Diseño y Simulación de Observadores de Estado Para Un Proceso de Polimerización De
-
Upload
jesse-mauricio -
Category
Documents
-
view
9 -
download
0
description
Transcript of Diseño y Simulación de Observadores de Estado Para Un Proceso de Polimerización De
Diseño y Simulación de Observadores de Estado
para un Proceso de Polimerización de
Metacrilato de Metilo
Por:
Esteban Ocampo Ordoñez
IE
Trabajo dirigido de grado para optar al título de
Ingeniero de Control
Director:
Héctor Antonio Botero Castro
IE, M.Sc, Ph.D.
Universidad Nacional De Colombia
Sede Medellín
Facultad de Minas
2012
Agradecimientos
A Mis padres por enseñarme el valor de la perseverancia y la voluntad que han sido indispensables
para hacer realidad mis sueños y por su apoyo incondicional, han sido el bastón y la guía para mi
camino por la vida.
A mis hermanos, familiares y amigos que han llenado de alegría y enseñanza cada momento que
con ellos he compartido.
A los profesores Héctor Antonio Botero y Jose Fernando Tirado por el apoyo y la orientación en la
realización de este trabajo.
A la Universidad Nacional y a sus profesores que han hecho de esta la mejor experiencia de
formación para forjar las herramientas del conocimiento, que me permitirán contribuir al desarrollo
de un mundo mejor.
Universidad Nacional de Colombia
________________________________________________________________________________
RESUMEN
En los procesos en general en ocasiones se presenta la dificultad de la medición de variables de
interés, ya sea por el alto costo de la instrumentación o por los impedimentos físico y/o químicos
para realizar la medición, Los Estimadores de Estado son una solución para estas dificultades
puesto que a partir de un modelo del proceso y con el conocimiento de las entradas y salidas de este
es posible obtener el conocimiento de todas las variables de estado.
El objetivo de este trabajo de grado es diseñar dos Estimadores de Estado, un filtro de Kalman
extendido FKE y un observador no lineal para comparar el desempeño de éstos en la estimación de
los estados en un reactor de polimerización de metacrilato de metilo MMA.
El desarrollo de este trabajo se divide en tres partes, las primera es el conocimiento del problema,
para esto se realiza una revisión del procesos de polimerización de metacrilato de metilo, seguido de
una revisión de los estimadores más usuales en este tipo de procesos.
La segunda parte del trabajo se estudia el modelo del proceso de metacrilato de metilo que tiene
lugar en un reactor continuo de tanque agitado CSTR, además de los fundamentos teóricos para el
diseño del observador de Luenberger, y el filtro de Kalman.
La tercera parte se realiza la prueba del los diseños de los estimadores por medio de la comparación
de las simulaciones, se usa un criterio de desempeño IAE y se evalúan en: condiciones iníciales
diferentes, ruido en la medición y cambio de los parámetros de la planta. Finalmente se obtiene las
conclusiones del trabajo.
Palabras claves: Estimador de Estado, Proceso de Polimerización, Medición de variables,
Metacrilato de Metilo, Observabilidad, Detectabilidad, Observador de Luenberger, filtro de
Kalman, Momento de Orden, Promedio de peso molecular.
Universidad Nacional de Colombia
________________________________________________________________________________
Abstract
In the overall process sometimes presents the difficulty of measuring variables of interest, either by
the high cost of instrumentation or physical and / or chemicals impairments to make the
measurement, The State Estimators are a solution to these difficulties as from a process model and
the knowledge of the inputs and outputs of this is possible to obtain the knowledge of all state
variables.
The aim of this work is to design two estimators degree of state extended Kalman filter and an
observer nonlinear compare the performance of these in the state estimation in a polymerization
reactor of methyl methacrylate MMA.
The development of this paper is divided into three parts, the first is knowledge of the problem, this
is a review of the processes of polymerization of methyl methacrylate, followed by a review of the
most common estimators in such processes.
The second part of the model is studied methyl methacrylate process that takes place in a
continuous stirred tank reactor CSTR, as well as the theoretical basis for the design of the
Luenberger observer and Kalman filter.
The third part is done the test of designs of the estimates by comparing the simulations, it used a
performance criterion IAE and evaluated: different initial conditions, measurement noise and
change the parameters of the plant . Finally we get the conclusions.
Keywords: State Estimator, Polymerization Process, Measurement of variables, methyl
methacrylate, Observability, Detectability, Luenberger Observer, Kalman filter, Time of Order,
Average molecular weight.
Universidad Nacional de Colombia
________________________________________________________________________________
INDICE
Capitulo 1 ........................................................................................................................................... 6
1. Introducción ................................................................................................................................ 6
1.1. Descripción del problema .................................................................................................... 6
1.2. Revisión de la literatura ....................................................................................................... 7
1.3. Organización del trabajo ................................................................................................... 11
Capitulo 2 ......................................................................................................................................... 12
2. Proceso De Polimerización ....................................................................................................... 12
2.1. Descripción de la polimerización ...................................................................................... 12
2.2. Poli-metil-metacrilato (PMMA) ........................................................................................ 14
2.3. Modelo Fenomenológico de un Reactor de Polimerización de MMA .............................. 15
Capitulo 3 ......................................................................................................................................... 19
3. Diseño de Observadores para el Polimerizador de MMA ......................................................... 19
3.1. Prueba de Observabilidad .................................................................................................. 19
3.1.1. Observabilidad en un Sistema Lineal ........................................................................ 20
3.1.2. Observabilidad local en un Sistema No Lineal ......................................................... 20
3.2. Prueba de observabilidad en el reactor de polimerización de (MMA) .............................. 21
3.3. Observador de Luenberger ................................................................................................ 23
3.3.1. Observador De Luenberger Extendido ...................................................................... 24
3.4. Filtro de Kalman................................................................................................................ 25
3.4.1. Filtro de Kalman Extendido (FKE) ........................................................................... 26
Capitulo 4 ......................................................................................................................................... 27
4. Comparación de los Estimadores y Conclusiones ..................................................................... 27
4.1. Índice de desempeño ......................................................................................................... 27
4.2. Comparación de los Estimadores ...................................................................................... 27
4.2.1. Modelo No Lineal vs Modelo Linealizado ................................................................ 27
4.2.2. Luenberger Lineal vs Luenberger Extendido ............................................................ 29
4.2.3. Filtro de Kalman vs Filtro de Kalman Extendido .................................................... 33
4.2.4. Luenberger Lineal vs Filtro de Kalman ................................................................... 35
4.2.5. Luenberger con modelo no lineal vs Filtro de Kalman Extendido ........................... 38
4.3. Análisis de Resultados ...................................................................................................... 40
4.4. Conclusiones ..................................................................................................................... 41
BIBLIOGRAFIA ............................................................................................................................. 42
Universidad Nacional de Colombia
________________________________________________________________________________
Lista de Figuras
Figura 1. Una clasificación de estimadores de estado estocásticos [2]. .............................................. 9
Figura 2. Polimerización de metil metacrilato (PMMA). ................................................................. 12
Figura 3. 2,2'-azo-bis-isobutirilnitrilo (AIBN). ................................................................................ 12
Figura 4 Fragmentos de iniciador (radicales libres). ......................................................................... 13
Figura 5. Proceso de polimerización de MMA en un CSTR. ............................................................ 15
Figura 6. Graficas de las linealización del modelo vs el modelo no lineal. ...................................... 28
Figura 7. Gráficas de la prueba uno comparación de OL vs ONL. .................................................. 30
Figura 8. Gráficas de la prueba uno comparación de OL vs ONL. .................................................. 31
Figura 9. Entradas para la comparación FK vs FKE. ........................................................................ 33
Figura 10. Graficas de la simulación FK vs FKE.............................................................................. 34
Figura 11. Graficas de la simulación FK vs FKE.............................................................................. 35
Figura 12. Graficas de comparación entre OL y FK. ........................................................................ 36
Figura 13. Graficas de comparación de OL vs FK variables estimadas. ........................................... 37
Figura 14. Gráfica de las entradas para la comparación de ONL vs FKE. ........................................ 38
Figura 15 Gráfica de la comparación de ONL vs FKE en estados estimados. ................................. 39
Figura 16. Gráfica de la comparación de ONL vs FKE para los momentos de orden cero y orden
uno. .................................................................................................................................................... 40
Lista de Tablas
Tabla 1. Resultados de las simulaciones [1]..................................................................................... 10
Tabla 2. Pasos del proceso de polimerización [2]. ............................................................................ 15
Tabla 3. Descripción de las variables de Estado. .............................................................................. 16
Tabla 4. Parámetros de diseño y operación del proceso. ................................................................... 18
Tabla 5. Puntos de operación del proceso. ........................................................................................ 18
Tabla 6. Punto de operación. ............................................................................................................. 21
Tabla 7. Índice de desempeño prueba 1. ........................................................................................... 32
Tabla 8. Índice de desempeño prueba 2. ........................................................................................... 32
Tabla 9 Índice de desempeño filtro de Kalman vs filtro de Kalman extendido. ............................... 33
Tabla 10. Índice de desempeño para comparación entre OL y FK. .................................................. 35
Tabla 11. Índice de desempeño filtro de Kalman vs filtro de Kalman extendido. ............................ 38
Tabla 12. Resumen de los resultados del error de estimación. .......................................................... 40
Capítulo 1. Introducción al Problema
________________________________________________________________________________
6
Capítulo 1
1. Introducción
En este capítulo se realiza una descripción del problema que se trabajara en todo el documento,
posteriormente se presenta una revisión de algunos artículos para ampliar el contexto en el cual se
desarrolla el problema y finalmente se realiza una breve descripción de la organización del trabajo.
