diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y...

106
DISEÑO DE UN SISTEMA DE CONTROL, BASADO EN REDES NEURONALES Y LÓGICA DIFUSA PARA LA ESTIMACIÓN Y CONTROL DE LA DOSIFICACIÓN DE SULFATO DE ALUMINIO EN LA PLANTA DE TRATAMIENTO DE AGUA POTABLE DE EMDUPAR S.A. E.S.P. ADELA BEATRIZ HERNÁNDEZ CUADRO JORGE MARIO VEGA IGLESIAS UNIVERSIDAD SANTO TOMAS DIVISIÓN DE INGENIERÍAS FACULTAD DE INGENIERÍA MECATRÓNICA BUCARAMANGA 2006

Transcript of diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y...

Page 1: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

DISEÑO DE UN SISTEMA DE CONTROL, BASADO EN REDES NEURONALES Y LÓGICA DIFUSA PARA LA ESTIMACIÓN Y CONTROL DE LA DOSIFICACIÓN

DE SULFATO DE ALUMINIO EN LA PLANTA DE TRATAMIENTO DE AGUA POTABLE DE EMDUPAR S.A. E.S.P.

ADELA BEATRIZ HERNÁNDEZ CUADRO JORGE MARIO VEGA IGLESIAS

UNIVERSIDAD SANTO TOMAS

DIVISIÓN DE INGENIERÍAS FACULTAD DE INGENIERÍA MECATRÓNICA

BUCARAMANGA 2006

Page 2: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

DISEÑO DE UN SISTEMA DE CONTROL, BASADO EN REDES NEURONALES Y LÓGICA DIFUSA PARA LA ESTIMACIÓN Y CONTROL DE LA DOSIFICACIÓN

DE SULFATO DE ALUMINIO EN LA PLANTA DE TRATAMIENTO DE AGUA POTABLE DE EMDUPAR S.A. E.S.P.

ADELA BEATRIZ HERNÁNDEZ CUADRO JORGE MARIO VEGA IGLESIAS

Proyecto de grado presentado como requisito para optar al titulo de Ingeniero Mecatrónico

Director FREDDY RINCÓN OSORIO

Ingeniero Mecánico

UNIVERSIDAD SANTO TOMAS DIVISIÓN DE INGENIERÍAS

FACULTAD DE INGENIERÍA MECATRÓNICA BUCARAMANGA

2006

Page 3: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Nota de aceptación:

____________________________

____________________________

____________________________

____________________________

____________________________ Firma del presidente del jurado

____________________________ Firma del jurado

____________________________ Firma del jurado

Bucaramanga, Julio de 2006

Page 4: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

CONTENIDO

Pág.

INTRODUCCIÓN…………………………………………………………………...…..16 1. DISEÑO DE UN SISTEMA DE CONTROL, BASADO EN REDES NEURONALES Y LÓGICA DIFUSA PARA LA ESTIMACIÓN Y CONTROL DE LA DOSIFICACIÓN DE SULFATO DE ALUMINIO EN LA PLANTA DE TRATAMIENTO DE AGUA POTABLE DE EMDUPAR S.A. E.S.P…………………………………………………………………………………...…19 1.1 FORMULACIÓN DEL PROBLEMA…………………..……………………....19 1.2 JUSTIFICACIÓN……………………………………..………………………..…19 1.3 0BJETIVOS………………………………………………………………...…….20 1.3.1 Objetivo general………………………………...…………………………….....20 1.3.2 Objetivos específicos………………………………………………………...….20 2. FUNDAMENTOS TEÓRICOS………………………………………………….21 2.1 PROCESO GENERAL PARA LA POTABILIZACIÓN DEL AGUA…………21 2.1.1 Tratamiento principal…………………………………………………………….21 2.1.2 Teoría de la coagulación………………………………………………………..23

Page 5: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

2.1.3 Descripción general de las etapas de coagulación y floculación en la planta Gota Fría de EMDUPAR S.A. E.S.P………………………………………........……..25 2.2 CONTROL DEL PROCESO DE COAGULACIÓN……………………………27 2.2.1 Sistema de simulación del proceso de coagulación………………………….28 2.2.2 Potencial de corriente……………………………………………………………32 2.3 REDES NEURONALES…………………………………………………………34 2.3.1 Redes neuronales………………………………………………………………..34 2.4 LÓGICA DIFUSA…………………………………………………………………36 3. DISEÑO DEL SISTEMA DE CONTROL……………………………………....41 3.1 SISTEMA ACTUAL DE DOSIFICACION DE COAGULANTE EN EMDUPAR S.A. E.S.P…………………………………………………………………..............…...42 3.1.1 Operación del sistema actual de dosificación………………………………...44 3.2 DESARROLLO DEL DISEÑO DEL SISTEMA DE CONTROL……………...45 3.2.1 Diseño de la red neuronal para la estimación de la dosis óptima de coagulante…………………………………………………………………………..........46 3.2.2 Diseño del controlador PI difuso para la regulación de la dosificación……...50 3.2.3 Descripción del sistema de control……………………………………………...57

Page 6: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

3.2.4 Simulación del sistema de control……………………………………………...59 4. AUTOMATIZACION DEL PROCESO DE DOSIFICACIÓN DE SULFATO DE ALUMINIO EN LA PLANTA DE TRATAMIENTO EMDUPAR S.A. E.S.P…………78 4.1 SELECCION DE SENSORES PARA LOS DIFERENTES PARAMETROS DEL AGUA QUE INTERVIENEN EN EL CONTROL………………………………...78 4.1.1 Selección del sensor de Turbiedad.. ..........................................................78 4.1.2 Selección del sensor de ph. ........................................................................79 4.1.3 Selección del sensor de temperatura.. ........................................................80 4.1.4 Selección del sensor de carga superficial o SCD (Streaming Current Detector). . ............................................................................................................81 4.2 SELECCIÓN DE LOS SENSORES DE NIVEL. .............................................81 4.3 SELECCIÓN DE LA TARJETA DE ADQUISICIÓN DE DATOS. ...................83 4.3.1 Tarjeta de Adquisición de datos NI PCIe-6259. ..........................................83 4.4 SOFWARE LabVIEW..................................................................................83 4.5 COMPUTADOR INDUSTRIAL ....................................................................84 4.6 VARIADORES DE FRECUENCIA SIEMENS MICROMASTER 440 MODELO 6SE420- 2UC13- 7AA0..........................................................................................84 4.7 PRECIO TOTAL DE LOS INSTRUMENTOS SELECCIONADOS .................84

Page 7: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

4.8 DIAGRAMA DEL CONTROL AUTOMÁTICO ...............................................85 5. CONCLUSIONES Y RECOMENDACIONES.................................................86 BIBLIOGRAFÍA......................................................................................................87 ANEXOS................................................................................................................89

Page 8: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

LISTA DE TABLAS

Pág.

Tabla 1. Propiedades del agua cruda vs. Dosis óptima .........................................42 Tabla 2. Calibración del dosificador 2 en la planta Gota Fría ................................45 Tabla 3. Parámetros de la red neuronal.................................................................49 Tabla 4. Dosis Red Neuronal vs. Prueba de jarras ................................................50 Tabla 5. Base de las reglas de inferencia ..............................................................55 Tabla 6. Selección del sensor de turbiedad ...........................................................79 Tabla 7. Selección del sensor de pH .....................................................................80 Tabla 8. Sensor de Temperatura ...........................................................................80 Tabla 9. Selección del sensor SCD ......................................................................81 Tabla 10. Selección del sensor de nivel.................................................................82 Tabla 11. Características principales del computador industrial seleccionado .....84 Tabla 12. Precio de los diferentes instrumentos seleccionados ............................84

Page 9: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

LISTA DE FIGURAS

Pág.

Figura 1. Procesos para el tratamiento de agua ....................................................22 Figura 2. Zona de mezcla rápida ...........................................................................26 Figura 3. Dosificadores volumétricos ....................................................................26 Figura 4. Equipo de prueba de jarras de EMDUPAR............................................27 Figura 5. Floculadores ...........................................................................................27 Figura 6. Equipo de prueba de jarras.....................................................................29 Figura 7. Diagrama de flujo...................................................................................33 Figura 8. Neurona biológica y neurona artificial .....................................................34 Figura 9. Funciones de pertenencia de e, ce y u; y las bases de reglas................38 Figura 10. Esquema del controlador difuso proporcional integral. .........................40 Figura 11. Dosificador............................................................................................43 Figura 12. Variador de frecuencia..........................................................................44 Figura 13. Esquema de la red neuronal.................................................................47 Figura 14. Validación del modelo de la planta .......................................................52 Figura 15. Funciones de pertenencia de E-SCU....................................................54 Figura 16. Funciones de pertenencia de CE- SCU................................................55 Figura 17. Funciones de pertenencia de la salida ajuste .......................................56 Figura 18. Superficie de control .............................................................................57 Figura 19. Esquema del sistema de control ...........................................................58

Page 10: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 20. Red neuronal artificial implementada en Simulink ................................60 Figura 21. Simulación del sistema de control en Simulink ....................................60 Figura 22. Comparación de la salida entre el controlador PID y el sistema de control con el controlador PI difuso........................................................................61 Figura 23. Comparación de la señal de control entre el controlador PID y el controlador PI difuso ..............................................................................................62 Figura 24. Comparación de la salida entre el controlador PID y el sistema de control con el controlador PI difuso, con un cambio en la temperatura..................63 Figura 25. Señal de control ante un cambio en la temperatura ............................63 Figura 26. Comparación de la salida entre el controlador PID y el sistema de control con el controlador PI difuso, con un cambio en el set point. ......................64 Figura 27. Comparación de la señal de control entre el controlador PID y el controlador PI difuso, ante un cambio de Set point................................................64 Figura 28. Configuración del sistema de control con PI difuso y ruido...................65 Figura 29. Comparación de la salida del controlador PID y el controlador PI difuso ante ruido...............................................................................................................65 Figura 30. Partes de una aplicación del modulo DSC............................................68 Figura 31. Diagrama de bloques de la interfaz grafica...........................................69 Figura 32. Panel frontal de la interfaz grafica........................................................69 Figura 33. Red Neuronal en LabView ...................................................................70 Figura 34. VIs para programar la lógica difusa y las funciones de transferencia discreta ..................................................................................................................71 Figura 35. Procedimiento para ingresar al Configure Tag .....................................71 Figura 36. Archivo emdupar.scf .............................................................................72 Figura 37. Procedimiento de conexión al modulo DSC..........................................73 Figura 38. Conexión por medio de DataSocket .....................................................73

Page 11: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 39. Configuración de alarmas .....................................................................74 Figura 40.Visualización de las alarmas..................................................................74 Figura 41. Tendencia de las variables ...................................................................75 Figura 42.Generación de reporte ...........................................................................76 Figura 43. Información general ..............................................................................77 Figura 44. Diagrama del control automático en la planta de EMDUPAR S.A. E.S.P......................................................................................................................85

Page 12: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

LISTA DE ANEXOS

Pág.

Anexo A. Especificaciones del sensor de turbiedad 4670 de ABB ........................89 Anexo B. Especificaciones del sensor de ph ax460 de ABB .................................91 Anexo C. Especificaciones del sensor de temperatura TR 204 de ABB ................93 Anexo D. Especificaciones del sensor SCM2500XRD de Chemtrac. ....................95 Anexo E. Especificaciones del sensor de nivel 875C de Allen – Bradley .............97 Anexo F. Especificaciones de la tarjeta de adquisición NI PCIe-6259 DE National instruments. ...........................................................................................................99 Anexo G. Especificaciones de los variadores de frecuencia siemens micro master 440 modelo 6SE420- 2UC13- 7AA0. ..................................................................100 Anexo H. Datos del test de jarra utilizados para de entrenamiento de la red neuronal. ..............................................................................................................104

Page 13: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

GLOSARIO ACIDEZ: la capacidad cuantitativa del agua de neutralizar una base, expresada en equivalente de carbonato de calcio en PPM o del mg/l. El número de los átomos de hidrogeno que están presente determina esto. Es medido generalmente por medio de una valoración con una solución de hidróxido sódico estándar. ADSORCIÓN: se llama adsorción al fenómeno de acumulación de partículas sobre una superficie. La sustancia que se adsorbe es el adsorbato y el material sobre el cual lo hace es el adsorbente. El nivel de actividad de la adsorción depende de la concentración de la sustancia en el agua, la temperatura y la polaridad de la sustancia. ABSORCIÓN: la absorción es un proceso físico o químico en el cual átomos, moléculas o iones pasan de una primera fase a otra incorporándose al volumen de la segunda fase. Esta segunda fase puede ser líquida, gaseosa o sólida. AGLOMERACIÓN: proceso de unir partículas más pequeñas para formar una masa más grande. AGUA POTABLE: agua que es segura para beber y para cocinar. ALCALINIDAD: es la capacidad cuantitativa del agua de una muestra de neutralizar un ácido a un pH establecido. Esta medida es importante para determinar la capacidad corrosiva del agua debido al hidróxido, carbonato e iones de bicarbonato. La alcalinidad estabiliza el agua en los niveles del pH alrededor de 7. Sin embargo, cuando la acidez es alta en el agua la alcalinidad disminuye, puede causar condiciones dañinas para la vida acuática. BACTERIAS: pequeños microorganismos unicelulares, que se reproducen por la fisión de esporas. BACTERIA COLIFORME: bacteria que sirve como indicador de contaminantes y patógenos. Estas son usualmente encontradas en el tracto intestinal de los seres humanos y otros animales de sangre caliente. BASE: una sustancia alcalina que tiene un pH que exceda de 7.5. CAL: tratamiento químico del agua común. La cal puede ser depositada sobre paredes de duchas y baños, después de que la cal reaccione con el calcio para formar caliza.

