente, tanto académica como =− + + Jk o e RT C a −
paracticamente, y su complementación con los dt Ab h Ab h
(3)
procedimientos para el desarrollo de modelos UA T UA Tc
dinámicos basados en lógica borrosa [28], [29] − +
ρC p A b h ρC p A b h
la reafirma e incentiva para continuar su
estudio y desarrollo. dTc UA UA
=− Vch Tc + Vch T +
dt ρ c C pc ρ c C pc
En este artículo se encausa el modelo del (4)
1 1
proceso en su justa dimensión no lineal, basado + Fci Fc − Fc Fc
en sistema de inferencia borroso con lo cual se Vch Vch
logra mayor robustez, tanto en la estabilidad
como en el desempeño cuando se le compara, Donde:
mediante simulación, con un CPM basado en h: Nivel de líquido en el reactor (m).
modelos lineales de predicción. El problema Fi: Flujo volumétrico de entrada (m3/min).
ha sido abordado en otras oportunidades [30], F: Flujo volumétrico de salida (m3/min).
[31]. En el primero, considerando al proceso Fc: Flujo volumétrico de refrigerante (m3/min)
como un sistema simple entrada simple salida Ca: Concentración de reactivo en la mezcla.
(SESS) tomando como variable de entrada el Cai: Concentración de reactivo en la corriente
caudal de refrigerante en el sistema de de entrada.
enfriamiento del reactor y como salida la T: Temperatura absoluta de la mezcla
concentración de reactivo en el mismo. En el reaccionante (ºK).
segundo, caso considerando el sistema Tc: Temperatura absoluta del refrigerante (ºK).
multivariable no lineal pero con un predictor Tci: Temperatura absoluta del refrigerante en la
no-borroso. Sin embargo, en el presente trabajo entrada (ºK).
consideramos al proceso excitado, además, Ti: Temperatura absoluta de la corriente de
por el flujo de alimentación de reactivo; de entrada (ºK).
modo que se considera al sistema como uno de Ab: Area de la sección uniforme del tanque
múltiples entradas y una salida, la (m2)
concentración de reactivo (sistema MISO), lo A: Superficie calórica de la chaqueta de
cual se considera muy acorde con la operación enfriamiento (m2).
del proceso. U: Coeficiente global de transferecncia de
calor (kcal/min-ºK- m2).
ρ: Densidad de la mezcla (kg/m3).
2. MODELO DEL PROCESO ρc: Densidad del líquido refrigerante (kg/m3).
Cp: Capacidad calórica (kcal/kg-ºK).
Cpc: Capacidad calórica del refrigerante
Se simula el reactor continuo de tanque con (kcal/kg-ºK).
agitador no lineal que se muestra J: Coeficiente que depende del calor de la
esquemáticamente en la Fig. 1, con el objeto de reacción (kcal/kg-mol).
crear una base de datos de entrada-salida ko: Coeficiente cinético de la reacción (min-1).
apropiada para la elaboración de un modelo E: Energía de activación (kcal/kg-mol).
borroso. R: Constante universal de los gases (kcal/kg-
A partir de las ecuaciones de balance de masa mol-ºK).
total y del reactivo, de energía en el reactor y Vch: Volumen de la chaqueta de enfriamiento
la de balance de energía en la chaqueta, así (m3).
Dyna 153, 2007 335
Figura 2. Simulación del RCTA. El sistema borroso TSK puede ser considerado
Figure 2. CSTR simulation. como una combinación de modelación
lingüística y modelación matemática de
regresión en el sentido de que el antecedente
Para las variables de entrada u22 y u33 se describe regiones difusas del espacio de
generan señales de ruido seudo aleatorios con entrada donde el consecuente funcional es
frecuencia 3 rad/min y varianza 1 (para ambas valido. Las reglas en este tipo de sistema son
señales) y valores promedio de 10.7 m3/min en de la forma:
u22 y 15 m3/min en u33. La simulación se
336 Rodriguez et al
Ri: IF x1 is Ai1 and…and xris Air THEN yi = Donde y es la salida del sistema, wi es el nivel
fi(x1,x2,…,xr) (5) de impacto de la regla i que se define como:
Donde los Aij son conjuntos borrosos y fi son
funciones reales; para todo i, j enteros reales. w i = µ Ai1 (x1 ) × µ Ai 2 (x 2 ) × ⋅ ⋅ ⋅ × µ Air (x r ) (10)
Generalmente los fi son polinomios en las
variables de entrada x1,…,xr. Lo cual se puede poner como:
La funciones fi de un modelo son generalmente
L
i i0
(
y = ∑ w b + b x + ⋅⋅⋅ + b x
i1 1 ir r
) (11)
de la misma estructura, cambiando solamente i =1
los parámetros de cada regla. Una
parametrización útil en la práctica, que mejora w
la capacidad de aproximación de los modelos Donde; w = i (12)
i L
TSK, es la forma siguiente: ∑ wi
i =1
Ri: IF x1 is Ai1 and…and xris Air THEN yi =
bi0x1 + bi1x2 +…+birxr Es el nivel de impacto normalizado. Sin
(6) embargo, la sencillez de estos modelos es lo
que implica sus mayores problemas [33], los
Con i = 1, …,N. Donde N es el número de cuales son:
reglas, xi son las variables de entrada, yi son las
variables de salida locales, Aij son conjuntos 1) Al constituirse sus consecuentes en
difusos caracterizados por las funciones de fórmulas matemáticas podrían no
pertenencia µAij(xi) y bij son escalares. Este representar un marco natural para la
modelo es conocido como modelo TSK afín, el reflejar el conocimiento.