1.1. Descripción del problema
Los productos de polímeros se utilizan en un gran número de aplicaciones. La calidad, capacidad de
procesamiento, y la utilidad de estos productos dependen en gran medida de la distribución del peso
molecular (MWD) del polímero, que se especifica en la etapa de síntesis.
El MWD es medido por medio de las cadenas de orden cero y de primer orden del polímero; estos
son difíciles y costosos de medir.
En muchos casos, se realizan procedimientos previos para adecuar el MWD con el fin de
caracterizar la calidad de los productos de los polímeros. En la práctica, cuando el MWD es medido
en línea se generan retrasos importantes de tiempo, lo cual limita el control en los reactores.
Esta situación ha llevado a que la calidad de los productos obtenidos por medio de procesos no sean
controlados de manera directa; sino por medio de variables como la temperatura y otras variables de
operación. Sin embargo los resultados en algunas ocasiones no cumplen con los estándares de
calidad requeridos.
Para mejorar los resultados del control de este proceso se usa la estimación de las variables del
proceso por medio de observadores de estado.
En este trabajo se estudia el proceso, y se propone el diseño de un filtro de Kalman extendido FKE
y un observador no lineal para comparar el desempeño de éstos en la estimación de los estados del
reactor de polimerización.
Capítulo 1. Introducción al Problema
________________________________________________________________________________
7
1.2. Revisión de la literatura
En [1] se realiza una revisión de la literatura para comprender la conducta de los CSTR (reactor
continuo de tanque agitado) en el cual se lleva a cabo la reacción del proceso de polimerización que
se está estudiando en este trabajo, este posee conductas no lineales, múltiples estados y inestabilidad
en reacciones químicas exotérmicas, además se encuentran muchos tipos de fenómenos como
bifurcaciones, ciclos de histéresis; se enfatiza en las conductas complejas que se presentan incluso
en los sistemas de reacciones simples, El conocimiento de estas conductas es importante para el
diseño, la optimización, la estimación y el control.
La estimación y el control de los reactores de polimerización se presentan como un problema
complejo, esta situación se atribuye a la extrema sensibilidad de los estados estables a pequeños
cambios en los parámetros de los valores y las condiciones de operación y las altas no linealidades
que las dinámicas de los reactores contienen.
En el artículo se usan dos métodos el diagrama de bifurcaciones y el diagrama de multiplicidad
global para definir con estos las regiones de inestabilidad del sistema y comprender la manera en
que los cambios de diseño afectan los estados estables en lazo abierto del comportamiento no lineal.
Este conocimiento puede ser usado para remover las regiones donde la operación no es posible, o
donde el sistema puede ser difícil de controlar.
Los parámetros que son estudiados en el artículo para modificar el comportamiento no lineal de la
planta son: alfa (dimensiones del volumen de reactor) y beta (dimensión del calor de la reacción),
los cambios de estos llevaran a modificar el comportamiento del sistema, permitiendo la operación
en las regiones deseadas.
Del análisis realizado acerca del comportamiento del sistema se identifico los siguientes ítems:
El incremento del flujo de agua de refrigeración ocasiona un aumento en el incremento del
MWD.
Un pequeño incremento en la concentración del iniciador (que es obtenido al usar menos
cantidad de solvente) llevaría a una repentina subida de la temperatura, (esto sucede porque
más radicales son formados llevando a grandes efectos exotérmicos) llevando el MWD a
valores muy pequeños.
Por otro lado un decremento en la concentración del iniciador resultaría en pequeñas
modificaciones de temperatura del reactor y en pequeñas variaciones del MWD y las
propiedades del polímero.
El flujo del iniciador puede ser usado para control de lazo cerrado o podría tomar un papel de
perturbación en el proceso.
Capítulo 1. Introducción al Problema
________________________________________________________________________________
8
En [3] se usa un estimador FKE en un reactor de polimerización, en el que toma lugar una
polimerización en suspensión de metacrilato de metilo. Se valida un modelo que se propone en la
literatura, a través de un configuración experimental. Usando este modelo y solo tomando en cuenta
una sola salida medida del reactor, la temperatura, se logra estimar el promedio del peso molecular.
Los momentos muertos del polímero no son observables (D0, D1, D2), son detectables. Desde la
medida de temperatura, el vector de estados que será actualizado contiene solo los estados
observables (Cm, Ci,T), por lo tanto la estimación se hace con un FKE para los estados observables,
y con un observador en lazo abierto para los estados detectables
Si alguna de las mediciones puede ser considerada como libre de ruido, la ganancia del filtro se
puede volver infinita.
El FKE puede volverse inestable, particularmente cuando el problema está mal condicionado, para
evitar esto se pueden usar métodos sugeridos en la literatura como las raíces cuadradas de Potters, y
la factorización de Biermans U-D.
Cuando alguna de las perturbaciones es no estacionaria o hay errores en el modelo, el filtro puede
divergir o proporcionar una estimación parcial. para evitar esto se puede incrementar los elementos
del proceso de ruido de la matriz de covarianzas la cual es equivalente a agregar ruido ficticio al
sistema, alternativamente se puede calcular la matriz de covarianzas Q de una manera adaptativa,
otro forma es incorporar pocas perturbaciones no estacionarias.
El Filtro de Kalman extendido (FKE), fue probado en el [3] mediante simulación experimental en
presencia de ciertos parámetros de incertidumbre. Donde agregaron ruido ficticio a los parámetros.
Pesentan cuatro casos para la prueba del filtro. La matriz de covarianza de la medición de salida R
es 0.0015. Las matrices Po y Q son expuestas en el artículo para los diferentes casos probados.
En [3] los resultados de la simulación indicaron que si todas las incertidumbres del modelo pueden
ser descritas como ruido blanco, entonces la estimación converge sin error. Para mejorar la
estimación en presencia de incertidumbre en los parámetros y o perturbaciones no estacionarias, se
puede ingresar ruido ficticio y o parámetros como estados del sistema mejorando de esta manera la
estimación de estados no detectables. De los análisis realizados en el artículo se expone que cuando
la incertidumbre de los parámetros es desconocida, la mejor selección para los parámetros de
estados es la masa inicial del monómero.
En [5] usaron, un método de diseño para observadores no-lineal de orden reducido, en un reactor de
polimerización de metacrilato de metilo para el cual estiman la concentración del iniciador, la
concentración del solvente y los momentos para hallar el MWD, en distintos escenarios de
estimación. La convergencia global del observador no lineal la demuestran en uno de los escenarios
de medición. La aplicación y el rendimiento del método de diseño de observadores no lineales los
comparan con los de un FKE.
Para el primero de los casos de comparación usan como vector de salidas y = [Cm; T; Tj]; la
concentración del iniciador Ci es observable, y las variables Cs concentración de solvente y los
momentos de D0, D1, D2 no son observables pero si son detectables. En este caso el observador de
orden reducido presenta una dinámica del error globalmente asintóticamente estable, sin embargo
Capítulo 1. Introducción al Problema
________________________________________________________________________________
9
las ganancias que modifican la dinámica del observador solo puede ser ajustadas para mejorar la
convergencia de los estados observables. En la simulación se prueban dos observadores no lineales
y dos FKE, en dos condiciones iníciales diferentes, correspondientes al 50 % y al 150 % de la
condición inicial del proceso. De esta simulación se puede observar que el FKE es un mucho más
lento que el observador no lineal.
Para otro caso de comparación el vector de salida incluye la medida del Mw = D2 / D1 esta es
inferida de la medida de viscosidad quedando como vector de salidas y = [Cm; T; Tj, Mw]. En este
caso se presenta mejores resultados de estimación debido a que se infiere la medida del MWD por
medio de la viscosidad, haciendo observables los momentos de orden cero y de orden 1.
El diseño y la implementación del observador no lineal son más fáciles en comparación con el FKE.
Los resultados de simulación muestran que en algunos casos el observador de estado no lineal
supera el FKE para los estados observables, y exhiben un comportamiento similar con respecto los
estados no son observables [5].
Las teorías de estimación se han aplicado en muchos procesos de ingeniería, los FKE han sido muy
usado sin embargo presentan un bajo desempeño cuando se presenta ruido gaussiano propios de las
no linealidades de las dinámicas de dichos procesos [2].
En la actualidad se estudian diferentes tipos de Estimadores para su implementación en procesos
donde se presentan fuertes dinámicas no lineales. A continuación se presenta un mapa conceptual
en el cual se expone la clasificación de los Estimadores Estados estocásticos [2].
Figura 1. Una clasificación de estimadores de estado estocásticos [2].
Los estimadores no lineales tales como los UKF, y filtros de partículas PF, han sido desarrollados
direccionados en las limitaciones teóricas de los FKE, en [2] se estudia el efecto de estos y su
Capítulo 1. Introducción al Problema
________________________________________________________________________________
10
desempeño practico en el proceso de polimerización de MMA que se da en un reactor de tanque
agitado CSTR, bajo diferentes escenarios de estados, medición de ruido y cambios en el modelo.
El FKE es computacionalmente costoso para los sistemas de orden superior, ya que
requiere el cálculo del Jacobiano en cada paso de tiempo. Si hay malas estimaciones del
estado inicial o desajustes en el modelo de la planta podría hacer que el filtro diverja. Sin
embargo, el FKE exhibe un rendimiento superior en escenarios donde los supuestos subyacentes
son válidos.