Page 14: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

CAUDAL: flujo de agua superficial en un río o en un canal.

COAGULACIÓN: desestabilización de partículas coloidales por la adición de un reactivo químico, llamado coagulante. Esto ocurre a través de la neutralización de las cargas.

COAGULANTES: partículas líquidas en suspensión que se unen para crear partículas con un volumen mayor. COLOIDES: suspensión de partículas diminutas de una sustancia (en el rango de 10-5 a 10-7 de diámetro), llamada fase dispersada, en otra fase, llamada fase continua, o medio de dispersión. Tanto la fase suspendida, o dispersada, como el medio de suspensión pueden ser sólidos, líquidos o gaseosos. DECANTAR: retirar la capa superior de un líquido después de que materiales pesados (un sólido o cualquier otro líquido) se haya depositado.

DENSIDAD: la densidad es la medida de cuánta masa hay contenida en una unidad de volumen (densidad = masa/volumen). Usualmente se representa como kg/m3. Puesto de manera sencilla, si la masa es la medida de cuánto ‘material’ tiene un objeto, entonces la densidad es la medida de cuán compactado está ese ‘material’..

DESINFECCIÓN: la descontaminación de fluidos y superficies. Para desinfectar un fluido o una superficie una variedad de técnica están disponible, como desinfección por ozono. A menudo desinfección significa eliminación de la presencia de microorganismo con un biocida. DISOLUCIÓN: mezcla homogéneas de dos o más sustancias, quiere decir que sus propiedades son siempre constantes en cualquier punto de la mezcla.. La sustancia presente en mayor cantidad recibe el nombre de disolvente, y a la de menor cantidad se le llama soluto y es la sustancia disuelta.

ELECTROLITO: sustancia que se disocia en iones cuando se disuelve en agua.

ESCHERICHIA COLI (E. COLI): bacteria coliforme que está a menudo asociada con el hombre y desechos a animales y es encontrada en el intestino. Es usada por los departamentos de salud y laboratorios privados para medir la calidad de las aguas. FILTRACIÓN: separación de sólidos y líquidos usando una sustancia porosa que solo permite pasar al líquido a través de él. FLOCULACIÓN: acumulación de partículas desestabilizadas y micro partículas, y posteriormente la formación de copos de tamaño deseado. Se debe añadir otra

Page 15: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

sustancia química llamada floculante en orden de facilitar la formación de copos llamados flóculos. HIDRÓLISIS: tipo de reacción química en la que una molécula de agua, con fórmula H2O, reacciona con una molécula de una sustancia AB, en la que A y B representan átomos o grupos de átomos. En la reacción, la molécula de agua se descompone en los fragmentos H+ y OH-, y la molécula AB se descompone en A+ y B-. ION: un átomo en solución que está cargado, o sea positivamente (cationes) o negativamente (aniones).

LABVIEW (LABORATORY VIRTUAL INSTRUMENT ENGINEERING WORKBENCH): laboratorio virtual de instrumentos de ingeniería. LabVIEW es un lenguaje de programación grafica que utiliza iconos en vez de líneas de texto para crear programas.

MEZCLA: agregación de sustancias sin interacción química entre ellas. Las propiedades de las mezclas varían según su composición y pueden depender del método o la manera de preparación de las mismas.

NEUTRALIZACIÓN: la adición de sustancias para neutralizar el agua, tal que no sea ácida ni tampoco básica. Neutralización no significa especialmente pH de 7.0, solamente significa el punto de equivalencia de una reacción ácido-base.

PH: el valor que determina si una sustancia es ácida, neutra o básica, es calculado por el número de iones de hidrógeno presente. Es medido en una escala desde 0 a 14, en la cual 7 significa que la sustancia es neutra. Valores de pH por debajo de 7 indica que la sustancia es ácida y valores por encima de 7 indican que la sustancia es básica. POTENCIAL DE CORRIENTE: forma de medir las cargas de las partículas coloidales (positivas y negativas). SCD (STREAMING CURRENT DETECTOR). Sensor que mide las cargas de las partículas coloidales por medio del potencial de corriente. Es usado para el control del proceso de coagulación en las plantas de tratamiento de aguas potables.

SEDIMENTACIÓN: asentamiento de partículas sólidas en un sistema líquido debido a la gravedad.

Page 16: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

TEST DE LA JARRA: prueba de laboratorio con diferentes dosis químicas, mezcla a velocidad, tiempo de asentamiento, para estimar el mínimo o la dosis ideal de coagulante requerida para alcanzar los objetivos de calidad en un agua.

TURBIDEZ: medida de la no transparencia del agua debida a la presencia de materia orgánica suspendida en ella. VI (VIRTUAL INSTRUMENT): programa en LabVIEW que modela la apariencia y función de un instrumento real.

VIRUS: la más pequeña forma de vida conocida, que no es una célula de forma natural. Viven dentro de células de animales, plantas y bacterias y usualmente causan enfermedades. Están formado por un cromosoma rodeado por una capa de proteínas.

Page 17: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

RESUMEN Este proyecto presenta el diseño de un sistema de control para el proceso de coagulación en la planta de tratamiento de agua potable de la empresa EMDUPAR S.A. E.S.P, ubicada en la ciudad de Valledupar. El sistema de control esta conformado principalmente por una red neuronal artificial y un controlador difuso realizados en matlab; el sistema se diseñó para controlar y regular la dosificación de sulfato de aluminio, sustancia esencial en la coagulación de las partículas causantes de las impurezas en el agua. El control diseñado se simula con Simulink de matlab. Adicionalmente, se describe la realización en labview de otra simulación que presenta una interfaz grafica, donde se puede apreciar el control del proceso con las herramientas inherentes a labVIEW. La simulación presenta algunas de las características que hacen de labview un instrumento interesante para la automatización de procesos industriales, características como: el almacenamiento de datos, la generación de reportes y una interfaz amigable para el usuario. PALABRAS CLAVES

• INGENIERIA MECATRÓNICA -TESIS Y DISERTACIONES ACADEMICAS • SISTEMAS DE CONTROL- DISEÑO - EMDUPAR (VALLEDUPAR, CESAR) • REDES NEURONALES (COMPUTADORES) • AUTOMATIZACIÓN INDUSTRIAL

Page 18: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

INTRODUCCIÓN Uno de los procesos más importantes en el tratamiento de agua potable es la coagulación; la cual consiste en adicionar una sustancia química llamada coagulante (sulfato de aluminio) para desestabilizar las partículas diminutas responsables de las impurezas, y así, lograr que se agrupen en pequeñas masas más pesadas que puedan ser decantadas o retenidas en los filtros. La dosificación de la cantidad apropiada de sulfato de aluminio es fundamental en la calidad del agua tratada. Una cantidad deficiente de coagulante, producirá a la salida de la planta un agua para consumo con una turbiedad superior a la recomendada. Mientras que una dosificación excesiva dará como resultado la presencia de aluminio residual en el agua con consecuencias negativas para la salud humana.

El control de esta dosificación se realiza en muchas plantas en forma manual, apoyándose en pruebas de laboratorio realizadas periódicamente (prueba de jarra) y en la experiencia del operador que supervisa el proceso, como es el caso de la planta de tratamiento de la empresa EMDUPAR S.A. E.S.P.

En la actualidad, la industria del agua ha centrado sus esfuerzos en producir la mejor calidad del agua a un menor costo. Teniendo en cuenta el gran consumo de sulfato de aluminio demandado por una planta de tratamiento de agua, se hace necesario crear una alternativa para la reducción y optimización del proceso de coagulación. En los últimos años, han aparecido en el mercado algunos sistemas para el control del proceso de coagulación, tales como el detector de potencial de corriente o SCD (Streaming Current Detector) entre otros, pero no han podido establecerse como la opción definitiva, gracias a su incapacidad de adaptarse a los cambios en la calidad del agua cruda.

16

Page 19: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Esta dificultad, ha motivado a ingenieros e investigadores a enfocar sus esfuerzos en la implementación de nuevos sistemas de control que se adapten a las necesidades de procesos complejos como lo es la coagulación en el tratamiento de aguas potables. En este proyecto se presenta el diseño de un control alternativo basado en un sistema experto implementado en Matlab, con el cual se pretende obtener y ajustar la dosis óptima de coagulante para la planta “gota fría” de la empresa EMDUPAR en Valledupar. El mejoramiento en el control de los procesos mediante la introducción de nuevas técnicas tales como las redes neuronales y la lógica difusa, abre una nueva ventana hacia el desarrollo de soluciones óptimas, para procesos cuyo control mediante el uso de técnicas convencionales resulta muy complicado. Con el objetivo de facilitar la comprensión de este informe, se cree necesario dividirlo en tres grandes partes de la siguiente manera: Sección I OBJETIVOS DEL PROYECTO Esta sección consta de un capitulo donde se especifican los objetivos, se formula el problema y se justifica la realización de este proyecto. Sección II FUNDAMENTOS TEORICOS Y REFERENCIAS Esta sección está plasmada en el capítulo 2. En él se realizó la investigación y documentación necesarias para la comprensión del proceso de tratamiento de aguas potables, así como de otros temas importantes en el desarrollo del proyecto, como lo son: las redes neuronales y los sistemas de control difuso. Sección III DESARROLLO DEL PROYECTO Esta sección contiene los capítulos 3 y 4, donde se explican detalladamente las diferentes etapas seguidas en el desarrollo de los objetivos específicos del proyecto. El capitulo 3, se denomina DISEÑO DEL SISTEMA DE CONTROL. En este capitulo se desarrolla el sistema propuesto para el control de la coagulación por medio de matlab.

17

Page 20: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Además, se desarrolla la simulación en matlab del control propuesto y se describe la realización de un programa en LabVIEW que proporciona otras funciones como el almacenamiento de datos y la visualización grafica de las variables. El capitulo 4, tiene el nombre de AUTOMATIZACION DEL PROCESO DE COAGULACION EN LA PLANTA DE TRATAMIENTO DE EMDUPAR S.A. E.S.P., aquí se presenta una descripción de los diferentes sensores seleccionados para las diferentes variables que hacen parte del sistema de control.

Finalmente, en el capitulo 5 se expresan las conclusiones y sugerencias de la realización de este proyecto.

18

Page 21: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

1. DISEÑO DE UN SISTEMA DE CONTROL, BASADO EN REDES NEURONALES Y LÓGICA DIFUSA PARA LA ESTIMACIÓN Y CONTROL DE

LA DOSIFICACIÓN DE SULFATO DE ALUMINIO EN LA PLANTA DE TRATAMIENTO DE AGUA POTABLE DE EMDUPAR S.A. E.S.P.

1.1 FORMULACIÓN DEL PROBLEMA Dentro de los procesos que conllevan a la potabilización del agua, el proceso de coagulación es el más complejo, debido a la relación no lineal entre la dosis óptima de coagulante y las propiedades físico – químicas del agua cruda como turbiedad, color, ph, temperatura, entre otras. La relación complicada entre las variables que hacen parte del proceso hace muy difícil la ejecución de sistemas de control basados en métodos tradicionales. Además, la importancia de la coagulación en la calidad de agua resultante y por consiguiente en la salud humana, exige una alternativa para un control moderno que permita dosificar la cantidad inmejorable de coagulante conforme al cambio en las características del agua cruda. En el caso particular de la empresa EMDUPAR S.A. E.S.P, el procedimiento de la dosificación de sulfato de aluminio se hace de una manera muy elemental, donde no se realiza un monitoreo y control continuo de las variables. Automatizar el proceso de dosificación de sulfato de aluminio, lograría que el procedimiento sea más preciso y eficaz. 1.2 JUSTIFICACIÓN Los altos costos de materia prima que se requieren en los procesos hacen que las empresas busquen nuevas alternativas tecnológicas, aunque impliquen una inversión inicialmente alta, estas pueden lograr minimizar y optimizar a futuro el consumo del material. Los sistemas de control inteligentes basados en redes neuronales y lógica difusa cada día adquieren más relevancia en la industria internacional. Software, como Matlab, han demostrado el potencial de estos métodos alternativos de control, e incluso en Colombia se pueden apreciar algunos ejemplos, como la planta de aguas de Puerto Mallarino de las empresas municipales de Cali (Emcali). Donde se desarrollo un sistema de redes neuronales y lógica difusa que permite llevar a cabo tanto la estimación como el control de la dosis de coagulante.

19

Page 22: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Si se implementa un control automático del proceso de dosificación de sulfato de aluminio en la planta de tratamiento de agua potable de la empresa EMDUPAR S.A. E.S.P., se suministraría la cantidad necesaria de manera continua y por el tiempo necesario. Esto traduce un ahorro de dinero y evitaría el gasto inútil de materia prima. De igual manera, se lograría un monitoreo constante de parámetros químicos y físicos importantes en el tratamiento de agua para consumo humano tales como turbiedad, PH, temperatura, entre otras. Gracias a esto la empresa contaría con registros del comportamiento de cada una de estas variables, lo que representaría en su momento un apoyo indispensable para decisiones que deben tomar los operarios en momentos críticos.