cual es esencialmente una aproximación multi- 2) No hay mucha libertad para aplicar
modelo en la cual los modelos lineales simples diferentes principios de lógica borrosa
se combinan para describir el comportamiento por lo que se pierde versatilidad.
global del sistema. Esta propiedad facilita el
análisis de los modelos TSK en un marco Su principal ventaja es que
similar a la de los sistemas lineales. computacionalmente es muy eficiente, trabaja
Si la salida de un sistema difuso de este tipo bien con técnicas lineales y con técnicas de
aparece como una de sus entradas, se obtiene optimización y adaptables, garantizan
el llamado sistema difuso TSK dinámico. Este continuidad de la superficie de salida, etc.
se construye a partir de las reglas tale como:
Ri: IF x(k) is A1i and…and x(k-n+1) is Ain and 2.2.3 Combinación del sistema TSK con las
u(k) is Bi THEN yi = bi1x(k)+…+binxn(k-n+1) redes neuronales
+ biu(k)
(7) Las redes neuronales, como paradigmas o
modelos matemáticos simplificados de
Donde u(k) es la entrada al sistema y x(k) = modelos semejantes al cerebro humano,
[x(k)…x(k-n+1)] es el vector de estado del funcionan como redes de computación de
mismo. distribución paralela. Quizás la ventaja más
La salida del sistema difuso TSK es un importante de las redes neuronales es su
promedio pesado de los valores de los adaptabilidad. Ellas pueden automáticamente
consecuentes de las reglas, por lo que se ajustar sus parámetros (pesos) para optimizar
simplifica el sistema. La fórmula de inferencia comportamiento. La adaptación permite que
es: puedan funcionar correctamente, aun cuando el
ambiente o el sistema controlado varíe en el
L L
tiempo. Hay muchos problemas de
∑ w y ∑ w (b
i =1
i i
i =1
i i0 + b i1x1 + ⋅ ⋅ ⋅ + b ir x r )
identificación y control que pueden
y= L
= L
(9)
beneficiarse con una adaptación y modelación
∑w
i =1
i ∑w
i =1
i no lineal continua.
Dyna 153, 2007 337
ANFIS es un sistema neuro-difuso que Capa 5: Calcula la salida total del sistema de
combina las ventajas de los sistemas borrosos inferencia difuso.
y de las redes neuronales. Como sistema difuso
no requiere de un gran conjunto de datos y ∑w f i i
proporciona transparencia, suavidad
representación del conocimiento previo. Como
y f= ∑i
w if i = i
∑w i
(17)
paramétrica.
A
El sistema de inferencia anterior consta de 9
reglas con funciones de membresía tipo
campana de Gauss. El comportamiento del
f modelo (“*” en tono de grises) en relación a
B
_
los datos de chequeo utilizados (“o” en tonos
∏ N w2f2 negros) se muestra en la Fig. 5. El error
y dinámico se indica en la Fig. 6 para el mismo
B _ conjunto de datos experimentales.
B w
x
Figura 4. Arquitectura de ANFIS.
Figure 4. ANFIS arquitecture.
Como se puede apreciar, el modelo describe al El desempeño del modelo comparado con los
proceso no lineal con un error de prueba datos reales se observa en la Fig. 7. En este
máximo de 0.0022, lo cual pone en evidencia caso resultó un 41% de fijación del modelo a
el carácter adecuado del mismo al proceso los datos reales, lo cual no se considera
real. favorable.