El FKE requiere la linealización de la dinámica del modelo, Además, se requiere que el vector de la
función no lineal sea suave y diferenciable, los cual no resulta para muchos sistemas híbridos que
involucrar a los estados continuos y discretos; Por tales razones en algunos casos es necesario
aplicar estimadores alternos que proporcionen una mejor solución al problema de Estimación, como
el UKF y el PF y que se basan en una solución aproximada de las ecuaciones dinámicas en lugar de
resolver las ecuaciones lineales que se obtienen mediante la aproximación de la dinámica del
sistema.
En la siguiente tabla se presenta los resultados obtenidos en el artículo [2] para los tres estimadores
probados, de estas se resalta el desempeño que tienen el UKF y el PF, resultan ser más robustos en
comparación con el FKE en los seis casos analizados.
Tabla 1. Resultados de las simulaciones [1].
Caso Ruido en la
medición
Ruido en los
estados
Inconsistencias en el
Modelo-planta
Conclusiones de desempeño
(filtros escogidos)
1 G - - FKE,UKF,PF
2 G G - UKF, PF
3 NG NG - UKF, PF
4 NG - - FKE,UKF,PF
5 NG - En Parámetros UKF, PF
6 NG - Parámetros estimados UKF, PF
Para un modelo de la planta perfectamente igual, el FKE es capaz de proporcionar una buena
estimación, como resulta para los casos 1 y 4
Cuando hay ruido no gaussiano en los estados después de pasar por las dinámicas no lineales, el
FKE presenta un pobre desempeño como se percibe en los casos 2 y 3
Cuando hay falta de coincidencia entre el modelo y la planta el UKF y PF presentan mejor
desempeño que el FKE.
De lo que se puede deducir que el FKE trabaja bien cuando la aproximación lineal de las ecuaciones
del sistema representas las dinámicas del sistema.
En el caso 6 se presenta estimación de parámetros, se prefieren el UKF y PF frente al FKE, siendo
la diferencia en el error de estimación muy poca entre estos, sin embargo debido a que en este caso
Capítulo 1. Introducción al Problema
________________________________________________________________________________
11
pequeños cambios del parámetro estimado tiene efectos muy grandes sobre las demás variables del
sistema, se requiere mayor precisión en la estimación.
El desempeño de los estimadores varia con base en el grado de no linealidades del sistema
dinámico, del los niveles de ruido en las mediciones y en los estados y del grado de discrepancia
entre el modelo y la planta.
Se reconoce por lo tanto que el UKF y el PF presentan mejor desempeño para los procesos
químicos que el FKE eso es porque la aproximación de linealizacion del FKE no captura las altas
no linealidades de las dinámicas del proceso. Las altas no linealidades en las dinámicas se exhiben
cuando el ruido de covarianza es alto.
1.3. Organización del trabajo
El trabajo presentado en este documento está organizado de la siguiente manera, en el capítulo 2
se presenta una descripción del proceso de polimerización de metacrilato de metilo (MMA) y las
ecuaciones de un modelo para la polimerización de MMA en un reactor de tanque agitado CSTR en
el cual se considera la dinámica de temperatura. En el capítulo 3 se realiza la prueba de
observabilidad del modelo y el diseño de los estimadores, en el capítulo 4 se lleva a cabo la
comparación de los estimadores de estado; se presentan los resultados y las conclusiones obtenidas
de la comparación y el diseño de ambos estimadores.
Capítulo 2. Proceso de Polimerización
________________________________________________________________________________
12
Capítulo 2
2. Proceso De Polimerización
En este capítulo se realiza una descripción del proceso de polimerización de MMA, y de las
ecuaciones del modelo para un reactor de polimerización MMA continuo de tanque agitado, para el
cual se tuvieron en cuenta la dinámica de temperatura.
2.1. Descripción de la polimerización
Durante la fabricación de un polímero, se parte del monómero que es la estructura básica que se
repite miles de veces, está estructura es estándar y dependiendo de ella es el nombre que recibe el
polímero, en este caso se tiene el metil metacrilato y por medio de polimerización vinílica de
radicales libres se obtiene el poli (metacrilato de metilo) (PMMA) como se indica en la Figura 1.
Figura 2. Polimerización de metil metacrilato (PMMA).
La polimerización por radicales libres. Se emplea para sintetizar polímeros a partir de monómeros
vinílicos, es decir, pequeñas moléculas que contienen enlaces dobles carbono-carbono, este proceso
se puede clasificar en varias etapas:
El proceso comienza con una molécula llamada iniciador. Este puede ser por ejemplo el 2,2'-azo-
bis-isobutirilnitrilo (AIBN).
Figura 3. 2,2'-azo-bis-isobutirilnitrilo (AIBN).
Capítulo 2. Proceso de Polimerización
________________________________________________________________________________
13
Estas moléculas, poseen la inexplicable habilidad de escindirse o desaparear el par de electrones. El
par de electrones del enlace que se rompe, se separa Cuando ocurre esta escisión, quedan dos
fragmentos llamados fragmentos de iniciador, provenientes de la molécula original, cada uno con
un electrón desapareado. Las moléculas como éstas, con electrones desapareados reciben el nombre
de radicales libres.
Figura 4 Fragmentos de iniciador (radicales libres).
El doble enlace carbono-carbono de un monómero vinílico como el etileno, tiene un par electrónico
susceptible de ser fácilmente atacado por un radical libre. El electrón desapareado, cuando se acerca
al par de electrones, se roba uno de ellos para aparearse. Este nuevo par electrónico establece un
nuevo enlace químico entre el fragmento de iniciador y uno de los carbonos del doble enlace de la
molécula de monómero. Este electrón, sin tener dónde ir, se asocia al átomo de carbono que no está
unido al fragmento de iniciador. Teniendo un nuevo radical libre.
El proceso completo puede clasificar en las siguientes etapas:
Iniciación: desde la ruptura de la molécula del iniciador para generar radicales hasta la reacción
del radical con una molécula de monómero.
Propagación: es la adición de moléculas monoméricas a las cadenas en crecimiento, esto sucede
porque se regenera el radical, y se continúa con el agregado de más y más moléculas. Las
reacciones como éstas que se auto-perpetúan, son denominadas reacciones en cadena.
Terminación: esta se lleva a cabo por acoplamiento o por desproporción debido a que los
radicales son inestables y finalmente van a encontrar una forma de aparearse sin generar un
nuevo radical. Entonces la reacción en cadena comenzará a detenerse.
La calidad del polímero depende de la distribución del peso molecular (MWD), el cual es obtenido
por medio de los momentos de orden cero y orden uno, estos dan un indicio acerca de la longitud
de la cadena del polímero, está depende principalmente de la concentración del iniciador.
Momento de orden 0: Físicamente representa la concentración total de partículas para un
instante dado y un punto dado.
Momento de orden 1: Físicamente no tiene significado, pero si se divide por el momento de
orden 0, representa el diámetro medio de las partículas de la distribución:
Capítulo 2. Proceso de Polimerización
________________________________________________________________________________
14
2.2. Poli-metil-metacrilato (PMMA)
El PMMA es miembro de una familia de polímeros que los químicos llaman acrilatos, o
comúnmente conocidos como acrílicos.
El poli-metil metacrilato es un material amorfo, duro, rígido y transparente. Tienen una resistencia
al envejecimiento extremadamente buena, si se le compara con los demás materiales termoplásticos.
Es usado como material irrompible en reemplazo del cristal.
Las propiedades ópticas del PMMA son importantes; Absorbe muy poca luz y cuando la luz incide
normalmente, hay un 4 % de reflexión. Por lo tanto, la transmisión de la luz que incide
normalmente sobre una plancha de material acrílico puro es del 92 % aproximadamente.
Debido a su naturaleza polar el polimetil metacrilato no presenta propiedades de aislante eléctrico,
debido a que los grupos polares se encuentran en la cadena lateral el polímero presenta alta
constante dieléctrica y alto factor de pérdidas a temperaturas por debajo de la Tg.
Es soluble en disolventes tales como acetato de etilo (18.6), bicloruro de etileno (20.0),
tricloroetileno (19), cloroformo (19) y tolueno (20), todo ellos en unidades (MJ/m3)1/2.
La mayor parte de las aplicaciones del poli-metil-metacrilato provienen de su excelente transmisión
de luz y de sus buenas propiedades de resistencia al envejecimiento por exposición a la intemperie.
Por estas cualidades es utilizado en la industria del automóvil, iluminación, cosméticos,
espectáculos, construcción y óptica, entre muchas otras. En el mundo de la medicina se utiliza la
resina de PMMA para la fabricación de prótesis óseas y dentales y como aditivo en polvo en la
formulación de muchas de las pastillas que podemos tomar por vía oral. Se utiliza para hacer las
superficies de las bañeras, piletas de cocina y tinas de baño, duchas de una sola pieza, Además es
muy apropiado para placa de propaganda.
A nivel de laboratorio se puede obtener PMMA por vía radical o aniónica, en disolución, en bloque,
en suspensión o en emulsión. Pero industrialmente su obtención es por polimerización radical:
En bloque o por síntesis en colada: el polímero se obtiene en un molde y adopta la forma
definitiva con la que será utilizado
En suspensión: formando una pequeñas partículas esféricas o perlas que pueden ser moldeadas
por extrusión o por inyección.