1.3 0BJETIVOS

1.3.1 Objetivo general. Diseñar un sistema de control, para la estimación y regulación de la dosificación de sulfato de aluminio en la planta de tratamiento de agua potable de EMDUPAR S.A.

1.3.2 Objetivos específicos

1. Diseñar una red neuronal para calcular el nivel de dosificación, tomando el test de jarras como base para el entrenamiento de la red.

2. Diseñar el controlador fuzzy que permita ajustar el nivel de dosificación de sulfato de aluminio.

3. Implementar los algoritmos de control en una plataforma de simulación y analizar el comportamiento del sistema propuesto.

4. Seleccionar los instrumentos necesarios para realizar la automatización del proceso.

20

Page 23: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

2. FUNDAMENTOS TEÓRICOS

2.1 PROCESO GENERAL PARA LA POTABILIZACIÓN DEL AGUA El proceso general de potabilización del agua, es básicamente, el mismo para los diferentes tipos de plantas existentes. Está compuesto por subprocesos que en su orden se denominan: coagulación, floculación, sedimentación, filtración y desinfección. En la mayoría de los casos, es preciso que el agua cruda pase por otras etapas antes del tratamiento principal, por que es necesario remover materiales suspendidos (hojas de árboles, algas, arcilla, etc.) que por su tamaño puedan causar problemas posteriores en el tratamiento; esta instancia es conocida como etapa de pretatamiento [11].

2.1.1 Tratamiento principal. A pesar de aplicación de los procesos de pretratamientos, el agua posee partículas muy pequeñas que no pueden ser removidas tan fácilmente. Por ello se hace necesario emplear procesos que remuevan algunas sustancias que no se pueden observar a simple vista. Los procesos para el tratamiento de agua empleados en la planta de la empresa EMDUPAR S.A. E.S.P se pueden observar en la figura 1. Los procesos de coagulación y floculación provocan que las partículas se aglutinen en pequeñas masas con peso específico superior al del agua llamadas flocs. Estos procesos se usan para:

Remoción de turbiedad orgánica o inorgánica que no puede sedimentar rápidamente.

Remoción de color. Eliminación de bacterias, virus y organismos patógenos susceptibles de ser

separados por coagulación. Destrucción de algas y plancton en general. Eliminación de sustancias productoras de sabor y olor en algunos casos y

de precipitados químicos suspendidos o compuestos orgánicos entre otros.

21

Page 24: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 1. Procesos para el tratamiento de agua

Fuente: Valledupar ecológica y solidaria

La coagulación, consiste en neutralizar la carga, generalmente electronegativa, de los coloides presentes en el agua, quedando estos en condiciones de formar flóculos. Este proceso se consigue introduciendo en el agua un producto químico denominado coagulante (sulfato de aluminio). La coagulación dura solamente fracciones de segundo y se lleva a cabo en las cámaras de mezcla rápida en donde se provoca una turbulencia en el agua para agregarle el coagulante. Por lo general son canales que poseen una rampa por donde pasa el agua a gran velocidad para poder generar la turbulencia. La floculación es el fenómeno por el cuál las partículas ya desestabilizadas chocan unas con otras para formar coágulos mayores. La floculación puede tener lugar en un aparato especialmente diseñado para este fin (floculador). Los floculadores son depósitos o cubas provistas de sistemas de agitación que giran con relativa lentitud o por un conjunto de palas estáticas. Los floculadores son diseñados de esta manera para no romper los flóculos ya formados, al mismo tiempo, la velocidad de agitación debe ser suficiente para

22

Page 25: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

conseguir el engrosamiento progresivo del flóculo e impedir que se formen sedimentos en el fondo. Luego de la floculación, el siguiente paso es separar los sólidos del líquido, es decir, las partículas coaguladas del agua; esto se logra con la sedimentación y la filtración. En la sedimentación, se realiza la separación de los sólidos más densos que el agua y tienen una velocidad de caída tal que puede llegar al fondo del tanque sedimentador en un tiempo económicamente aceptable. La filtración, en cambio, separa aquellos sólidos que tienen una densidad muy cercana a la del agua, o que han sido resuspendidos por cualquier causa en el flujo, y que por lo tanto no quedan removidos en el proceso anterior. El medio filtrante usado en plantas de tratamiento de agua, está constituido por arena sílice, antracita, granate o una combinación de dichos materiales. Los filtros, por lo general, son piscinas que tiene en su fondo el medio filtrante por donde pasa el agua; de aquí en adelante el agua es transportada por canales subterráneos. La última etapa en el proceso de tratamiento es la desinfección, la cuál, se refiere a la destrucción de los organismos causantes de enfermedades o patógenos presentes en ellas. Entre los principales encontramos bacterias como la Vibrio comma causante del cólera y la E.coli causante de diarreas, también se encuentran los protozoarios como la Ameba causante de quistes; diversos virus como el Virus de la hepatitis infecciosa y el Virus de la poliomielitis. La etapa del tratamiento de interés para la realización del proyecto es la coagulación, por lo tanto, a continuación se profundiza un poco más en el tema.

2.1.2 Teoría de la coagulación. La coagulación, como se comento anteriormente, consiste en neutralizar la carga electronegativa de las partículas que producen impurezas en el agua, por medio de la adición de sustancias químicas electroposivas. Después de la coagulación estas partículas microscópicas están listas para unirse unas con otras y formar coágulos de mayor tamaño que pueden ser decantados con facilidad. Para poder comprender el proceso de coagulación hay que conocer la naturaleza y características de las partículas a remover; estas partículas son llamadas coloides y forman en buena parte la turbiedad y el color ordinario del agua cruda. Se define como coloide a la dispersión de partículas diminutas de una sustancia, llamada fase dispersada, en otra, llamada fase continua o medio de dispersión. Por ejemplo, Un aerosol es una dispersión coloidal de un sólido en un gas [11].

23

Page 26: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

• Coloides. Los coloides son las partículas de muy bajo diámetro que son responsables de la turbidez o del color del agua superficial. Debido a su muy baja sedimentación la mejor manera de eliminarlos es por los procesos de coagulación-floculación. El objetivo de la coagulación es desestabilizar la carga electrostática para promover que los coloides se agrupen. El diámetro de los coloides está comprendido entre 1 µm y 1nm. La proporción superficie/volumen da muy buenas características de adsorción de los coloides para los iones libres. Este fenómeno de la adsorción del Ion implica la presencia de la carga electrónica en su superficie que da lugar a algunas fuerzas de repulsión. Este es el porqué de que los coloides son tan estables en la solución [11]. Hay diversos orígenes: disolución mineral de las sustancias, erosión, descomposición de la materia orgánica, residuos de granjas y aguas residuales.

• Impurezas del agua. El agua en su forma molecular pura no existe en la naturaleza, por cuanto contiene substancias que puedan estar en suspensión o en solución verdadera según el tamaño de disgregación del material que acarrea. Por otra parte, de acuerdo con el tipo de impurezas presentes, el agua puede aparecer como turbia o coloreada, o ambas. La turbiedad, que no es más que la capacidad de un liquido de diseminar un haz luminoso, puede deberse a partículas de arcilla provenientes de la erosión del suelo, o algas o a crecimiento bacterianos. El color está constituido por substancias químicas, la mayoría de las veces provenientes de la degradación de la materia orgánica, tales como hojas y plantas acuáticas con las cuales entran en contacto.

• Influencias de las variables en la coagulación. Cada una de las variables que intervienen en el proceso del tratamiento para potabilizar el agua, presentan características propias que deben ser estudiadas con la finalidad de seleccionar el coagulante que mejor se adecue al proceso y así obtener un agua con una alta calidad para el consumo humano [5]. De las variables que hacen parte del proceso de coagulación, el ph es la más influyente, dado a que existe al menos una escala de pH, para un agua dada,

24

Page 27: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

dentro de la cual se registra una buena coagulación - floculación en el tiempo más corto. La amplitud de la escala del pH está influenciada por el tipo de coagulante empleado, la composición química del agua y la dosis del coagulante. Si ello fuera posible, la coagulación deberá llevarse a cabo dentro de la zona óptima del pH, puesto que, en caso contrario se derrochará una cierta cantidad de productos químicos y el agua tratada será de menor calidad. Otra variable importante es la turbiedad. Mientras que aumenta la turbiedad es preciso aumentar la dosis de coagulante, sin embargo, en el caso de turbiedades muy elevadas, se requieren dosis de coagulante relativamente pequeñas, y las turbiedades muy bajas suelen ser más difíciles de eliminar por coagulación. Aunque se sabe que la disminución de la temperatura reduce la velocidad de las reacciones químicas, en lo que respecta a la coagulación este efecto es demasiado pequeño para que sea significativo. Sin embargo, se ha observado que el valor óptimo del pH es función de la disminución de temperatura y este desplazamiento es tanto más importante cuanto menores son las dosis de coagulante.

2.1.3 Descripción general de las etapas de coagulación y floculación en la planta Gota Fría de EMDUPAR S.A. E.S.P. La planta de tratamiento de agua potable Gota Fría de la empresa EMDUPAR se encuentra ubicada al norte de la ciudad de Valledupar y obtiene el agua del río Guatapuri; la planta tiene una capacidad promedio de 600 lt. / Seg. [7]. Como unidad de pretratamiento, la planta posee unos desarenadores donde se elimina el exceso de material suspendido en el agua como el lodo y hojas de árboles. El agua continua su curso hacia la zona de mezcla rápida en donde se produce el proceso de coagulación. En esta etapa, la sustancia química coagulante debe ser agregada a la masa de agua cruda en turbulencia para que se produzca una mezcla instantánea y uniforme y así se logre anular la carga eléctrica de las partículas. El mezclador de la planta es de tipo hidráulico, lo que significa que solamente utiliza la energía del agua para realizar la mezcla con el coagulante. El coagulante (sulfato de aluminio) llega al mezclador por medio de tuberías que se puede observar en la parte superior de la figura 2.

25

Page 28: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 2. Zona de mezcla rápida

Fuente: EMDUPAR S.A. E.S.P. El sulfato de aluminio se aplica a la zona de mezcla rápida por medio de dos dosificadores volumétricos (figura 3) localizados en la zona de dosificación de la planta; los dosificadores volumétricos son los más usados en la industria. En estos, el coagulante granular es almacenado en una tolva alta, desde donde el material cae hasta un mecanismos de medida, consistente en un tornillo sin fin que se desplaza con una velocidad prefijada gracias al variador de velocidad que posee el motor del tornillo. La acción del tornillo arrastra un cierto volumen de sólido y lo vierte en una cámara de solución con agua, de donde parte hacia la mezcla rápida. En la misma edificación se realizan las pruebas de jarras para controlar el proceso de coagulación; en la figura 4 se observa el equipo utilizado en la planta. Figura 3. Dosificadores volumétricos

Fuente: EMDUPAR S.A. E.S.P.

26

Page 29: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 4. Equipo de prueba de jarras de EMDUPAR

Fuente: EMDUPAR S.A. E.S.P.

Inmediatamente después de la mezcla rápida se ubican los floculadores (figura 5). Estos están conformados por varios depósitos interconectados por donde circula el agua lentamente; en los floculadores se dan las condiciones para que inmediatamente después de la coagulación se conformen los flóculos que posteriormente serán removidos. Figura 5. Floculadores

Fuente: EMDUPAR S.A. E.S.P. 2.2 CONTROL DEL PROCESO DE COAGULACIÓN El proceso de coagulación determina, en gran medida, la eficacia de los procesos siguientes en la potabilización del agua; una buena coagulación garantiza, por ejemplo, una excelente remoción de impurezas en los sedimentadores y filtros. Por eso se afirma, que la calidad del agua que ofrece una planta de tratamiento depende principalmente del proceso de coagulación [11]. Debido a su importancia, el control de la coagulación es la operación principal en una planta de tratamiento. En general los métodos de control podrían dividirse en dos grandes grupos:

27

Page 30: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Sistemas de simulación del proceso de coagulación (ejemplo, Prueba de Jarras).

Sistema de medición de las cargas electroestáticas de las partículas

(ejemplo, potencial de corriente). Últimamente se están utilizan métodos alternativos de control como redes neuronales y lógica difusa que han demostrado ser efectivos en el control de la coagulación [6], [9], [12].

2.2.1 Sistema de simulación del proceso de coagulación. Estos sistemas, como las pruebas de jarras, consisten en simular en unos vasos de precipitado o jarras los procesos de coagulación, floculación y sedimentación que se producen en la planta de tratamiento y evaluar distintos parámetros durante o al final de los ensayos para caracterizar su funcionamiento. Con los sistemas de simulación se pueden determinar los siguientes parámetros: 1. Determinación de dosis óptimas mediante la evaluación de: 1.1 Evaluaciones cualitativas:

Tamaño de floc producido Tiempo inicial de formación del floc.

1.2 Evaluaciones cuantitativas: Determinaciones físicas: Turbiedad y/o color residuales. Determinaciones químicas: PH, alcalinidad, hierro y/o manganeso.

2. Determinación de la velocidad de sedimentos en las jarras. 3. Determinación de la influencia del pH en la coagulación. 4. Determinación de la influencia que la concentración de los coagulantes

tienen en la coagulación.