Las funciones de pertenencia utilizadas en
CSTR_Fis son del tipo campana de Gauss;
pero con otros tipos, tales como la triangular,
trapezoidal, etc. se obtuvieron errores de
predicción totalmente satisfactorios también.
[14] BARANYI P, YAM Y, VARKONYI- [23] SU M.C, CHOU C.H, LAI E. y LEE J. A
KÓCZY A, PATTON R.J, MICHELBERGER new approach to fuzzy classifier systems and
P. y SUGIYAMA M. SVD Based Reduction to its application in self-generating neuro-fuzzy
TS Fuzzy Models. IEEE Transaction on systems. Neurocomputing, Vol. 69, No. 4-6,
Industrial Electronics, Vol. 49, No. 2, 2002, 2006, pp. 586-614.
pp. 433-443.
[24] WANG L.X. A course of fuzzy systems
[15] CHEN C.C. and WONG C.C. and control. Prentice Hall PTR, NJ, 1997.
Significant fuzzy rules extraction by an SVD–
QR-based approach. Cybernetics and Systems, [25] SONG Z. y KUSIAK A. Constraint-
Vol. 36, No. 6, 2005, pp. 597-622. Based Control of Boiler Efficiency. A Data-
Mining Approach. IEEE Transaction on
[16] HERRERA F. y MARTÍNEZ B.L. Industrial Informatics. Vol. 3, No 1, Feb 2007.
Reducción de Complejidad en Modelos
Difusos, Memorias de XI Congreso [26] JANG J.S.R; ANFIS. Adaptive-network
Latinoamericano de Control Automático, La based fuzzy inference system. IEEE
Habana, Cuba. 2004. Transaction on Systems, Man and
Cybernetics, 23, 665-685, 1993.
[17] TAKACS O. y VARKONYI-KOCZY
A.R. SVD-based complexity reduction of rule- [27] JANG J.S.R, SUN R. y MIZUTANI,
bases with nonlinearantecedent fuzzy sets. C.T. Neuro-Fuzz and soft computing. Prentice
IEEE Transactions on Instrumentation and Hall, may, N.J, 1997.
Measurement, Vol. 51, No. 2, 2002, pp. 217-
221. [28] SUGENO M. y KANG G.T. Successive
identification of fuzzy model. Fuzzy Sets and
[18] YEN J, WANG L. y GILLESPIE W. A systems, 28 (1), 15-3, 1988.
global local learning algorithm for identifying
Takagi_Sugeno_Kang Fuzzy ModeL. IEEE [29] TAKAGI T. y SUGENO M. Fuzzy
International Conference on Fyzzy Systems. idewntification of systems and it applications
Anchorage, Alaska, May 4-9, 1998. to modeling and control. IEEE Trans. On
Systems, Man and Cybernetic, 15(1), 116 -
[19] KORTMANN y P. UNBEHAUEN H. 132, 1993.
Structure identification of functional-type
fuzzy models with application to modeling [30] ESPINOSA J, VANDEWALLE J. y
nonlinear dynamic plants. In: Lectures notes WERTZ, V.Fuzzy Logic, Identification and
on Computer Science 1226. Ed. Bernd Reusch: Predictive Control. London. Springer, 2005.
Computational Theory and Applications
Internacional Conference, 5th Fuzzy Days. [31] ESAFEI A.L. y KARA Y.F. Variable-
Dortmund, 1999. structure-based fuzzy-logic indentification of a
class of nonlinear systems. Control Systems
[20] CORDÓN O, GOMIDE F, HERRERA Technology. IEEE Transactions on Automatic
F, HOFFMANN F. y OTROS. Ten years of Control. Vol. 13, Issue 4, July 2005, pags. 646-
genetic fuzzy systems: current framework and 653.
new trends. Fuzzy Sets and Systems, Vol. 141,
No. 1, 2004, pp. 5-31. [32] RODRIGUEZ M. A.Control Predictivo
de un Reactor Lineal con Restricciones, XI
[21] REYES I. Modelación de un biorreactor congreso Latinoamericano de control
usando técnicas neuro difusas, Tesis de Automático, Informática-2004, Habana, Cuba.
Maestría, Universidad Central de Las Villas, Mayo, 2004.
Santa Clara, Cuba. 2005.
[33] MARTINEZ B. Identificación Difusa de
[22] ESPINOSA J. y VANDELWALL J. un Bioreactor. Tesis de Maestría en Ingeniería
Predictive Control Using Fuzzy Model, 3th en Automática, Universidad Central de Las
On-Line World Conference on Soft Villas, Cuba, 2000.
Computing in Engineering and Manufacturing.