Capítulo 2. Proceso de Polimerización
________________________________________________________________________________
15
2.3. Modelo Fenomenológico de un Reactor de Polimerización de MMA
La polimerización de (metil metacrilato) MMA toma lugar en un CSTR con un iniciador y un
solvente. La reacción es exotérmica, Se usa una chaqueta refrigerante para remover el calor de la
reacción [2]. En la Figura 5, se muestra un esquema del proceso.
Figura 5. Proceso de polimerización de MMA en un CSTR.
En este proceso de polimerización de MMA, se usa AIBN como el iniciador y tolueno como
solvente. El mecanismo de reacción se da por radicales libres, y está constituido por los siguientes
pasos de la tabla 2:
Tabla 2. Pasos del proceso de polimerización [2].
Iniciación
Propagación
Transferencia de Monómero
Terminación por Adicción
Terminación por Desproporción
Donde I es el iniciador, P el polímero, M monómero, R radicales, y D terminación del polímero.
Capítulo 2. Proceso de Polimerización
________________________________________________________________________________
16
De los modelos encontrados en [5], [4] y [3], Se escoge el encontrado en [4] por incluir las
dinámicas de temperatura.
Los supuestos para el modelo matemático para el sistema reportador en [4], son:
A. El contenido en el reactor es perfectamente mezclado.
B. La densidad y la capacidad de calor de la mezcla de la reacción es constante.
C. La densidad y la capacidad de calor del fluido refrigerante también es constante.
D. La temperatura del fluido es uniforme.
E. La reacción solo ocurre en el interior del reactor.
F. No hay efecto gel (la conversión de monómero es bajo y la proporción de solvente
mezclado en la reacción es muy alta).
G. El volumen del reactor es constante.
H. La reacción de polimerización ocurre por el mecanismo de radicales libres.
Tabla 3. Descripción de las variables de Estado.
NOMBRE
GENÉRICO
SIMBOLO
GENÉRICO
SIMBOLO
ESPECÍFICO
NOMBRE ESPECÍFICO
Estados
x1 (Cm) Concentración del monómero a la salida
x2 (CI) Concentrador del iniciador a la salida
x3 (T) Temperatura en el reactor
x4 (Do) Momento de orden cero de la distribución de la
longitud de la cadena
x5 (D1) Momento de orden uno de la distribución de la
longitud de la cadena
x6 (Tj) Temperatura en la chaqueta
El modelo matemático se compone de seis estados (Cm, Ci, T, D0, D1, Tj) representado por seis
ecuaciones diferenciales no lineales que aparecen a continuación.
Capítulo 2. Proceso de Polimerización
________________________________________________________________________________
17
Las constantes de la reacción están definidas por la siguiente ecuación:
El estado Do y D1 solo aparece en el respectivo balance de las ecuaciones 4 y 5 por lo tanto demás
estado son independientes de estos dos. El promedio del peso molecular del polímero (MWD) está
definido como el cambio entre D1/ Do [3].
Las mediciones posibles en la solución del reactor de polimerización incluyen, la densidad, la
viscosidad, el MWD de la mezcla de la reacción, la temperatura y la presión.
La densidad y la viscosidad la temperatura y la presión pueden ser medidas en línea, estas medidas
están disponibles a suficientes altas frecuencias. Pueden ser consideradas como funciones continuas
en el tiempo por su rápida medición.
El MWD también puede ser obtenida por la permeación cromatografíca del gel GPC, está medida es
disponible con retardos significativos por tener usualmente una baja tasa de muestreo.
Capítulo 2. Proceso de Polimerización
________________________________________________________________________________
18
Los parámetros de diseño y operación del proceso están contenidos en la tabla 2.
Tabla 4. Parámetros de diseño y operación del proceso.
El sistema exhibe tres estados estables según el análisis realizado en [3] En la tabla 3. Se muestran
los estados estables y sus respectivos valores propios. El punto de operación definido como optimo
se denota como el estado 1. Dos de los tres estados son estables y uno de ello es inestable.
Tabla 5. Puntos de operación del proceso.
Estados 1 (Optimo) 2 3
El modelo matemático usado junto con los supuestos del modelo, podrían solo ser usados para un
propósito practico para el primer y segundo estados donde la conversión obtenida es baja (7.8% y
8.9%, respectivamente). En este estado es perfectamente válido descuidar el efecto gel porque
normalmente tal efecto puede aparecer para conversiones alrededor de 20 y 30 % incluso cuando se
usa solvente. Por lo tanto el efecto del solvente debe ser incluido si uno desea un análisis alrededor
del tercer estado estable el cual corresponde a una región de alta conversión [1].
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
19
Capítulo 3
3. Diseño de Observadores para el Polimerizador de MMA
En este capítulo se exponen algunos de los métodos que hay para realizar la prueba de la propiedad
de observabilidad al modelo, además se exponen el procedimiento para el diseño del observador de
Luenberger y el filtro de Kalman en sus versiones para sistemas lineal y no lineal.
3.1. Prueba de Observabilidad
La observabilidad es la propiedad de un modelo para reconstruir el estado x(t) y el estado de
condición inicial x(0), desde el conocimiento de las entradas u(t) y las salidas y(t) en un intervalo de
tiempo definido.
El sistema x = f(x, u) es observable (respuesta a x(0)) si no admite ningún par de estados iníciales
indistinguibles [7].
Un ejemplo de indistinguibilidad es que dos trayectorias de salida iguales provengan de condiciones
iníciales diferentes, por lo tanto los estados iníciales son indistinguibles desde la salida.
La propiedad de observabilidad es una condición suficiente para garantizar que los estados puedan
ser estimados, cuando algunos estados del sistema no son observables se prueba la detectabilidad de
estos, puesto que es una condición necesaria y suficiente para garantizar que los estados pueden ser
estimados.
Se puede decir que un sistema es detectable si el subespacio del estado no observable está contenido
en el subespacio estable del sistema, tal que el error de estimación nunca crecerá indefinidamente
[7].
Para sistemas lineales la propiedad de observabilidad y detectabilidad están bien definidas y no
dependen de la región de operación del sistema, por lo tanto son propiedades globales. Sin embargo
en sistemas no lineales estas propiedades son muy complejas de evaluar y dependen de la región de
operación del sistema, por lo tanto son propiedades locales [7].
Cabe resaltar que si un modelo que representa las dinámicas de un sistema físico, no es observable
ni detectable, se pueden realizar lo siguiente: usar mas variables en la salida (aumentar las variables
medidas), revisar si el modelo representa todas las variables de la planta para agregar las que estén
faltando.
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
20
La ingeniería de control ha logrado extender el concepto de observabilidad de sistemas lineales a
sistemas no lineales, pero con la restricción de probar observabilidad local alrededor de un punto de
operación.
3.1.1. Observabilidad en un Sistema Lineal
Para un sistema lineal invariante en el tiempo representado de la forma:
𝑋 = 𝐴𝑋 + 𝐵𝑈 y 𝑌 = 𝐶𝑋 + 𝐷𝑈
Se dice que el sistema es observable si la matriz de Observabilidad 𝑀𝐴𝐶 tiene rango columna
completo, el rango de la matriz debe ser igual al orden del sistema.
𝑀𝐴𝐶 =
𝐶𝐶𝐴𝐶𝐴2
⋮𝐶𝐴𝑛−1
∴ 𝑟𝑎𝑛𝑔𝑜 𝑀𝐴𝐶 = 𝑛 𝑜𝑟𝑑𝑒𝑛 𝑑𝑒𝑙 𝑠𝑖𝑠𝑡𝑒𝑚𝑎
La detectabilidad en un sistema lineal se puede probar verificando si los polos no re construibles
son estables, es decir si las dinámicas originadas por los polos no re construibles desaparecen con
el tiempo [7].
3.1.2. Observabilidad local en un Sistema No Lineal
Algunos autores analizan la observabilidad mediante álgebra de Lie, basados en el concepto
Espacio de observación So. En este caso se supone que el modelo del proceso es de la forma afín
con la entrada como se expone en [7]
𝑥 = 𝑓 𝑥 + 𝑢𝑖
𝑚
𝑖=1
𝑔𝑖 𝑥 ; 𝑦 = 𝑥
Derivada de Lie: es la derivada de una función suave (continuamente diferenciable) 𝜆(𝑥) a lo largo
de un campo vectorial suave 𝑓. Esa derivada direccional del campo escalar 𝜆(𝑥), con 𝑥 ∈ 𝑅𝑛 , a lo
largo de la dirección de un campo vectorial n-dimensional 𝑓(𝑥), se define como
𝐿𝑓𝜆 𝑥 = 𝜕𝜆 𝑥
𝜕𝑥𝑓 𝑥 .