• Determinación de la dosis óptima de coagulante. El objetivo de este ensayo es poder determinar la dosis de coagulantes que produce la más rápida desestabilización de las partículas coloidales en la planta y hace que se forme un floc pesado y compacto que quede fácilmente retenido en los sedimentos y no se rompa al pasar por el filtro. Debe observarse que no necesariamente el floc que sedimenta rápidamente es el que queda retenido en el filtro con más facilidad. El

28

Page 31: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

floc que se busca, por tanto, es aquel que da el mayor rendimiento en el conjunto de proceso de clarificación. El equipo y los reactivos que se necesitan para ejecutar la prueba de jarras se describen a continuación.

• Aparato de prueba de jarras. En el laboratorio, uno de los equipos más usados en el tratamiento de las aguas como elemento de control de la coagulación es el equipo de prueba de jarras. G. W. Fuller, J. Cairol y E. Theirault son precursores de la prueba de jarras como modelo predictivo [5].

• Descripción del equipo de prueba de jarras. Normalmente estos equipos constan de los siguientes elementos:

Un agitador mecánico provisto con tres a seis paletas, capaz de operar a

velocidades variables (de 0 a 100 revoluciones por minuto; actualmente pueden obtenerse equipos que operan con velocidades de hasta 400 revoluciones por minuto).

Un iluminador de flóculos localizado en la base del agitador del equipo.

Vasos de precipitado de 2 litros de capacidad, de cristal refractario.

En la figura 6 se observa el esquema de un equipo de prueba de jarras convencional. Figura 6. Equipo de prueba de jarras

Fuente: Tratamiento de agua para consumo humano. www.cepis.ops-oms.or

29

Page 32: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

• Turbidímetro. La medición de la turbiedad se logra mediante el uso de un turbidímetro convencional que mide la intensidad de la luz que pasa a través de una muestra de agua o la intensidad de la luz que es dispersada por las partículas en suspensión que están presentes en la muestra, generalmente desde una dirección situada a 90° de la dirección original del haz de luz.

• Medidor de pH. El pH afecta directamente la efectividad de la coagulación. Debido a ello, la medición de este parámetro antes y después de la floculación tiene gran importancia. El pH es un indicador de la concentración de los iones de hidrógeno en solución (pH = log10 [H+]). Para la medición de aguas naturales y tratadas en plantas de potabilización, se requiere una precisión de 0.05 unidades.

• Otros instrumentos. También son necesarios un termómetro, un colorímetro y un medidor de alcalinidad.

• Reactivo. El reactivo principal es la solución de sulfato de aluminio, cloruro o sulfato férrico. Se prepara agregando agua destilada a 100 g de coagulante hasta completar el volumen de 1.000 mL, con lo que se obtiene una solución de 10% que se puede conservar como solución patrón, por uno, dos o tres meses. El ensayo de prueba de jarras se hace diluyendo 20 mL de la solución patrón hasta completar 100 mL con agua destilada. Queda una solución al 2% que no se puede conservar por más de 24 horas pues corre el riesgo de hidrolizarse y perder buena parte de su capacidad de coagulación.

• Procedimiento para la realización de las pruebas de jarras. El objetivo del test de jarras es determinar la dosis de coagulante que produce la más rápida desestabilización de las partículas coloidales, que permita la formación de un flóculo grande, compacto y pesado, que pueda ser fácilmente retenido en los sedimentadores y que no se rompa y traspase el filtro. Equipos, materiales y reactivos

Equipo de prueba de jarras con 6 jarras de 2 litros, 6 deflectores, 6 tomadores de muestras y 6 jeringas hipodérmicas desechables de 10 cm3, con sus agujas.

30

Page 33: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Turbidímetro.

Colorímetro.

Medidor de pH.

Seis vasos de 50 y 100 mL, de vidrio o plástico.

El coagulante seleccionado. Procedimiento 1) Determinar la temperatura, la turbiedad, el color, el pH y la alcalinidad del agua

cruda con la que se va a trabajar. 2) Llenar las 6 jarras con dos litros de agua cruda cada una y colocarlas en su

respectivo lugar en el equipo de test de jarras. Dentro de cada jarra debe quedar introducida una paleta del agitador.

3) Calcular la cantidad de coagulante que se va a aplicar a cada jarra mediante la

ecuación de balance de masas:

P = D x Q = q x C (1)

Donde: P = Peso de coagulante por aplicar D = Dosis de coagulante en mg/L Q = Capacidad de la jarra en litros q = Volumen de solución por aplicar (mL) C = Concentración de la solución en mg/L

4) Colocar las cantidades del coagulante que se va a aplicar a las jarras en cada vaso mediante una pipeta. Succionar el contenido del vaso con una jeringa hipodérmica con la aguja puesta, para extraer hasta la última gota.

5) Retirar la aguja y colocar la jeringa delante de la jarra correspondiente. 6) Iniciar el funcionamiento del equipo de prueba de jarra con la velocidad máxima,

aplicando en forma simultánea e instantánea el coagulante a todas las jarras. Este procedimiento simula la mezcla rápida del coagulante con el agua cruda en la planta. El tiempo que duran los agitadores en máxima velocidad depende de cada planta en particular. En la planta de EMDUPAR se dejan por 1 minuto.

31

Page 34: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

7) Se disminuye la velocidad a 40 rpm, por 10 minutos para simular el proceso de floculación. Finalmente, se apagan los agitadores y se dejan reposar las jarras por otros 10 minutos para simular el proceso de sedimentación.

8) Se toman muestras de todas las jarras y se analiza la turbiedad. Se selecciona

como dosis óptima aquella que produce la menor turbiedad.

• Limitaciones. Existen limitaciones de carácter físico-químicos en la realización de las pruebas de jarra, algunas de ellas son: 1) En los reactores existe un flujo continuo; en cambio, en las jarras no hay flujo.

Esto hace que en los primeros la masa de agua sufra un tratamiento desigual, debido a que parte de ella queda retenida durante largo tiempo, mientras que otra parte pasa casi de inmediato. En cambio, en la prueba de jarras, el agua queda retenida durante todo el tiempo que dura el ensayo.

2) La escala de las jarras no guarda relación con la escala del flóculo, por cuanto

este se produce a escala natural y, en cambio, las jarras son cientos de veces más pequeñas que los floculadores. Por tanto, la proporción entre la escala de la turbulencia que se produce en uno y otro caso y el tamaño del flóculo es diferente, lo que afecta la velocidad de aglutinamiento de las partículas.

3) La dosificación de los coagulantes y la agitación de la masa de agua pueden

ser mucho mejor controladas en la prueba de jarras que en la planta de tratamiento.

No obstante estas deficiencias, la prueba de jarras sigue siendo el método más usual para controlar el proceso de coagulación.

2.2.2 Potencial de corriente. El potencial de corriente es una forma de medir las cargas de las partículas coloidales (positivas y negativas), que se relacionan con el potencial zeta de la siguiente manera:

Potencial Zeta i: ⎟⎟⎠

⎞⎜⎜⎝

⎛⎟⎠⎞

⎜⎝⎛

04 KP

uZD

πρ (2)

En donde: P= Diferencia de potencial, ρ = Densidad del coloide y Ko = Conductividad del electrolito.

32

Page 35: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

El potencial zeta es la medida del potencial eléctrico formado por el coloide cargado negativamente, y su atmósfera cargada positivamente; este potencial tiene un valor máximo en la superficie de las partículas, y disminuye gradualmente con la distancia. La caída del potencial y la distancia desde el coloide es un indicador de las fuerzas repulsivas de los coloides en función de la distancia a las cuales estas fuerzas entran en juego. El instrumento medidor del potencial de corriente genera una corriente alterna relativa a la carga de las partículas que se encuentran en el agua; la corriente es amplificada y medida por el equipo [11]. Los valores netos de carga que se obtienen con este método no son iguales a los que se obtienen en las mediciones del potencial Zeta, pero el punto isoeléctrico (potencial zeta = 0), en cambio, sí coincide en ambos, de manera que se pueden usar indistintamente para determinar el Potencial Zeta cuando se neutraliza la carga. Con base en esta propiedad, se monitorea la coagulación en la actualidad, manteniendo un control continuo sobre las cargas de partículas coaguladas, con el fin de ajustar la dosificación automáticamente. El diagrama de flujo de la siguiente figura muestra como se hace esta operación. Figura 7. Diagrama de flujo Fuente: teoría y práctica de la purificación del agua

Después de la mezcla rápida, se toma una muestra que va a un sensor remoto, y de allí, al monitor de potencial de corriente. Una vez determinadas las cargas de las partículas, el equipo las compara con un set point, esto es, con el valor de carga que el operador fija en el aparato; si son diferentes manda una señal a la bomba dosificadora para que aumente o disminuya la dosis de coagulante,

Mezcla Rápida

Sensor remoto

Floculador

Toma de muestras

Monitor del potencial de corriente

Sedimentador Filtro

Bomba dosificadora

Set point

33

Page 36: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

haciendo, mediante sucesivas correcciones, más electronegativas o electropositivas dichas cargas, hasta ajustarlas a las del set point, que solo hay que cambiar cuando se modifica la calidad del agua de la fuente. Las desventajas de este método de control se encuentran en la imposibilidad de adaptación a las diferentes calidades del agua que llega a la planta ya que son necesarios unos cambios mínimos de las propiedades del agua para poder realizar un control. Si el agua cambia sustancialmente, el dispositivo de control necesita un nuevo set point y nuevas constantes para el controlador, por lo cual los operarios deben realizar ajustes y pruebas de jarras continuamente.

2.3 REDES NEURONALES.

2.3.1 Redes neuronales. Las redes neuronales artificiales (RNA) son algoritmos computacionales que intentan emular el comportamiento de las redes neuronales biológicas. Estos programas son usados para aprender estrategias de solución basadas en ejemplos típicos de comportamiento de patrones. Lo más característico de las RNA es su capacidad de generalizar y aprender de las experiencias, por lo que no se requiere que se programen las tareas a realizar [1].

• Característica de una red neuronal artificial. El modelo de una neurona artificial es una imitación limitada del proceso de una neurona biológica; también es conocida como unidad o elemento de procesamiento (PE). En la figura 8 se observa un PE en forma general y su similitud con una neurona biológica [1]. Figura 8. Neurona biológica y neurona artificial

Fuente: autores De la observación del proceso biológico se han hallado los siguientes análogos con el sistema artificial:

Las entradas Xi representan las señales que provienen de otras neuronas y que son capturadas por las dendritas.

34

Page 37: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Los pesos Wi son la intensidad de la sinapsis que conecta dos neuronas; tanto Xi como Wi son valores reales.

θ es la función umbral que la neurona debe sobrepasar para activarse; este

proceso ocurre biológicamente en el cuerpo de la célula.

• Topología de las redes neuronales. Dentro de una red neuronal, los elementos de procesamiento se encuentran agrupados por capas, una capa es una colección de neuronas; de acuerdo con la ubicación de las capas en la RNA, estas pueden ser internas o externas. Las redes neuronales se pueden clasificar de diversas maneras según su topología, forma de aprendizaje (supervisado o no supervisado), tipo de función de activación, valores de entrada (binarios o continuos). Entre las redes tipo supervisado la más popular es la red Backpropagation por su gran capacidad de aproximar cualquier función matemática [1]. La red Back propagación es una red con múltiples capas de neuronas, además, tiene una forma de aprendizaje supervisado que necesita conocer cual es la salida esperada asociada con cada una de las entradas. La red utiliza un ciclo de propagación – adaptación en donde los patrones de entrada se aplican a la red para generar una salida. La señal de salida se compara con la salida deseada y se calcula una señal de error para cada una de las salidas. Las salidas de error se propagan hacia atrás, partiendo desde la capa de salida, hacia todas las neuronas internas. Basándose en la señal de error percibida, se actualizan los pesos de conexión de cada neurona, para hacer que la red converja hacia un estado que permita clasificar correctamente todos los patrones de entrenamiento. • Descripción de las funciones utilizadas en matlab para la red tipo backpropagation. La red neuronal Backpropagation presenta una gran variedad de opciones de configuración, dependiendo de la necesidad de aprendizaje y de la aplicación que esté desarrollando:

Newff: (PR,[S1 S2…. SNI],{TF1 TF2….TFNI},BTF,BLF,PF)

35

Page 38: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Donde: PR: R*2 Matriz de valores máximos y mínimos de cada una de las R neuronas de entrada. Si: Número de neuronas por cada una de las capas. TFi: Función de transferencia a utilizar en cada una de las capas, por defecto de utiliza tasing. BTF: Algoritmo de entrenamiento a utilizar, por defecto se utiliza trainlm. BLF: Función de actualización de los pesos, por defecto utiliza learngdm. PF: Función para evaluar el desempeño de la red, por defecto utiliza mse. El algoritmo de entrenamiento (BTF) empleado en el proyecto fue Traingda. Este es un algoritmo de pasos descendientes, que emplea una rata de aprendizaje adaptativa durante el proceso de entrenamiento. La rata de aprendizaje varía de 0.01 a 1, una rata de aprendizaje muy pequeña toma lento el aprendizaje, pero si se incrementa demasiado el aprendizaje puede tornarse inestable y crear divergencia por eso la funcion traingda varia la rata de aprendizaje tratando de sacar provecho de la inclinación del gradiente en cada momento. La sintanxis de este algoritmo es la siguiente: net.trainParam.epochs: Máximo numero de iteraciones para obtener convergencia. net.trainParam.goal: Error máximo permitido. net.trainParam.Ir: Rata de aprendizaje. net.trainParam.max_fail: Máximo número de fallas. net.trainParam.min_grad: Mínimo rendimiento del gradiente. net.trainParam.show: Intervalo de visualización de los resultados. net.trainParam.time: Máximo tiempo de entrenamiento en segundos. Con este algoritmo de entrenamiento la red se detendrá si el numero de iteraciones excede el comando net.trainParam.epochs, si se alcanzó el valor del error propuesto como meta, si la magnitud del gradiente es menor que net.trainParam.min_grad, o si el tiempo de entrenamiento supera el valor de net.trainParam.time.

2.4 LÓGICA DIFUSA

La lógica difusa o lógica fuzzy es una forma de razonamiento lógico que permite incorporar en los sistemas de automatización esquemas de razonamiento típicamente humanos.

36

Page 39: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

En la lógica difusa, las variables pueden tener varios niveles de verdad o falsedad representados por rangos de valores entre el 1 (verdadero) y el 0 (falso). Un sistema difuso esta compuesto básicamente por: un conjunto difuso, funciones de pertenencia, operaciones lógico difusas y reglas de activación [9]. • Conjuntos Difuso. Al igual que en los conjuntos utilizados en la lógica clásica, un conjunto difuso está definido como la agrupación de varios elementos que poseen una característica común, pero a diferencia de los primeros, éstos no exigen la pertenencia absoluta de un elemento, sino que reconocen que no todos sus elementos poseen la característica en la misma magnitud. • Función de pertenencia. Para definir el grado de pertenencia de un elemento x a un conjunto difuso A se utiliza una función que representa los números reales en los cuales toma valores la variable analizada. • Base de reglas difusas. La base de reglas es la forma en que el Sistema Difuso guarda el conocimiento experto que le permite resolver el problema para el cual ha sido diseñado. Estas reglas son del tipo si-entonces y tienen dos partes, el antecedente y el consecuente.

• Controladores difusos. El control difuso es la aplicación de la inferencia difusa en la automatización de procesos [2]. Gracias a las características de la lógica difusa, es posible llegar a diseñar un regulador bien ajustado al proceso aprovechando la experiencia previa de un operador, eliminando de esta manera la necesidad de complejos y laboriosos estudios técnicos del problema de control.

• Controlador lógico difuso proporcional derivativo. Para un controlador PD clásico la salida puede U puede escribirse como: u = Kp e + Kd e Donde e es el error y e es el cambio en el error. Suponiendo que e = entrada (salida deseada) – salida actual y: e = ce = error actual – error anterior Analizando la salida en términos de las cuatro combinaciones diferentes de e y ce se tiene:

37

Page 40: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Si el error e es +ve ce = + ve, error actual > error anterior, por tanto la salida se va en la dirección incorrecta ce = – ve, error actual < error anterior, por tanto la salida se va en la dirección correcta, es decir la salida se aproxima a la entrada. Si el error e es –ve ce = + ve, error actual < error anterior, por lo tanto, la salida se aproxima a la entrada ce = – ve, error actual > error anterior, por lo tanto, la salida se va en la dirección incorrecta. (+ve = valor positivo y - ve = valor negativo) Los cuatros casos se resumen de la siguiente forma:

• Desarrollo de la base de las reglas. Asumiendo que se tiene tres conjuntos fuzzy (N, Z y P) para cada entrada (e y ce) y salida u, se puede definir la base de reglas para el controlador difuso, así como se muestra en la siguiente figura. Figura 9. Funciones de pertenencia de e, ce y u; y las bases de reglas

Fuente: Comparación de controladores convencionales y controladores difusos

38

Page 41: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Por lo tanto, se tienen nueves reglas para el controlador difuso, además, el controlador descrito puede ser extendido refinando los conjuntos fuzzy definidos sobre el dominio pertinente y asimismo refinando el conjunto de reglas.

• Controlador lógico difuso proporcional integral. Un controlador PI difuso tiene como entradas el error (e) y el cambio del error (Δ e), y como salida, el cambio en la señal de control (Δ u). Como la salida del controlador fuzzy es el cambio de la señal de control, esta debe ingresar a un integrador para obtener la señal definitiva de control (u). La base de las reglas se obtiene de la misma forma que en el controlador PD difuso. El controlador difuso PI más difundido es el propuesto por Mac Vicar-Whelan [10], el cual emula un controlador PI estándar (ver Fig. 10). Esencialmente todos los controladores difusos mantienen una estructura similar, sin embargo, las diferencias entre ellos son: el método de inferencia, la base del conocimiento y el método de defusificación. Las entradas del controlador difuso PI son el error e(k) y el cambio en el error Δe(k), en donde:

( ) ( ) ( )( ) ( ) ( )( ) ( )( )1

1

1

1

−=Δ

−=Δ

−−=Δ

zzezezezzeze

kekeke (3)

La salida del controlador difuso PI es u(k):

( ) ( ) ( )( ) ( ) ( )( ) ( ) ( )( ) ( )

( ) ( ) ⎟⎠⎞

⎜⎝⎛−

Δ=

−=Δ

−=Δ

−−=ΔΔ+−=

1

1

1

11

)1(

11

zzuzu

zzuzuzuzzuzu

kukukukukuku

(4)

39

Page 42: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 10. Esquema del controlador difuso proporcional integral.

Fuente: Control difuso para una planta de secado. http://scielo-test.conicyt.cl/pdf/rfacing/v11n2/ART08.pdf

40

Page 43: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

3. DISEÑO DEL SISTEMA DE CONTROL En la planta de EMDUPAR S.A. E.S.P, el agua cruda proviene del río Guatapurí, la cual, en temporada de verano tiene las características ideales que no hacen necesario la adición de coagulante. En ese periodo el valor de la turbiedad y el color se mantienen cercanos a cero. En cambio, en los meses de invierno, la calidad del agua cambia drásticamente y sus propiedades abarcan una gran variedad de valores, por tanto, los márgenes de operación de calidad de agua cruda tratados en esta planta son grandes en comparación con otras plantas. La coagulación, es la fase mas importante, y a su vez la más compleja de todo el proceso, en donde la estimación de la dosis óptima de coagulante es la prioridad. En el proceso de potabilización se ha referenciado a la turbiedad como una de las variables más importante para indicar la calidad del agua en las diferentes etapas del tratamiento, por lo tanto, se ha tratado de relacionar la cantidad de turbiedad del agua cruda con la dosis adecuada de coagulante, en este caso sulfato de aluminio, pero la naturaleza compleja del proceso de coagulación y su relación con las diferentes propiedades del agua dificultan la realización de un modelo simple para la correlación entre la dosis óptima y cualquier propiedad del agua cruda. La relación entre las características del agua cruda y la coagulación en la planta de EMDUPAR se puede observar en la tabla 1, donde se muestran los resultados de varias pruebas de jarras, en ellas se exponen los valores de la dosis óptima necesaria, dependiendo de los valores de algunas propiedades del agua cruda, por ejemplo: para el agua cruda con turbiedad de 7 UNT, color de 15 UPC, un PH de 7.22 y una temperatura de 22.8 °C; la prueba de jarra arrojó como resultado una dosis óptima de coagulante de 25 mg/L.

41

Page 44: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Tabla 1. Propiedades del agua cruda vs. Dosis óptima

Propiedades del agua cruda Dosis Turbiedad

(UNT) Color (UPC)

ph Temperatura (°C)

(mg/lt.)

7 15 7.22 22.8 25 10 15 6.8 22.7 15 17 25 7.4 22 30 24 25 7.61 21.6 15 50 65 7.42 20.9 15

108 170 6.9 20.9 30 120 150 7.05 22.3 20 175 97 7.43 22 20 180 190 7.23 23 35 230 240 6.8 21.7 40 250 300 7 22.3 30 266 200 7.3 20.8 25 480 550 6.99 20.6 35 500 550 7.32 20.7 25

Fuente: autores/ pruebas de jarra Lo expresado en los párrafos anteriores es importante, al igual que el conocimiento de la operación del sistema actual de dosificación de coagulante en la planta, para establecer el diseño de un control de la adición de sulfato de aluminio en la planta de tratamiento de agua potable “Gota fría” de EMDUPAR S.A. E.S.P. 3.1 SISTEMA ACTUAL DE DOSIFICACION DE COAGULANTE EN EMDUPAR S.A. E.S.P. La dosificación de sulfato de aluminio se realiza por medio de dos dosificadores volumétricos, cada uno con un motor, cuya velocidad es manipulada por variadores de frecuencia. El coagulante es sulfato de aluminio con una composición de aluminio (Al2 O3), hierro (Fe2 O3) e insolubles, fabricado por PRODUCTOS QUÍMICOS PANAMERICANOS S.A. Los dosificadores poseen tolvas en la parte superior para almacenar el coagulante. En la parte inferior de la tolva existe una pequeña cámara donde se ubica un tornillo sin fin conectado con un reductor de velocidad, que ha su vez, está unido al motor por medio de una correa. El tornillo sin fin es el encargado de dosificar el coagulante en un depósito en la parte inferior del dosificador donde se

42

Page 45: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

mezcla con agua tratada, la solución parte hacia el lugar de mezcla rápida por una tubería, donde se añade al agua cruda. De la velocidad del motor depende la cantidad de sulfato suministrado al agua cruda. El dosificador se puede apreciar en la figura 11. Los motores son SIEMENS modelo ILA2 070 V360. De 0.4Hp, 60 Hz y 1640 rpm; el reductor de velocidad permite unos 1750 rpm de entrada con una salida de 112.9 rpm. Cada motor tiene un interruptor de partida SIEMENS modelo 3TW0210- IYN13 -1CS. El variador de frecuencia es SIEMENS MICROMASTER 440 modelo 6SE420- 2UC13- 7AA0, la frecuencia del motor puede variar de 0 a 60Hz dependiendo de la relación lineal con un voltaje de 0 a 10 V establecido manualmente con una resistencia variable. El variador de frecuencia se puede apreciar en la figura 12. Figura 11. Dosificador

Fuente: Autores / planta GOTA FRIA

43

Page 46: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 12. Variador de frecuencia

Fuente: Autores / planta GOTA FRIA

3.1.1 Operación del sistema actual de dosificación. Inicialmente el operador realiza una prueba de jarras para establecer la dosis requerida para una calidad de agua específica, luego relaciona la dosis obtenida de la pruebas de jarras con la cantidad en gramos por minuto de coagulante a dosificar por medio de la siguiente ecuación:

1000

60**CDDg = (3)

Donde Dg. = Cantidad de coagulante (gr/min).. D = Dosis derivada de las pruebas de jarra (mg/lt). C = Representa el caudal en la planta (600lt/seg.). 60 = Representa el tiempo en segundos que tarda en llegar el coagulante al punto de aplicación. 1000 = Factor de conversión. Por ejemplo, para una dosis óptima en la prueba de jarras de 30 mg/lt la cantidad de coagulante en gramos por minuto a dosificar sería de 1080 gr/min. Posteriormente, el operador debe realizar el ajuste en la velocidad del motor por medio del variador de frecuencia. La relación entre las diferentes posiciones del variador y la cantidad de sulfato suministrado por los dosificadores es establecida por la calibración que regularmente se les hace; en ella, se ubica el variador en 20 Hz y se toman tres muestras de sulfato con una duración de un minuto cada una, luego se pesan y se obtiene un promedio; la operación se repite aumentando la

44

Page 47: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

posición del variador en 5Hz hasta llegar a 60Hz. En la tabla 2 se presenta la relación entre las diferentes posiciones del variador de frecuencia y la cantidad de coagulante en gramos por minuto que suministra el dosificador 2 en la planta Gota fría. El operador controla la dosificación alrededor de la dosis óptima, aumentando o disminuyendo un poco el valor de la frecuencia teniendo en cuenta su experiencia y la observación de algunos parámetros después de la coagulación, tales como ph o turbiedad, para esto necesita el apoyo del personal de laboratorio de calidad, porque no hay sensores en la planta. Actualmente, el dosificador # 2 es el único que está en funcionamiento en la planta. Sin embargo, por lo general solamente es necesario un dosificador para suministrar el sulfato. El límite de dosificación del dosificador 2 está establecido cuando el valor del variador de frecuencia es de 60Hz, dosificando en promedio 1390 gr/min. Esto es necesario cuando las características del agua cruda hacen que el valor de la dosis óptima de la prueba de jarras esté alrededor de 40 mg/lt.

Tabla 2. Calibración del dosificador 2 en la planta Gota Fría

Sulfato de Aluminio Variador de frecuencia Medida 1 Medida 2 Medida 3 promedio

Hz gr/min. gr/min. gr/min. gr/min. 20 441 455 431 442,3 25 586 558 564 569,3 30 716 696 708 706,6 35 804 800 820 808 40 935 909 931 925 45 1056 1116 1038 1070 50 1239 1161 1175 1191,6 55 1329 1223 1280 1277,3 60 1399 1373 1400 1390,6

Fuente: planta gota fría EMDUPAR S.A. E.S.P

3.2 DESARROLLO DEL DISEÑO DEL SISTEMA DE CONTROL Desde el punto de vista clásico de control, la señal de retroalimentación tiene un tiempo muerto del orden de minutos, debido al tiempo que tarda el coagulante en llegar al punto de aplicación en la zona de mezcla rápida, y al tiempo de respuesta de los instrumentos de medida [9 ].