La derivada de lie recursiva 𝐿𝑓𝑛𝜆 se calcula de la siguiente forma: 𝐿𝑓
0𝜆 = 𝜆 𝑥
𝐿𝑓1𝜆 =
𝜕𝜆 𝑥
𝜕𝑥𝑓 𝑥 ; 𝐿𝑓
2𝜆 = 𝜕 𝐿𝑓
1𝜆
𝜕𝑥𝑓 𝑥 =
𝜕 𝜕𝜆 𝑥
𝜕𝑥𝑓 𝑥
𝜕𝑥𝑓 𝑥 ... 𝐿𝑓
𝑛−1𝜆 = 𝜕 𝐿𝑓
𝑛−2𝜆
𝜕𝑥𝑓 𝑥
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
21
Espacio de observación (So): Espacio vectorial que generan todas las derivadas de Lie, hasta (n-1),
de la función de salida (𝑥) de un sistema expresado en la forma afín en el espacio de estado,
respecto al campo vectorial 𝑓 𝑥 . de una manera abreviada se escribe:
𝑆𝑜 = 𝑔𝑒𝑛 𝐿𝑓0𝜆; 𝐿𝑓
1𝜆; 𝐿𝑓2𝜆 ; … ; 𝐿𝑓
(𝑛−1)𝜆
Distribución de observabilidad local ΔSo: Es la distribución del espacio de observación, que
resulta ser la colección de los gradientes de cada componente del espacio de observación 𝑆𝑜
respecto a las variables de estado x, que se expresa como:
𝛥𝑆𝑜 = 𝑔𝑒𝑛 𝜕𝜑
𝜕𝑥 | 𝜑 𝜖 𝑆𝑜
Con base en este procedimiento se define como unas pruebas de observabilidad local para sistemas
no lineales, que un sistema representado de la forma afín es localmente observable si la dimensión
de su distribución de observabilidad 𝛥𝑆𝑜 alrededor de 𝑥∗ es igual a la dimensión del sistema
(numero de variables de estado):
dim(𝛥𝑆𝑜) = 𝑛 .
Si se cumple esto se garantiza que para el sistema es posible determinar el estado total 𝑥 para puntos
alrededor de 𝑥∗ , a partir de un modelo del sistema, con las entradas y salidas de este en un
intervalo de tiempo finito.
Sin embargo se debe tener en cuenta que si la operación del sistema no lineal es variable la
observabilidad dependerá de las entradas, por lo cual se genera la posibilidad de que existan
entradas para las cuales la observabilidad se pierda [7]. Por lo tanto para estos casos se debe usar
pruebas de observabilidad que permitan evaluar el efecto de las entradas.
3.2. Prueba de observabilidad en el reactor de polimerización de (MMA)
El reactor de polimerización de MMA es un sistema no lineal este posee múltiples puntos de
operación sin embargo para fines académicos el sistema se trabajara en un punto de operación, se
linealiza la planta alrededor de este punto y se prueba la observabilidad de la planta.
Tabla 6. Punto de operación.
Variable Valor Unidades
Cm 5.9651 [Kgmol/m^3]
Ci 0.0249 [Kgmol/m^3]
T 351.41 [k]
Tj 332.99 [k]
Do 0.0020 [Kgmol/m^3]
D1 50.329 [Kg/m^3]
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
22
Según lo expuesto en el capitulo dos acerca de las dificultades que resultan obtener la medición en
línea de la variable promedio del peso molecular (MWD = Do / D1) que está representada por los
momentos de orden cero Do y orden uno D1, dicha variable es de interés para realizar un mejor
control del reactor puesto que esta define la calidad, y las características del polímero. Los estados
de principal interés para la estimación son Do y D1, sin embargo lo ideal es estimar la mayor
cantidad de variables para poder ahorrar costos en el sistema de instrumentación, por tal razón se
estimaran también las variables de concentración del monómero Cm y del iniciador Ci, y se usaran
como variables de medición la temperaturas en el tanque del reactor T y en la chaqueta Tj.
Se hallan los jacobianos del sistema linealizando en el punto de operación propuesto y se prueba la
observabilidad del sistema linealizado por medio de la matriz de observabilidad MAC dicha matriz
tiene rango 4 inferior al orden del sistema n = 6.
Se realizo nuevamente la prueba de observabilidad tomando como salidas los cuatro estados
medibles, sin embargo, el resultado obtenido fue el mismo, por lo tanto se decide de acuerdo a la
condición de que los estados T, Tj, Cm, Ci son independientes de los estados Do y D1, se realiza
una reducción del modelo para la estimación, tomando como el modelo reducido las ecuaciones de
los estados T, Tj, Cm, Ci.
Al realizar la prueba de observabilidad para el modelo reducido se obtiene que el sistema cumple la
propiedad de observabilidad, por lo tanto lo que se propone hacer es un estimador de estado para el
modelo reducido.
Se realiza la prueba de observabilidad local para el modelo reducido no lineal, y se obtuvo que la
distribución del espacio de observación 𝛥𝑆𝑜 evaluada en el punto de operación tiene rango 4 igual
orden del sistema n = 4, por lo tanto se garantiza que el sistema es observable alrededor del punto
de operación.
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
23
Para estimar los estados Do y D1 que no son observables, se realiza la prueba de detectabilidad, esta
se cumple debido a que los polos asociados a estos dos estados son estables, estos polos tienen parte
real negativa, con esto se propone un observador en lazo abierto para la estimación de estos.
3.3. Observador de Luenberger
El observador más básico es el modelo del sistema, este es conocido como observador en lazo
abierto, sin embargo el error de estimación solo converge cuando la dinámica del sistema es estable
y no se puede cambiar la dinámica del observador para que sea más rápido que la planta, como
solución a estos inconvenientes, se agrega un término definido por Luenberger como factor de
corrección que permite modificar la dinámica del observador, el observador para sistemas lineales
está representado por la siguiente ecuación en variables de estado.
𝑋 = 𝐴𝑋 + 𝐵𝑈 + 𝐾𝑒(𝑌 − 𝑌 )
El observador de la ecuación anterior debe cumplir la propiedad de observabilidad, para que se
pueda ajustar la dinámica manera arbitraria seleccionando las ganancias 𝐾𝑒 tal que (𝐴 − 𝐾𝑒𝐶) sea
una matriz Hurtwitz (todos los valores propios de la matriz con parte real negativa), de esta manera
se garantiza que el error de convergencia de la estimación tiende a cero.
Los pasos para el diseño del observador de luenberger estan dado por:
Se verifica la propiedad de observabilidad, por medio de alguno de los métodos expuestos
en el numeral anterior.
Se realiza el cálculo de las ganancias 𝐾𝑒 para esto se seleccionan los polos que tendrá el
observador por medio de un polinomio característico Pd, se debe garantizar que la dinámica
del observador será más rápida que la dinámica de la planta, por esta razón suele escogerse
los polos 3 o 5 veces más alejados que el polos más alejado de la planta. Después de haber
seleccionado los polos se procede a despejar el valor de las ganancias para esto se pueden
usar los siguientes métodos
- sustitución directa resolviendo la ecuación
det 𝑆𝐼 − 𝐴 − 𝐾𝑒𝐶 = 𝑃𝑑(𝑠)
- formula de Ackerman,
𝐾𝑒 = 𝑃𝑑 𝐴 𝑀𝐴𝐶−1
00⋮1
El vector de ceros con un uno en la última posición tiene tantas posiciones como numero de filas de
la matriz Mac.
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
24
El diseño del observador de luenberger lineal para el sistema se realizo siguiendo los pasos
expuestos anteriormente y escogiendo un polinomio deseado Pd y usando la planta discretizada en
la función place de Matlab que usa el método de Ackerman se obtienen las ganancias del factor de
corrección Ke, para sistemas de varias entradas, varias salidas.
Raíces de la planta Ar = [ -30.5315 -10.0648 -10.0648 -0.6257]
Opción 1
Se escogen las raíces entre 2 y 3 veces mayor que el polo de la planta más alejado del eje
imaginario.
Raíces en tiempo continuo de Pd= [-73.2757 -70.2226 -76.3289 -82.4352]
Raíces en tiempo discreto Pd = [ 0.4385 0.4955 0.4806 0.4661]
Ke= 10000 *
0.1479 −0.00120.00060.0001
−1.80970.0150−0.0062−0.0004
Opción 2
Se escogen las raíces de Pd un poco más alejadas que las raíces de la planta.
Raíces en tiempo continuo de Pd= [-39.3784 -30.3270 -11.2161 -10.2143]
Raíces en tiempo discreto Pd = [ 0.4385 0.4955 0.4806 0.4661]
Ke=
0.6384 −0.0054 −0.2786
0.1047
−8.01500.06796.51480.6080
3.3.1. Observador De Luenberger Extendido
Para sistemas no lineales se usa el observador de luenberger extendido, este observador realiza una
linealización en cada paso de estimación en el estado estimado, de esta manera se obtiene una
dinámica lineal del error.
𝑋 = 𝐴 𝑥 ∗ 𝑋 + 𝐵 ∗ 𝑈 + 𝐾𝑒 𝑥 ∗ (𝑌 − 𝐶 𝑥 ∗ 𝑋 )
Para el diseño de este observador se siguen los siguientes pasos
Obtenga una versión linealizada del modelo del sistema que permita encontrar las
matrices 𝐴 𝑥 y 𝐶 𝑥 .
Proponga una ubicación deseada para los polos del observador. Esta ubicación se
obtiene a partir de las especificaciones de respuesta en el tiempo (tiempo de
establecimiento y sobre nivel porcentual) requeridos para la dinámica del error del
observador. Los polos pueden estar contenidos de un polinomio característico Pd(s).
Resuelva la ecuación de diseño del observador para encontrar la matriz de ganancias
𝐾𝑒 𝑥
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
25
det 𝑆𝐼 − 𝐴 𝑥 − 𝐾𝑒 𝑥 𝐶 𝑥 = 𝑃𝑑(𝑠)
Se verifica el cumplimiento de las características del observador mediante simulación.
El diseño del observador de Luenberger Extendido para el sistema se realizo siguiendo los pasos
anteriores y escogiendo como polinomio deseado Pd de la misma forma que para el Luenberger
lineal.