45

Page 48: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Por lo general, en la mayoría de las plantas, el operario es quien tiene el control de la dosificación. El operador para controlar el proceso realiza básicamente dos acciones; que son: estimar el nuevo punto de operación o dosis óptima por medio de las pruebas de jarras, y controlar la dosificación alrededor del punto de operación. No obstante, un operario no varía la dosificación en intervalos de tiempo muy seguidos, por lo que es muy posible, que en algún momento, se encuentre dosificando mas coagulante del que realmente necesita la planta. Teniendo en cuenta estas dos etapas, se diseñaron algoritmos de control que emularan las acciones de un operador, pero, con la posibilidad de regular la dosificación en intervalos de tiempo en el orden de segundos. Para la etapa de estimación de la dosis óptima de coagulante se decidió por una red neuronal artificial por su capacidad de estimar las relaciones no lineales entre variables; y para la etapa de ajuste de dosificación se decidió por un controlador PI fuzzy, porque, con la lógica difusa se puede implementar estrategias de control no lineales.

3.2.1 Diseño de la red neuronal para la estimación de la dosis óptima de coagulante. La red neuronal deberá predecir la dosis adecuada de sulfato de aluminio dependiendo de algunas de las propiedades del agua cruda, por lo tanto, se escogió un algoritmo tipo propagación hacia atrás. La red tipo perceptron multicapa, puede aproximar casi cualquier función si se escogen una adecuada configuración para la red y un adecuado numero de neuronas en la capa oculta. El algoritmo backpropagation es un algoritmo de aprendizaje supervisado, el cual necesita un conjunto de datos, donde en cada grupo de entrada exista una salida esperada, para así poder aproximar una función que los relacione; a este conjunto de datos se les da el nombre de datos de entrenamiento. En este caso en particular, los datos de entrenamiento provienen de los resultados de pruebas de jarras llevadas a cavo en el año 2005. Las propiedades físico-químicas del agua cruda seleccionadas como entrada, son: Turbiedad, Ph y Temperatura, por su importancia en el proceso de coagulación y por la facilidad de conseguir los sensores respectivos dado el caso de una futura automatización del proceso. Naturalmente, la variable de salida es la dosis óptima de sulfato de aluminio (mg/lt). En el anexo H se muestra un conjunto de entrenamiento, que consta de 75 grupos de datos extraídos de las pruebas de jarras realizadas durante los primeros meses de invierno. El objetivo es entrenar una red neuronal que aprenda estos datos y a partir de ellos este en capacidad de prever la dosis adecuada de coagulante.

46

Page 49: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

• Configuración de la red neuronal. El proceso de aprendizaje es diferente para cada red, el éxito depende en probar diferentes configuraciones hasta lograr la respuesta deseada. Para esta aplicación en particular, se escogió una configuración de 3:8:10:1, es decir, que para un vector de entrada de tres dimensiones (turbiedad, ph y temperatura del agua cruda) y una sola salida de red (dosis óptima de coagulante), se tienen ocho neuronas en la primera capa oculta, diez neuronas en la segunda capa oculta y una neurona en la salida. Un esquema de la red donde se muestra la distribución de las neuronas en las diferentes capas, así como, las características de los datos de entrada y de la salida de la red, se puede observar en la figura 13. Figura 13. Esquema de la red neuronal

Fuente: Autores

47

Page 50: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

• Entrenamiento de la red. El código de entrenamiento para la red se desarrollo con base en la herramienta de redes neuronales de Matlab. La red se creó mediante el comando newff para la creación de redes tipo backpropagation, con las siguientes características:

Net = newff (minmax (P), [8, 10,1], {'logsig','logsig','tansig',},'traingda'); Los parámetros que determinan el entrenamiento se fijaron en los siguientes valores, mediante los cuales se alcanzó el rendimiento óptimo de la red: net.trainParam.show =10; net.trainParam.epochs =1500; net.trainParam.goal = 1e-4; net.trainParam.lr = 0.075; net.trainParam.mem_reduc = 1; net.trainParam.min_grad = 1e-12. Considerando que no existe un método para hallar la configuración óptima de una red neuronal para cada aplicación, el número de neuronas y los parámetros que definen su entrenamiento, se obtuvieron a prueba y error empleando diferentes configuraciones. Los valores de entrada a la red se agruparon en un vector de tres entradas P, que describe la Turbiedad, el Ph y la Temperatura del agua cruda; y la dosis esperada de coagulante está representada en el vector T. los valores de la dosis óptima de coagulante fueron normalizados porque de esta forma se obtuvo un mejor desempeño de la red en el proceso de aprendizaje (los valores se pueden observar en la tabla 3); el proceso de normalización consiste en dividir cada uno de los valores de la dosis de coagulante por el máximo valor de dosis, de tal forma que el mayor valor de entrada a la red será uno: Dosis normalizada=valor de la dosis/ dosis máxima. Por ejemplo, para una dosis de 40 mg/ L, se tiene una dosis normalizada de 0.5714, por que la dosis máxima permitida en la planta es 70 mg/L. Después de normalizar los valores de las dosis se procedió al entrenamiento. T=T'; [net, tr]=train (net, P, T); Luego de varias iteraciones el error cayó por debajo de 10-4 Los parámetros de la red entrenada se presentan en la tabla 4

48

Page 51: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Tabla 3. Parámetros de la red neuronal W1= net.IW {1,1} 1 2 3 N1 -0.6200 -0.8446 0.0788 N2 0.5454 0.0187 2.9371 N3 0.3042 -3.5396 0.0011 N4 -0.2912 2.0810 -0.0880N5 0.1235 -3.2140 0.0133 N6 -0.0745 3.3832 -0.0012N7 0.7565 -2.8587 0.0205 N8 -0.4998 -2.0826 -0.0165 W2 = net.LW {2,1} 1 2 3 4 5 6 7 8 N1 -2.6144 -2.7676 3.6212 -2.6995 2.9591 -0.7645 -3.6687 -1.0349 N2 -3.8109 -4.1718 -1.6304 0.9800 -0.8446 -1.8678 2.3997 2.9747 N3 -2.2515 -0.2092 2.6869 -2.8548 -2.6571 2.7709 3.1265 -2.6363 N4 -2.1092 4.4474 -2.6168 1.6192 -2.5130 3.4806 -0.8692 -1.2519N5 -1.8334 -3.1139 -2.3738 -4.7801 -0.0350 2.0365 -0.0818 2.2278 N6 1.7656 -3.0115 0.7067 2.6865 -4.0471 1.4936 -3.7046 1.6145 N7 0.4134 -0.8587 2.0454 -4.4389 -3.4587 1.3361 -2.8484 3.5447 N8 2.1112 1.7002 -3.8364 -0.4494 -4.0281 1.8878 -3.1286 2.5074 N9 -1.1893 -3.1650 -0.4837 0.2249 5.8902 -0.2220 -3.3831 2.4023 N10 -2.9380 1.7078 2.5612 4.1087 2.6030 2.7308 1.4549 -1.3041 W3 = net.LW {3,2} 1 2 3 4 5 6 7 8 9 10 N1 0.2342 -1.6708 0.8184 -0.8761 0.0606 0.3223 0.3904 -0.0819 -0.1737 0.0363

b1=net.b {1} b2 = net.b {2} b3 = net.b {3} N1 28.5656 N1 6.1387 N1 1.7413 N2 -53.6205 N2 6.5471 N3 15.7118 N3 4.1188 N4 1.0374 N4 3.4829 N5 17.9235 N5 5.5540 N6 -11.7348 N6 0.4570 N7 5.5445 N7 0.3880 N8 28.3171 N8 3.7523 N9 -2.1601 N10 -9.8156 Fuente: autores/ matlab

49

Page 52: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

En la tabla 4 se muestran algunos valores de la simulación de la red donde se prueba su capacidad de predicción, aquí se compara los resultados de la red neuronal con las pruebas de jarras. Tabla 4. Dosis Red Neuronal vs. Prueba de jarras

Propiedades del agua cruda Dosis(mg/lt) Temperatura

°C ph Turbiedad

NTU Red Jarras

22 7.2 870 36.2260 35 22 7.38 30.8 19.4674 20 20 7.25 380 30.3457 30 21 7.1 85 10.79 10

22.5 7.2 130 30.2 30 20 7.2 510 40.78 40

Fuente: Autores / EMDUPAR S.A. E.S.P. Se puede observar el trabajo de la red y la buena labor de aproximación que realiza, teniendo en cuenta que el conjunto de datos de entrenamiento no era muy extenso. La red ha aproximado patrones que no se le habían presentado durante el entrenamiento, garantizando el éxito de la red para realizar la predicción de la dosis óptima de sulfato de aluminio. 3.2.2 Diseño de el controlador PI difuso para la regulación de la dosificación. La empresa EMDUPAR esta interesada en adquirir un equipo SCD (Streaming Current Detector) que permita regular la dosis de coagulante de una manera más precisa, ya que la prueba de jarras provee un punto de referencia de la dosificación requerida, la cual se debe ajustar para obtener óptimos resultados. Teniendo en cuenta que este sensor es utilizado con éxito como apoyo en el control de la dosificación por su practicidad y ventajas sobre otros métodos, el controlador para el ajuste de la dosificación se basó en las decisiones que realizaría un operario, dependiendo de la información suministrada por el SCD. • Funcionamiento del SCD. El dispositivo contiene un sensor modular remoto colocado en un punto de la planta después de la mezcla rápida, encargado de medir el potencial asociado a la carga de los coloides por medio del método del potencial de corriente [4].

50

Page 53: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

El potencial resultante, proporcional a la carga, es procesado electrónicamente para dar una lectura de la corriente de fluido en micro-amperios (streaming current units SCU). El punto de operación ideal, establecido por el fabricante, se obtiene cuando el SCD marca un valor de 0 SCU, lo que significa que las cargas en los coloides están totalmente neutralizadas y pueden agruparse para formar flocs, pero, en las plantas reales el punto ideal de operación varía respecto a las condiciones del agua cruda. Cuando el valor del SCD sea superior al punto de operación (set point) significa que se está agregando demasiado coagulante al agua, y si el potencial es inferior significa que no se esta agregando el suficiente coagulante en el proceso. • Selección de un modelo matemático para el proceso de coagulación. Para el diseño del controlador difuso, y posterior simulación de todo el control, es necesario establecer el modelo de la planta que relacione la variable manipulada (dosis de coagulante en mg/lt) con la variable que se pretende controlar (valor del sensor SCD). Realizar una aceptable identificación lineal no es fácil, debido a que el proceso de coagulación es muy complejo. En la planta de EMDUPAR no es posible obtener este modelo debido a la falta de instrumentación necesaria. Hecho por el cual, se decidió por adaptar un modelo de otra planta con características similares a la planta Gota Fría de la empresa EMDUPAR. El modelo seleccionado pertenece a la planta La Laguna, una de las plantas de tratamiento de agua potable perteneciente a la Empresa de Acueducto y Alcantarillado de Bogotá (EAAB), Colombia. Este modelo fue extraído del artículo “Automatización del proceso de coagulación”, basado en una tesis de muestra con el mismo nombre, de la Universidad de los Andes [3]. Se seleccionó este modelo debido a que el sistema de dosificación es similar a la planta de EMDUPAR (utilizan dosificadores volumétricos), usan el mismo coagulante, y en general todo el proceso de potabilización se realiza prácticamente igual en ambas plantas. • Identificación del modelo. .A partir de varias pruebas, el autor determinó que con respecto a la dosificación de aluminio existe un tiempo muerto de alrededor de 6 minutos y un tiempo de establecimiento de aproximadamente 45 minutos. El tiempo muerto se debe a la mezcla del sulfato de aluminio con agua y su transporte al punto de dosificación [3].

51

Page 54: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

El modelo se realizo por medio de la identificación de modelos no lineales. Se determinó que por medio de los índices de lipchitz, aumentar el orden del modelo no ofrece mejores resultados, en ése punto el modelo no puede representar mejor el sistema [3]. Por lo cual se opto por el siguiente modelo, cuya función de transferencia es la siguiente:

(z) = 234 3866.05953.00115.0

ZZZ −− DOS (Z) (4) Es un modelo de cuarto orden de tiempo discreto que tiene los polos en z=0, z= 0.987 y z= -0.3917, con un tiempo de muestreo de 30 seg.; DOS (z) representa la variable de dosis de coagulante y SCU (z) representa la salida en SCU de la planta, obtenida del sensor SCD. La función de transferencia sirvió como modelo de la planta La Laguna para la realización de un sistema de control predictivo de la dosificación; actualmente este control se encuentra en uso en dicha planta. Los datos de comparación entre la salida de la planta y el modelo diseñado se observan en la figura 14. Figura 14. Validación del modelo de la planta

Fuente: Automatización del proceso de coagulación. http://dspace.uniandes.edu.co:5050/dspace/bitstream/1992/374/1/mi_1259.pdf

52

Page 55: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

• Desarrollo del controlador PI difuso en Matlab. Los algoritmos difusos, para este controlador fueron implementados con la herramienta de logica difusa en matlab(Logic Fuzzy toolbox).

• Entradas del controlador PI difuso. Teniendo en cuenta la configuración de un controlador PI difuso (Fig. 10, pagina 40), las entradas del controlador estarían conformadas por: el error (E –SCU) entre el valor de set point y el valor de SCU de la planta, y el cambio del error (CE-SCU): E-SCU = set point – SCU de la planta CE-SCU = (E-SCU actual – E-SCU anterior)/ ∂t Las entradas al controlador son discretas, por lo tanto se tiene que: CE-SCU = E-SCU (k) – E-SCU (k-1)

La configuración del controlador PI difuso establece que la salida se obtiene al ingresar el resultado de la lógica difusa en un sumador (1/(1-Z-1). La señal de ajuste definitiva representa la variación en mg/lt de la dosis proveniente de la red neuronal; esta señal se suma con la dosis de la red neuronal.

• Funciones de pertenencia de las variables de entrada (E-SCU y CE-SCU). La efectividad esperada para la red neuronal implica que el controlador solo debe hacer ajustes muy pequeños en la dosificación, ya que la red haría el gran trabajo de encontrar una dosis lo mas apropiada posible dependiendo de los parámetros del agua cruda. Los rangos de las variables de entrada fueron variando a medida que se mejoraba la simulación del control con la planta seleccionada. En definitiva, los rangos de las variables quedaron establecidas asi: para la variable E-SCU el rango establecido es de -3 a 3, y para la variable CE-SCU el rango va desde -0.1 a 0.1. La entrada E-SCU esta dividida en siete funciones de pertenencia: NA: Representa el mayor error con valor negativo.

NM: Representa un error medio con valor negativo.

53

Page 56: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

NB: Representa un error pequeño con valor negativo. Z: Representa un valor cercano de cero. PB: Representa un error positivo pequeño. PM: Representa un error positivo medio. PA: Representa el mayor error positivo. Las funciones de pertenencia de la entrada E-SCU se aprecian en la figura 19 Figura 15. Funciones de pertenencia de E-SCU

Fuente: Autores/ Matlab, FIS editor La entrada CE-SCU también esta dividida en siete funciones de pertenencia: na: Representa el mayor cambio negativo en el error. nm: Representa un cambio negativo mediano en el error. np: Representa un pequeño cambio negativo en el error. z: Representa una estabilidad en el valor del error.

pb: Representa un pequeño cambio positivo en el valor del error.

pm: Representa un mediano cambio positivo en el valor del error. pa: Representa el mayor cambio positivo en el valor del error. Las funciones de pertenencia de la entrada CE-SCD se aprecian en la figura 20.

54

Page 57: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 16. Funciones de pertenencia de CE- SCU

Fuente: Autores/ Matlab, FIS editor

• Diseño del conjunto de reglas. El conjunto de reglas de inferencia representa las acciones que realizaría un operador; las reglas del controlador PI difuso depende del error y su cambio, por ejemplo: si se tiene un pequeño error negativo y un pequeño cambio del error también negativo, entonces, la salida es disminuir medianamente la dosificación. Por el contrario, si se tiene un error positivo pequeño y un pequeño cambio positivo del error, entonces, la salida es aumentar medianamente la dosificación. El número total de reglas depende de la combinación de todas las entradas, en este caso hay dos entradas (E-SCU y CE-SCU) conformadas cada una con siete funciones, por lo tanto, el número total de reglas es 7x7= 49. La base para las 49 reglas se observa en la siguiente tabla. Tabla 5. Base de las reglas de inferencia

na nm nb z. pb pm pa NA NMA NMA NA NA NM NB ZO

NM NMA NA NA NM NB ZO PB

NB NA NA NM NB ZO PB PM

Z NA NM NB ZO PB PM PA

PB NM NB ZO PB PM PA PA

PM NB ZO PB PM PA PA PMA

PA ZO PB PM PA PA PMA PMA Fuente: autores

55

Page 58: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

La salida (ajuste) se diseñó con nueve funciones de pertenencia. Las funciones son las siguientes:

NMA: Representa la mayor disminución en el cambio del porcentaje de ajuste de la dosificación

NA: Representa una disminución un poco menor que la anterior en el cambio

del porcentaje de ajuste de la dosificación

NM: Representa una disminución mediana en el cambio del porcentaje de ajuste de la dosificación.

NB: Representa una pequeña disminución en el cambio del porcentaje de

ajuste de la dosificación

ZO: Representa una estabilidad en el cambio del porcentaje de ajuste de la dosificación.

PB: Representa un pequeño aumento en el cambio del porcentaje de ajuste de

la dosificación.

PM: Representa un aumento medio en el cambio del porcentaje de ajuste de la dosificación.

PA: Representa un aumento un poco mayor que el anterior en el cambio del

porcentaje de ajuste de la dosificación.

Así como los rangos de las variables de entrada, el rango de la salida del controlador difuso fue variando a medida que mejoraba la simulación, finalmente se decidió por una escala entre -1 y 1, esta salida debe ingresar al sumador para obtener la señal de ajuste definitiva. Las funciones de pertenencia de la salida ajuste se observan en la figura 19. Figura 17. Funciones de pertenencia de la salida ajuste

Fuente: Autores

56

Page 59: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

La defuzzificación de la salida se realiza por el método de centroide. La superficie de control se puede observar en la figura 20.

Figura 18. Superficie de control

Fuente: Autores / Matlab, superface viewer Finalmente, la dosis definitiva en mg/lt se obtiene con la siguiente formula:

D = DRNA + ADEF (5)

En donde: D = Dosis definitiva en mg/lt DRNA = Dosis red neuronal artificial en mg/lt. ADEF = Salida del controlador PI fuzzy =Ajuste definitivo de -3 a 3 mg/lt, estos valores representan el cambio

máximo y mínimo que realiza un operador en la planta.

3.2.3 Descripción del sistema de control. En la figura 19 se observa el diagrama de bloques del sistema de control propuesto para el control de la dosificación de coagulante. El primer bloque, llamado red neuronal para la estimación de dosis, estima la dosis óptima dependiendo de las propiedades del agua cruda. Las entradas a este bloque son: temperatura, turbiedad y pH; la salida se denomina DRNA y representa la dosis en mg/lt obtenida por la red neuronal. El segundo bloque, llamado control PI difuso, tiene la función de ajustar la dosis de la red neuronal, dependiendo del set point de SCU. Las entradas de este bloque son el error (e- scu) entre la señal de SCD proveniente de la planta y el valor de

57

Page 60: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

set point, y el cambio de ese error (ce –scu). La salida del control PI difuso de ajuste de la dosis es el ajuste definitivo ADEF. La dosis definitiva D en mg/lt se compara con el nivel de operación de la planta, el nivel de operación es la dosis promedio en mg/lt que se suministra en la planta de tratamiento. Gracias a los datos de entrenamiento, se obtuvo los valores promedios de las propiedades del agua cruda que sirven como variables de entrada a la red neuronal, ingresando estos valores en la red (Temp.=23.1ºC, pH= 7 y Turbiedad = 176,2 NTU), se obtuvo que el nivel de operación es de 37 mg/lt. El resultado de la diferencia entre el nivel de operación y la dosis definitiva es la entrada a la planta. Por ahora, el set point necesita ser ingresado, pero podría establecerse automáticamente, relacionando la turbiedad, el ph y la temperatura del agua cruda con el punto de operación de SCU por medio de una red neuronal. Para realizar lo anterior, se necesita que la planta de EMDUPAR adquiriera los sensores necesarios, y asi, poder tomar el conjunto de datos de entrenamiento de la red. Figura 19. Esquema del sistema de control

Fuente: Autores

58

Page 61: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

3.2.4 Simulación del sistema de control. La simulación del sistema de control permite confirmar la viabilidad del diseño propuesto por medio de la observación del comportamiento de la variable controlada (dosis de coagulante) y la salida de la planta. Se realizaron dos simulaciones, una en Simulink de Matlab y otra en Labview. La simulación en Labview está enfocada a la automatización del proceso, aunque también integra el control diseñado en Matlab.

• Simulación en Simulink. Para establecer el controlador PI fuzzy en simulink, se utilizo la Fuzzy logic toolbox de ese programa y se implemento la herramienta Fuzzy logic controller with Rulerviewer, la cual, permite observar las reglas difusas mientras se ejecuta la simulación. La red neuronal se implemento como un subsistema que se integro al resto de la simulación. Las entradas a la red neuronal fueron establecidas con la herramienta Step de simulink con el objetivo de realizar varios cambios en la dosis de la red neuronal a medida que avanza la simulación, y así, observar el comportamiento de la salida de la planta y de la dosis definitiva. El primer paso en el desarrollo de la simulación fue establecer la planta y el control PI difuso para poder hacer los ajustes en las escalas de funciones de pertenencia de la lógica difusa. Estos ajustes son necesarios para buscar, en lo posible, un buen comportamiento de la señal de la variable controlada, que en este caso es la dosis de coagulante. Se entiende por buen comportamiento, por ejemplo, que la dosis alcance el valor adecuado sin que sobrepase ese valor en ningún momento, lo contrario, conlleva a un gasto innecesario de coagulante. En la figura 20 se observa la estructura de la red neuronal realizada en simulink y en la figura 21 se observa la simulación del sistema de control.

59

Page 62: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 20. Red neuronal artificial implementada en Simulink

Fuente: Autores/ Matlab

Figura 21. Simulación del sistema de control en Simulink

Fuente: Autores/ Matlab

60

Page 63: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

También se realizo la simulación del sistema con un controlador PID convencional para comparar el comportamiento de la salida y la variable de control entre ambos controladores; la ganancia proporcional del controlador PID se estableció en 0.1, la ganancia integral en 0.3 y la ganancia derivativa en 0.001. Se realizo una simulación con un set point de -0.3 SCU, una turbiedad de 190NTU, un pH de 7 y una temperatura de 23ºC; el nivel de dosificación de la planta se fijo en 37 mg/lt; con estos valores de entrada, se obtuvo una dosis de red neuronal de 37.88 mg/lt. El tiempo de la simulación fue de 200 segundos con un tiempo de muestreo de 0.1 seg. En la figura siguiente se observa la comparación de la salida con respecto al set point, del sistema con un controlador PID y el sistema de control propuesto. Figura 22. Comparación de la salida entre el controlador PID y el sistema de control con el controlador PI difuso

Fuente: Autores/ Matlab A continuación se presentan la señal de control (dosis definitiva en mg/lt) obtenida por el controlador PID y el controlador difuso.

61

Page 64: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 23. Comparación de la señal de control entre el controlador PID y el controlador PI difuso

Fuente: Autores/ Matlab Se observa que el desempeño de los controladores es muy parecido. Se realizo otra simulación, esta vez, con un cambio de un grado en la temperatura, esta paso de 23 a 24 grados centígrados; el cambio en la temperatura provoco la variación de la dosis de la Red neuronal Artificial, esta paso a 39.3 mg/lt. La variación tuvo lugar en el segundo 80. El tiempo de muestreo fue de 0.1 segundo, un tiempo de muestreo superior convierte al sistema en inestable. En las siguientes figuras se observa la comparación entre el sistema de control con PI difuso y el sistema de control con PID discreto.

62

Page 65: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 24. Comparación de la salida entre el controlador PID y el sistema de control con el controlador PI difuso, con un cambio en la temperatura.

Fuente: Autores/ Matlab

Figura 25. Señal de control ante un cambio en la temperatura

Fuente: Autores/ Matlab

63

Page 66: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

A continuación se realizo un cambio en el set point, paso de 0 SCU a 0.3 SCU manteniendo las demás variables constantes. Las figuras 26 y 27 muestran respectivamente, las señales de salida de la planta en SCU y la dosis definitiva en mg/lt de los controladores. Figura 26. Comparación de la salida entre el controlador PID y el sistema de control con el controlador PI difuso, con un cambio en el set point.

Fuente: Autores/ Matlab Figura 27. Comparación de la señal de control entre el controlador PID y el controlador PI difuso, ante un cambio de Set point

Fuente: Autores/ Matlab

64

Page 67: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Ante un cambio de set point, el controlador PI difuso maneja unos cambios más sutiles en la señal de control respecto al controlador PID discreto, sin embargo, las señales de salida son similares. Finalmente, se llevo a cabo una simulación con un ruido blanco de 0.001W en la salida del sistema y se comparo el resultado entre los dos sistemas de control. La configuración del sistema de control con PI difuso y con ruido en la salida de la planta se observa en la figura 28. Figura 28. Configuración del sistema de control con PI difuso y ruido

Fuente: Autores/ Matlab La figura siguiente muestra la salida en el sistema, con el controlador PID y con el controlador difuso. Figura 29. Comparación de la salida del controlador PID y el controlador PI difuso ante ruido

Fuente: Autores/ Matlab

65

Page 68: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

La salida del sistema de control con el controlador PI difuso no responde satisfactoriamente ante la señal de ruido, en cambio, el controlador PID tiene una respuesta mas acertada.