Se dificulta despejar la 𝐾𝑒 𝑥 debido a la complejidad que presentan las ecuaciones asociadas al
modelo, por lo tanto lo que se propone es realizar el cálculo de las 𝐾𝑒 𝑥 en cada iteración con las
matrices 𝐴 𝑥 𝑦 𝐶 𝑥 y usando la función place de matlab.
3.4. Filtro de Kalman
El filtro de Kalman permite estimar el estado de un sistema dinámico lineal, perturbado por señales
ruidosas, mediante mediciones que se relacionan linealmente con el estado, pero que también
poseen ruido [7], el modelo discreto esta dado por la siguiente ecuación.
𝑋𝑘 = 𝐴𝑘−1𝑋𝑘−1 + 𝐵𝑘−1𝑈𝑘−1 + 𝑊𝑘−1
𝑌𝑘 = 𝐶𝑘𝑋𝑘 + 𝑉𝑘
Donde 𝑊𝑘~(0,𝑄) incertidumbre en el modelo y 𝑉𝑘~(0,𝑅) incertidumbre en la medición se
consideran ruido blanco. La ecuación que representa al filtro de Kalman está dado por:
𝐾𝑘 = 𝑃𝑘𝐶𝑘𝑇 𝐶𝑘𝑃𝑘𝐶𝑘
𝑇 + 𝑅 −1
𝑋 𝑘+1 = 𝐴𝑋 𝑘 + 𝐵𝑈𝑘 + 𝐾𝑘 [𝑌𝑘 − 𝐶𝑋 𝑘 ]
𝑃𝑘+1 = 𝐴𝑘 𝐼 − 𝐾𝑘𝐶𝑘 𝑃𝑘𝐴𝑘𝑇 + 𝑄
El ruido en la medición se asumió como Tj_ruido = 0.0015; T_ruido = 0.0015;
Con estos valores se define la matriz diagonal R
La incertidumbre en las variables de estado del proceso se asume igual a igual a Cm = 5e − 11
Ci = 8e − 14 , T = 3e − 7 , Tj = 3e − 8 , con estos valores se define la matriz diagonal Q.
Es posible calcular la Kfk como una constante, a partir de la solución de la ecuación de ricatti , esta
se obtiene por medio de matlab con la función Dare, esto es posible porque se asume que el cambio
de K es casi nulo debido a que se trabaja alrededor del punto de operación.
[Pdare,Ldare,Kfk] = DARE(Ad',Cd',Q,R,zeros(4,2),eye(4));
Capítulo 3. Diseño de Estimadores
________________________________________________________________________________
26
3.4.1. Filtro de Kalman Extendido (FKE)
El Filtro de Kalman Extendido en su versión continua, tiene una amplia aceptación para estimar el
estado en procesos químicos, su estructura es igual a la siguiente ecuación:
𝑥 = 𝑓 𝑥 ,𝑢 + 𝐾 𝑥 𝑦 − 𝑦
𝑦 = (𝑥 )
Con 𝑥 ∈ 𝑅𝑛 el vector de estados estimado, 𝑦 ∈ 𝑅𝑚 el vector de salidas estimadas, y 𝐾 𝑥 la matriz
de ganancias del observador (𝑛𝑥𝑚), y el objetivo del diseño es encontrar la matriz de ganancias
𝐾 𝑥 tal que se minimice un índice de error, sujeto a las restricciones de la dinámica del modelo.
El algoritmo para la implementación del FKE está dado por los siguientes pasos
Obtenga una versión linealizada del modelo del sistema que permita encontrar las
matrices 𝐴 𝑥 y 𝐶 𝑥 .
Ejecute las ecuaciones teniendo como condiciones iníciales las matrices P que
representa la covarianza del error de estimación, Q la covarianza del incertidumbre en
los estados y R la covarianza del ruido de la medición.
𝐾𝑘 = 𝑃𝑘𝐶𝑘(𝑥 𝑘)𝑇 𝐶𝑘(𝑥 𝑘)𝑃𝑘𝐶𝑘(𝑥 𝑘)𝑇 + 𝑅 −1
𝑋 𝑘+1 = 𝑓 𝑥 𝑘 ,𝑢𝑘 + 𝐾𝑘(𝑥 𝑘)[𝑌𝑘 − 𝑥 ]
𝑃𝑘+1 = 𝐴𝑘(𝑥 𝑘) 𝐼 − 𝐾𝑘𝐶𝑘(𝑥 𝑘) 𝑃𝑘𝐴𝑘(𝑥 𝑘)𝑇 + 𝑄
Para el diseño del FKE de la planta se uso las matrices Q y R definidas para el filtro de
Kalman.
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
27
Capítulo 4
4. Comparación de los Estimadores y Conclusiones
Para realizar la comparación de los estimadores se usa el Simulink de Matlab, mediante el cual se
simula el modelo de polimerización de (MMA) y los estimadores diseñados en el capitulo tres, para
realizar la comparación se realizan varias pruebas, aplicando cambios en las condiciones iníciales,
ruido en las mediciones y cambios en los parámetros, para obtener la valoración se usa un índice de
desempeño, definido como la integral del valor absoluto del error (IAE).
4.1. Índice de desempeño
Los índices de desempeño permiten ponderar el resultado obtenido mediante la comparación entre
el resultado obtenido y un resultado deseado, en el caso de los estimadores de estado, la
comparación está definida entre el valor medido y el valor estimado, en este trabajo se usara como
índice de desempeño la integral del valor absoluto del error (IAE), que está definido por la siguiente
ecuación.
𝐼𝐴𝐸 = 𝑋 − 𝑋 𝑑𝑡𝑡
0
Partiendo de este índice de desempeño se decide normalizar el error para poder tener una
comparación con los otros estados estimados.
4.2. Comparación de los Estimadores
La comparación se realizara entre el observador de Luenberger lineal y no lineal, filtro de Kalman
y filtro de Kalman extendido, Luenberger lineal y filtro de Kalman, Luenberger extendido y filtro
de Kalman extendido; para todo estas comparaciones se aplicara cambios en las condiciones
iníciales, ruido en las mediciones y cambios en los parámetros.
4.2.1. Modelo No Lineal vs Modelo Linealizado
Se realiza la comparación entre el modelo no lineal y la linealización alrededor del punto operación
escogido para corroborar el procedimiento y garantizar el modelo linealizado para el diseño de los
observadores.
Cambio en Fi Fi*1.0002 Fi*1.01
Cambio en Fcw Fcw*1.001 Fcw*1.11
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
28
Figura 6. Graficas de las linealización del modelo vs el modelo no lineal.
De la graficas de la figura 6 se observa que el modelo linealizado se comporta bien alrededor del
punto de operación, sin embargo este es muy sensible porque ante cambios pequeños de la entrada
alrededor del punto de operación el modelo empieza a tener una diferencia significativa con
respecto al modelo no lineal. Además se observa que el modelo es más sensible ante cambios en la
entrada del flujo de refrigeración Fcw que ante cambios en el flujo del iniciador Fi.
0 2 4 6 8 10 12 14 153.199
3.2
3.201
3.202
3.203
3.204x 10
-3 Entrada Flujo de iniciador Fi
Fi [m
3/h
]
Tiempo [s]
0 2 4 6 8 10 12 14 150.155
0.16
0.165
0.17Entrada Flujo de Refrigerante Fcw
Fcw
[m
3/h
]
Tiempo [s]
0 2 4 6 8 10 12 14 15
5.96
5.98
6
6.02
6.04
6.06
6.08Concentración del monomero Cm
Cm
[K
gm
ol/m
3]
Tiempo [s]
0 2 4 6 8 10 12 14 15
0.0249
0.025
0.025
0.025
0.0251
0.0251
0.0252Concentración del Iniciador Ci
Ci [K
gm
ol/m
3]
Tiempo [s]
P-NL
P-L
0 2 4 6 8 10 12 14 15348
348.5
349
349.5
350
350.5
351
351.5Temperatura en el Reactor T
T [K
]
Tiempo [s]
0 2 4 6 8 10 12 14 15330
330.5
331
331.5
332
332.5
333
Temperatura en la chaqueta Tj
Tj [K
]
Tiempo [s]
P-NL
P-L
0 2 4 6 8 10 12 14 151.2
1.4
1.6
1.8
2
x 10-3 Momento de Orden cero Do
Do
[kg
mo
l/m
3]
Tiempo [s]
0 2 4 6 8 10 12 14 15
42
44
46
48
50
Momento de Orden uno D1
D1
[kg
/m3]
Tiempo [s]
P-NL
P L
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
29
4.2.2. Luenberger Lineal vs Luenberger Extendido
La simulación del observador de Luenberger extendido, presenta problemas en el cálculo de
𝐾𝑒 𝑥 debido a que el sistema en las primeras iteraciones se vuelve inestable, el valor estimado de
la concentración del iniciador Ci se vuelve negativo, esto puede ser causado debido al cálculo de la
ganancia 𝐾𝑒 𝑥 sumado con la alta no linealidad del sistema.
Como segunda opción se prueba el observador con la planta no lineal y con 𝐾𝑒 𝑥 = 𝐾𝑒 usando las
misma ganancia que para el Luenberger lineal, de esta manera se puede realizar la comparación
entre estos dos.
Las ganancias obtenidas para el modelo linealizado presentan un error de estimación grande para
las concentraciones de Cm y Ci lo que aumenta aun mas e error de los estados estimados Do y D1,
adicional a esto se prueban frente a ruido gaussiano en la medición, presentando un la
comportamiento debido a que solo se presenta una estimación aceptable para el estado Tj.
De acuerdo con lo anterior se usa las ganancias obtenidas con la función Dare, que se monstro al
final del diseño para el filtro de Kalman. Estas ganancias permiten una ubicación de las raíces del
observador un poco más alejadas que las raíces de la planta
K=
−0.0027 0.0000 0.2727 0.0878
−0.00120.00000.06040.0567
Raices de (Ard – K*Crd)= [ 0.4385 0.4955 0.4806 0.4661]
Raíces en tiempo continuo = [-39.3784 -30.3270 -11.2161 -10.2143]
PRUEBA 1
Condición inicial 1 % mayor al punto de operación
Cambio en el parámetro de coeficiente de calor Cp de un 10% mas del valor original
Se presenta ruido gaussiano en la medición de T y Tj.
Cambio en Fi Fi*1.0002 Fi*1.001 Fi Fi*0.9999
Cambio en Fcw Fcw*1.009 Fcw*1.039 Fcw Fcw*0.999
Los resultados de la simulación se presentan en las Figuras 7 y 8, en la tabla 7 se usa el
índice de desempeño para comparar el error de estimación de los dos estimadores.
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
30
Figura 7. Gráficas de la prueba uno comparación de OL vs ONL.
0 5 10 15 20 25 303.199
3.2
3.201
3.202
3.203
3.204x 10
-3 Entrada Flujo de iniciador Fi
Fi [m
3/h
]
Tiempo [s]
0 5 10 15 20 25 300.158
0.16
0.162
0.164
0.166Entrada Flujo de Refrigerante Fcw
Fcw
[m
3/h
]
Tiempo [s]
0 5 10 15 20 25 30348
349
350
351
352Temperatura en el Reactor T
T [K
]
Tiempo [s]
0 5 10 15 20 25 30330.5
331
331.5
332
332.5
333
333.5Temperatura en la chaqueta Tj
Tj [K
]
Tiempo [s]
P-NL
OL
ONL
P-NL
OL
ONL
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
31
Figura 8. Gráficas de la prueba uno comparación de OL vs ONL.
0 5 10 15 20 25 30
5.96
5.98
6
6.02
6.04
6.06
6.08Concentración del monomero Cm
Cm
[K
gm
ol/m
3]
Tiempo [s]
0 5 10 15 20 25 30
0.0249
0.025
0.025
0.025
0.0251
0.0251
0.0252Concentración del Iniciador Ci
Ci [K
gm
ol/m
3]
Tiempo [s]
P-NL
ONL
OL
P-NL
ONL
OL
0 5 10 15 20 25 301.2
1.4
1.6
1.8
2
2.2x 10
-3 Momento de Orden cero Do
Do
[kg
mo
l/m
3]
Tiempo [s]
0 5 10 15 20 25 30
42
44
46
48
50
52Momento de Orden uno D1
D1
[kg
/m3]
Tiempo [s]
P-NL
OL
ONL
P-NL
OL
ONL
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
32
Los resultados se presentan numéricamente en la tabla 7, con el índice de desempeño se
observa que el error de estimación es mucho más pequeño para el ONL; de las figuras 7 y 8
se observa que para el OL el error de estimación aumenta cuando las entradas se alejan del
punto de operación del sistema.
Tabla 7. Índice de desempeño prueba 1.
IAE =
𝑋 − 𝑋 / 𝑋
Variables de Estado
Cm Ci T Tj Do D1
Estimad
or
OL 0.3974 1.9415 0.0980 0.0741 48.4399 2.8901
ONL 0.0191 0.0644 0.0090 0.0076 48.5420 0.2159
PRUEBA 2
Condición inicial 20 % mayor al punto de operación.
Cambio en el parámetro de coeficiente de calor Cp de un 80% más del valor original.
Se presenta ruido gaussiano en la medición de T y Tj.
Cambio en Fi Fi*1.002 Fi*1.01 Fi Fi*0.9999
Cambio en Fcw Fcw*1.01 Fcw*1.11 Fcw Fcw*0.999
Si la condición inicial está muy alejada de punto de operación, se presenta divergencia en el
error de estimación para ambos estimadores. El índice de desempeño da una primera
medida de la velocidad de convergencia, en los casos en los que se observa el error de
estimación menor es debido al menor tiempo para la convergencia del estimador. Como las
variables de interés son Do y D1 el observador que presenta mejor respuesta en este caso es
el ONL.
Tabla 8. Índice de desempeño prueba 2.
IAE =
𝑋 − 𝑋 / 𝑋
Variables de Estado
Cm Ci T Tj Do D1
Estimador OL 3.0763 3.5868 0.9229 1.0962 3.31x10^3 44.6615
ONL 6.6472 11.5320 1.5889 0.7767 1.44x10^3 28.4002
De las dos pruebas realizadas se define que el observador que tiene un mejor desempeño es
el observador ONL debido a que presenta un error de estimación bajo y el tiempo de
convergencia es menor.
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
33
4.2.3. Filtro de Kalman vs Filtro de Kalman Extendido
Condición inicial 10 % mayor al punto de operación.
Cambio en el parámetro de coeficiente de calor Cp de un 80% más del valor original.
Se presenta ruido gaussiano en la medición de T y Tj.
Cambio en Fi Fi*1.002 Fi*1.01 Fi Fi*0.9999
Cambio en Fcw Fcw*1.01 Fcw*1.11 Fcw Fcw*0.999
Las condiciones iníciales para el FKE divergen para un valor mayo a 20 % del punto de operación.
De los resultados obtenidos de la simulación especialmente en las figuras 10 y 11 se observa que e FK
presenta un tiempo menor de convergencia, por lo tanto el índice de desempeño es menor para la mayoría de
los caso sin embargo cuando el sistema trabaja alejado del punto de operación el error de estimación para el
FK Aumenta.
Tabla 9 Índice de desempeño filtro de Kalman vs filtro de Kalman extendido.
IAE =
𝑋 − 𝑋 / 𝑋
Variables de Estado
Cm Ci T Tj Do D1
Estimador FK 1.8906 4.1862 0.3279 0.3271 124.2386 15.8909
FKE 12.4135 19.1731 0.2840 0.1618 130.7175 8.9285
Figura 9. Entradas para la comparación FK vs FKE.
0 5 10 15 20 25 303.2
3.21
3.22
3.23
3.24x 10
-3 Entrada Flujo de iniciador Fi
Fi [m
3/h
]
Tiempo [s]
0 5 10 15 20 25 300.155
0.16
0.165
0.17
0.175
0.18Entrada Flujo de Refrigerante Fcw
Fcw
[m
3/h
]
Tiempo [s]
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
34
Figura 10. Graficas de la simulación FK vs FKE.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30346
347
348
349
350
351
352Temperatura en el Reactor T
T [K
]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30328
330
332
334Temperatura en la chaqueta Tj
Tj [
K]
Tiempo [s]
P-NL
FKE
FK
P-NL
FKE
FK
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 305.95
6
6.05
6.1
6.15Concentración del monomero Cm
Cm
[K
gm
ol/m
3]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
0.0249
0.025
0.0251
0.0252
0.0253
0.0254
0.0255
Concentración del Iniciador Ci
Ci [
Kg
mo
l/m3]
Tiempo [s]
P-NL
FKE
FK
P-NL
FKE
FK
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
35
Figura 11. Graficas de la simulación FK vs FKE.
4.2.4. Luenberger Lineal vs Filtro de Kalman
Condición inicial 50 % mayor al punto de operación.
Cambio en el parámetro de coeficiente de calor Cp de un 80% más del valor original.
Se presenta ruido gaussiano en la medición de T y Tj.
Cambio en Fi Fi*1.002 Fi*1.01 Fi Fi*0.9999
Cambio en Fcw Fcw*1.01 Fcw*1.11 Fcw Fcw*0.999
De los resultados obtenidos de la simulación especialmente en las figuras 12 y 13 se observa que el
FK presenta un tiempo menor de convergencia, por lo tanto el índice de desempeño es menor para
la mayoría de los caso sin embargo cuando el sistema trabaja alejado del punto de operación el
error de estimación para el OL y el FK aumenta, de la comparación se selecciona el FK por tener
el menor error en la estimación en la mayoría de los casos.
Tabla 10. Índice de desempeño para comparación entre OL y FK.
IAE =
𝑋 − 𝑋 / 𝑋
Variables de Estado
Cm Ci T Tj Do D1
Estimador FK 4.9675 10.0356 0.7601 0.7867 1.33 x10^6 4.91 x10^3
OL 6.1145 5.0728 1.9682 2.4461 1.42 x10^6 5.29x10^3
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 301
1.2
1.4
1.6
1.8
2
2.2
x 10-3 Momento de Orden cero Do
Do
[kg
mo
l/m3]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 3035
40
45
50
Momento de Orden uno D1
D1
[kg
/m3]
Tiempo [s]
P-NL
FKE
FK
P-NL
FKE
FK
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
36
Figura 12. Graficas de comparación entre OL y FK.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 303.2
3.21
3.22
3.23
3.24x 10
-3 Entrada Flujo de iniciador Fi
Fi [
m3/h
]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 300.155
0.16
0.165
0.17
0.175
0.18Entrada Flujo de Refrigerante Fcw
Fcw
[m
3/h
]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30346
348
350
352Temperatura en el Reactor T
T [K
]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30328
330
332
334Temperatura en la chaqueta Tj
Tj [K
]
Tiempo [s]
P-NL
OL
FK
P-NL
OL
FK
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
37
Figura 13. Graficas de comparación de OL vs FK variables estimadas.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 305.95
6
6.05
6.1
6.15Concentración del monomero Cm
Cm
[K
gm
ol/m
3]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
0.0248
0.025
0.0252
0.0254
0.0256Concentración del Iniciador Ci
Ci [K
gm
ol/m
3]
Tiempo [s]
P-NL
OL
FK
P-NL
OL
FK
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 301
1.5
2
x 10-3 Momento de Orden cero Do
Do
[kg
mo
l/m3]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 3035
40
45
50
Momento de Orden uno D1
D1 [kg/m
3]
Tiempo [s]
P-NL
OL
FK
P-NL
OL
FK
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
38
4.2.5. Luenberger con modelo no lineal vs Filtro de Kalman Extendido
Condición inicial 10 % mayor al punto de operación.
Cambio en el parámetro de coeficiente de calor Cp de un 80% más del valor original.
Se presenta ruido gaussiano en la medición de T y Tj.
Cambio en Fi Fi*1.002 Fi*1.01 Fi Fi*0.9999
Cambio en Fcw Fcw*1.01 Fcw*1.11 Fcw Fcw*0.999
Las condiciones iníciales para un valor mayor a 20 % del punto de operación ocasionan divergencia en la
estimación para ambos estimadores.
De los resultados obtenidos de la simulación especialmente en las figuras 15 y 16 se observa que e ambos
Estimadores presenta un buen comportamiento con un bajo error en la estimación, y una velocidad de
convergencia muy similar para ambos, de acuerdo con el índice de desempeño el que presenta el menor error
de estimación en la mayoría de los casos es el FKE.
Tabla 11. Índice de desempeño filtro de Kalman vs filtro de Kalman extendido.
IAE =
𝑋 − 𝑋 / 𝑋
Variables de Estado
Cm Ci T Tj Do D1
Estimador FKE 12.4153 19.1754 0.2841 0.1617 130.7153 8.9287
ONL 6.6380 11.4847 1.5872 0.7761 1.44x10^3 28.3902
Figura 14. Gráfica de las entradas para la comparación de ONL vs FKE.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 303.2
3.21
3.22
3.23
3.24x 10
-3 Entrada Flujo de iniciador Fi
Fi [
m3/h
]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 300.155
0.16
0.165
0.17
0.175
0.18Entrada Flujo de Refrigerante Fcw
Fcw
[m
3/h
]
Tiempo [s]
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
39
Figura 15 Gráfica de la comparación de ONL vs FKE en estados estimados.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
347
348
349
350
351
352Temperatura en el Reactor T
T [K
]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30328
329
330
331
332
333
334Temperatura en la chaqueta Tj
Tj [
K]
Tiempo [s]
P-NL
FKE
ONL
P-NL
FKE
ONL
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 305.95
6
6.05
6.1
Concentración del monomero Cm
Cm
[K
gm
ol/m
3]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 300.0248
0.025
0.0252
0.0254
0.0256Concentración del Iniciador Ci
Ci [K
gm
ol/m
3]
Tiempo [s]
P-NL
FKE
ONL
P-NL
FKE
ONL
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
40
Figura 16. Gráfica de la comparación de ONL vs FKE para los momentos de orden cero y orden uno.
4.3. Análisis de Resultados
De las simulaciones realizadas se obtuvo la tabla 12 que presenta un índice de desempeño de los
estimadores para las mismas condiciones de simulación.
Tabla 12. Resumen de los resultados del error de estimación.
IAE =
𝑋 − 𝑋 / 𝑋
Variables de Estado
Cm Ci T Tj Do D1
Estimador
OL 3.0763 3.5868 0.9229 1.0962 3.31x10^3 44.6615
ONL 6.6472 11.5320 1.5889 0.7767 1.44x10^3 28.4002
FK 1.8906 4.1862 0.3279 0.3271 124.2386 15.8909
FKE 12.4135 19.1731 0.2840 0.1618 130.7175 8.9285
Los Estimadores lineales como el FK y el OL pueden empezar desde una condición inicial más
alejada del punto de operación que los FKE y ONL, debido a que estos trabajan con el modelo
linealizado y no pierden la estabilidad como sucede para el modelo no lineal ante algunos cambios
en la entrada, esto se dio para este caso de estudio debido a las características de la planta la cual
presenta altas no linealidades y muchas regiones de inestabilidad.
La desventaja de los FK y OL, es que entre más lejos se este de la región de operación en la que se
linealizo el modelo mayor será el error de estimación.
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 301
1.2
1.4
1.6
1.8
2
2.2
x 10-3 Momento de Orden cero Do
Do
[kg
mo
l/m3]
Tiempo [s]
0 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30
40
45
50
Momento de Orden uno D1
D1
[kg
/m3]
Tiempo [s]
P-NL
FKE
ONL
P-NL
FKE
ONL
Capítulo 4. Comparación de Estimadores
________________________________________________________________________________
41
De acuerdo con la tabla 12, el FKE y el FK presentan mejor desempeño que los otros dos
Estimadores.
Según lo analizado anteriormente el FKE es más recomendable en comparación con los otros tres
estimadores y bajo las condiciones de este caso de estudio, sin embargo se resalta la importancia de
la selección de la condición inicial para evitar mal funcionamiento de este.
4.4. Conclusiones
Debido a las no linealidades y regiones de inestabilidad que puede poseer un sistema, las
condiciones iníciales para los Estimadores que usan el modelo no lineal no pueden escogerse
arbitrariamente porque se puede caer en una región de inestabilidad ocasionando la divergencia del
estimador; por lo tanto lo más recomendable es que estas condiciones iníciales estén cerca a la
región de operación o en donde se halla garantizado la estabilidad del modelo.
La obtención de las ganancias del factor de corrección para el diseño del observador de Luenberger,
pueden complicarse cuando se tiene un sistema de orden superior con múltiples salidas, de las
experiencias obtenidas con los métodos convencionales como el Ackerman, no se obtuvieron
buenos resultados, se tuvo que usar otros métodos para la estimación de estas para lograr un
desempeño aceptable del estimador.
La correcta selección del tiempo de muestreo y de los métodos numéricos para la simulación es
fundamental, para obtener los resultados correctos.
El uso de un indicador de desempeño facilito la evaluación de los estimadores para su comparación,
ya que desde las graficas el comportamiento de estos es muy similar y visualmente no surgen
mayores diferencias.
Los estimadores estudiados en este trabajo presentan un buen funcionamiento si no existen grandes
incertidumbres en los parámetros del modelo, esta condición es escaza en la mayoría de procesos
químicos.
En el FKE y el OLE la estabilidad y convergencia son propiedades locales debido a que estos
estimadores trabajan bajo la linealización del valor estimado, por lo tanto para su buen
funcionamiento se deberá trabajar en las regiones de operación en las que se garantice estabilidad
para el sistema.
Universidad Nacional de Colombia
________________________________________________________________________________
42
BIBLIOGRAFIA
[1]Andrea Silva-Beard and Antonio Flores-Tlacuahuac “Effect of Process Design/Operation on the
Steady-State Operability of a Methyl Methacrylate Polymerization Reactor” Chemical Engineering
Department, Universidad Iberoamericana, Mexico, 1999
[2] Arjun V Shenoy, Vinay Prasad, Sirish L Shah “Comparison of unconstrained nonlinear state
estimation techniques on a MMA polymer reactor” Department of Chemical and Materials
Engineering, University of Alberta, Canada. 2010.
[3] Mohammad Shahrokhi' and Mohammad Ali Fanaei “State Estimation in a Batch Suspension
Polymerization Reactor” Department of Chemical Engineering, Sharif University of Technology,
Tehran, I .R. Iran.2001.
[4] Prodromos Daoutidis, Masoud Soroush, Costas Kravaris, “FeedforwardIFeedback Control of
Multivariable Nonlinear Processes” Department of Chemical Engineering, University of Michigan
Ann Arbor, USA, Octubre 1990
[5] Srinivas Tatiraju and Masoud Soroush*, “Nonlinear State Estimation in a Polymerization
Reactor” Chemical Engineering Department, Drexel University, Philadelphia, Pennsylvania, USA,
1997.
[6] Srinivas Tatirajut, Masoud Sorousht, Babatunde A. Ogunnaiket “Multi-Rate Nonlinear State
Estimation in a Polymerization Reactor” Departmeint of Chemical Engineering, Drexel University,
Philadelphia, USA, June 1998
[7] Botero, Hector “Formalismo para la Síntesis de Sensores Virtuales Basados en un Modelo
Maestro de base Fenomenológica” Universidad Nacional de Colombia, Facultad de minas
Colombia, 2010.
[8] Simulink de Matlab®.
[9]http://hamiltoneinstein.wordpress.com/2010/02/01/momentos-de-la-funcion-distribucion-de-
particulas/
[10]http://www.monografias.com/trabajos63/polimetil-metacrilato/polimetil-metacrilato2.shtml
(Fuente: (Chacon, E y Roa L; 2008)
[11] http://www.eis.uva.es/~macromol/curso03-04/PMAM/PMMA.htm
[12]http://www.eis.uva.es/~macromol/curso03-
04/PMAM/Polimerizacion%20Vinilica%20por%20Radicales%20Libres.htm