• Simulación en LabVIEW. En la planta actualmente existe una carencia de instrumentos especializados que permitan obtener información en línea, de forma rápida y precisa con forme a la dinámica del proceso de tratamiento. Consecuencia de ello, no se puede tener las ventajas que esto conlleva, como la creación de una base de datos que se actualice constantemente, así como la presentación ordenada de la información en tiempo real y la posibilidad de automatizar las diferentes etapas o subprocesos del tratamiento de agua potable en EMDUPAR S.A. E.S.P. Precisamente, mediante la simulación de la automatización del proceso de adición de coagulante en la planta de EMDUPAR S.A. E.S.P. se puede ver de una forma ideal las características que se plantean en el párrafo anterior. La simulación fue desarrollada en labVIEW 7 Express, como una aplicación del modulo DSC (Datalogging and Supervisor Control). En la simulación se presenta una interfaz amigable para el usuario donde se puede observar alarmas, los valores simulados de las propiedades del agua más significativas y la generación de reportes de datos históricos. En la simulación también se establece el control automático de la dosificación coagulante; en el, se incorpora el control por redes neuronales y lógica difusa diseñado en matlab.

• Descripción del modulo DSC de labVIEW. El modulo Datalogging and Supervisory Control adiciona características y capacidades a labVIEW que ayudan al usuario a crear aplicaciones de monitoreo y registro de datos. Las características más importantes que provee el modulo DSC son:

Colección de datos Históricos. Reporte y registros de alarmas y eventos. Servidor y cliente OPC Conexión con PLCs y dispositivos de redes industriales. Seguridad

• Herramienta del modulo DSC. Las siguientes son las herramientas adheridas a LabVIEW cuando se instala al modulo DSC

66

Page 69: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Tag Configuration Editor. Esta herramienta se utiliza para editar o borrar todas las variables en el sistema del modulo DSC y para configurar los parámetros del Tag Engine. El Tag Configuration Editor registra toda la información de las variables y los parámetros del Tag Engine y guarda esa información en un archivo de configuración (.scf). El Tag Engine lee este archivo para determinar los parámetros de configuración para la ejecución. Tag Engine. El Tag Engine funciona como una aplicación separada,

independiente de la aplicación HMI. Ambos, la interfase grafica o HMI y el servidor se comunican con el Tag Engine. El Tag Engine realiza las siguientes tareas para el modulo DSC:

Iniciar y detener el dispositivo servidor Escala e inicializa los datos Procesar las alarmas Registrar las alarmas y eventos a la base de datos Citadel Registrar los datos históricos a la base de datos Citadel.

El servidor y la interfase grafica envían los datos al Tag Engine. El Tag Engine registra los datos en la base de datos Citadel. Citadel. La base de datos Citadel es una base de datos de LabVIEW usada por

el modulo DSC y otros productos de National Instruments que almacena eficientemente los datos adquiridos y procesados por las aplicaciones.

• Partes de una aplicación del modulo DSC. Una aplicación del modulo DSC contienen tres partes que trabajan juntas: la interfase grafica o aplicación HMI (Human Machine Interface), el Tag Engine y varios dispositivos servidores, tal como se muestra en la figura 43. El Tag Engine, con cualquier servidor, se activan como una aplicación separada e independiente de la aplicación HMI.

67

Page 70: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 30. Partes de una aplicación del modulo DSC

Fuente: Datalogging and Supervisory Control Module Developer Manual

• Funcionamiento de la simulación. Al iniciar la simulación automáticamente se activa el Tag Engine y la interfaz gráfica. En el programa de interfaz grafica, además de aplicar el control automático por Matlab se puede acceder a diferentes herramientas del modulo DCS como generación de reporte de datos históricos, monitoreo de alarmas, tendencias de las variables y visualización grafica de las variables importantes del proceso. El usuario puede ingresar los valores del las propiedades del agua cruda mientras la simulación esta en curso, y estos valores son almacenados directamente en la base de datos. También tiene la opción de ingresar un set point manual o acceder a un set point automático. En la figura 31 se visualiza el diagrama de bloques de la interfaz grafica, y en la figura 32, el panel frontal.

68

Page 71: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 31. Diagrama de bloques de la interfaz grafica.

Fuente: autores/ LabVIEW

Figura 32. Panel frontal de la interfaz grafica

Fuente: Autores/ Labview.

69

Page 72: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

• Programación del control en LabVIEW. La red neuronal se implemento como un subVI, para programar la red se introdujeron los diferentes pesos y constates que se definieron anteriormente (tabla 3. Parámetro de la red neuronal), así como, las diferentes funciones de pertenencia de las neurona, en la siguiente figura se observa la programación de la red neuronal.

Figura 33. Red Neuronal en LabView

Fuente: Autores/ Labview. El control difuso se implemento por medio de la toolbox de lógica difusa en labview, de igual manera que en simulink de matlab. La función de transferencia de la planta, así como, la función del sumador a la salida del control difuso y la función diferencial en la entrada del controlador, se realizaron por medio de la toolbox de control que se encuentra en labview. En la figura 34 se observa en detalle los VIs utilizados en la construcción del controlador difuso y las funciones de transferencia discreta. todo el control se encuentra dentro de un ciclo while para poder realimentar el control.

70

Page 73: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 34. VIs para programar la lógica difusa y las funciones de transferencia discreta

Fuente: Autores/ Labview.

• Configuración de las variables por medio del Tag Configuration Editor. La información de las variables es implementada en un archivo .scf. Cuando el Tag Engine se activa, carga el archivo .scf e identifica las variables con las cuales realiza sus tareas para el modulo DSC (ver sección 4.2.1 descripción del modulo DSC de labVIEW). Para ingresar al Tag Configuration Editor se seleccionó Tools»DSC Module»Configure Tags. Como lo muestra la siguiente figura.

Figura 35. Procedimiento para ingresar al Configure Tag

Fuente: autores / LabVIEW

71

Page 74: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

En el archivo .scf se definieron las variables de turbiedad, temperatura, scu, dosis y ph como datos de tipo análogo, y las variables que representan los sensores de nivel como datos de tipo discreto. Todas las variables tienen acceso a la memoria para almacenarlas en la base de datos. En el archivo .scf también se definió el servidor para todas las variables. El servidor para la simulación es el mismo que utiliza LabVIEW en sus ejemplos de simulaciones, el nombre del servidor es Cookie Factory I. El Cookie Factory I es un servidor basado en un VI, y es utilizado en una simulación que lleva el mismo nombre, además de ser utilizado en otros ejemplos. En la figura 36 se observa las variables en el archivo .scf, además de la configuración del servidor. Cada una de las variables definidas en la interfaz grafica son conectadas a sus respectivas etiquetas o tag name del archivo .scf por medio de la propiedad DataSocket connection; este procedimiento se puede observar en las figuras 37y 38. Figura 36. Archivo emdupar.scf

Fuente: autores / LabVIEW

72

Page 75: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 37. Procedimiento de conexión al modulo DSC

Fuente: autores/LabVIEW

Figura 38. Conexión por medio de DataSocket

Fuente: autores/LabVIEW Por medio de DataSocket se puede intercambiar datos en línea entre diferentes VIs en un computador, o en diferentes computadores a través de Internet u otra red. El VI de interfaz grafica publica los datos suministrados por el usuario en el servidor local del modulo DSC por medio de la configuración de las variables en el Tag Configuration Editor del modulo DSC. El tag engine lee el archivo de configuración y registra los datos en la base de datos histórica llamada Citadel.

• Configuración de las alarmas. Las alarmas para las variables de turbiedad, ph y los sensores de nivel se configuran con Tag Configuration Editor, como lo muestra la figura 39. Las alarmas se pueden observar en la interfaz grafica por medio de la visualización de mensajes de alarmas que indican el estado de las variables, por ejemplo: Si la variable de turbiedad sobrepasa el valor de 600 UNT

73

Page 76: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

inmediatamente se activa un mensaje en la pantalla de ALTA TURBIEDAD!. Esta función es posible gracias al VI Read Alarm summary. Vi del modulo DSC. La visualización de las alarmas en el programa de interfase grafica se observa en al figura 40. Figura 39. Configuración de alarmas

Fuente: Autores/ LabVIEW

Figura 40.Visualización de las alarmas

Fuente: Autores/ LabVIEW

74

Page 77: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

• Botones auxiliares. Los botones auxiliares pueden acceder a diferentes propiedades del modulo DSC de LabVIEW como generación de reporte y tendencias de las variables de forma grafica.

Tendencias. Gracias a este botón se pueden observar gráficamente los valores de las variables en los últimos cinco, diez o 30 minutos. El pilar de la programación es el VI Read Trace.vi del modulo DSC, el cual lee los datos históricos de las variables usando un intervalo de tiempo especificado. El panel frontal del subVi se puede apreciar en la figura 41. Figura 41. Tendencia de las variables

Fuente: Autores/ LabVIEW

Datos históricos. Este botón permite crear un reporte en Excel de cualquiera de las propiedades del agua ya sea turbiedad, ph, temperatura o SCD. En este subVI se puede seleccionar el intervalo de tiempo para realizar el reporte, entre los últimos minutos o desde cualquier fecha anterior, siempre y cuando se tengan registros. El archivo en Excel se puede guardar en el disco duro e imprimir.

La programación esta basada en los VI de generación de reporte que se encuentran en la paleta de funciones de LabVIEW y en los VI de datos históricos del modulo DSC. La pantalla que se despliega al activar el botón se observa en la figura 42

75

Page 78: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 42.Generación de reporte

Fuente: Autores/ LabVIEW

Información. Este botón activa una pantalla donde se despliega una información general de las características de la simulación y su funcionamiento. Esta información puede ser utilizada como una introducción al usuario del programa. La pantalla desplegada se observa en la figura 43.

76

Page 79: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Figura 43. Información general

Fuente: Autores/ LabVIEW

77

Page 80: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

4. AUTOMATIZACION DEL PROCESO DE DOSIFICACIÓN DE SULFATO DE ALUMINIO EN LA PLANTA DE TRATAMIENTO EMDUPAR S.A. E.S.P.

Conocidas las variables que intervienen en el control, es necesario seleccionar los sensores adecuados para cada una, además de otros instrumentos; pensando en que podría establecerse un control automático de la dosificación de coagulante en la planta de tratamiento de EMDUPAR. La selección de los instrumentos se realizó teniendo en cuenta los parámetros necesarios que se requieren cumplir dentro del proceso, es decir, se escogieron sensores teniendo en cuenta su señal de salida y que trabajen en los rangos establecidos en la planta de tratamiento. Así, en la turbiedad se manejan valores entre 0-800 NTU y en el ph valores entre 0-16. Otro parámetro de selección era contar con el respaldo de marcas y distribuidores conocidos y que pudieran ser confiables en la venta de instrumentos analíticos para la automatización de la planta de tratamiento. Se tiene proyectado, que el sistema de control este incorporado en un computador industrial y que por medio de la tarjeta de adquisición de datos obtenga la señal de los diferentes sensores en tiempo real, y así, poder controlar los variadores de velocidad de los dosificadores.

4.1 SELECCION DE SENSORES PARA LOS DIFERENTES PARAMETROS DEL AGUA QUE INTERVIENEN EN EL CONTROL. Los parámetros físicos – químicos del agua cruda que intervienen en el control son: turbiedad, ph, temperatura y la carga superficial de los coloides (streaming current).

4.1.1 Selección del sensor de Turbiedad. La turbiedad del agua proveniente del rió Guatapuri abarca un gran rango de valores dependiendo de la época del año. En tiempo de verano la turbiedad tiene valores cercanos a cero UNT y en temporada de invierno puede llegar a 800 NTU. En la siguiente tabla se observa las características de algunos sensores de turbiedad que pueden ser adquiridos en Colombia.

78

Page 81: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Tabla 6. Selección del sensor de turbiedad

Sensor 1 Sensor 2 Sensor 3 Marca ABB instrumentation Endress + HAuser AW Company Modelo 4670 TurbiMax W

CUS31 ProScan In-Line Process Sensor

Rango Programable 0-100 ó 0-1000 NTU

0-9999 NTU 0-500 NTU

Salida 4-20 mA 4-20 mA temperatura de operación

-20 a 55 °C -20 a 60 °C 0,00°C a 100,00 °C

Precisión ± 2% ± 3% Alimentación 100 a 130V /50-60Hz 15-24 VDC Sistema de limpieza

Si, programable Si no

Costo US $ 4000 + IVA US $ 5000 + IVA US $ 1500+ IVA Representante local

Alberto Silva SILVERQUIMICA Cra 64 # 86-78 Ap 102 Tel: 3570938 Fax: 3788146 [email protected] Barranquilla, Colombia

Colsein Ltda. Calle 82 No. 5-48 A.A. 55479 Tel.: 2367659 Fax: 6107868 [email protected] Bogota, Colombia

Carlos Zambrano SYZ Ingenieria Ltda. Tel:4111451 Fax: 2920900 [email protected] Bogota, Colombia

El sistema de monitoreo de turbiedad seleccionado es el 4670 Series Turbidity Systems de ABB Instrumentation, (Ver anexo A). Se seleccionó este sistema porque se especializa en la industria del agua, el rango de operación y la salida son los adecuados, además, el precio es menor en comparación con los otros.

4.1.2 Selección del sensor de ph. El sensor seleccionado debe estar diseñado para el proceso de tratamiento de agua, además presenta una señal de salida de transmisión de los datos. A continuación se presentan las características de dos sensores de ph especialmente diseñados para medir el ph en aguas con caudal.

79

Page 82: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Tabla 7. Selección del sensor de pH Sensor 1 Sensor 2 Marca ABB instrumentation Signet Modelo AX460 2750 Rango 0-14 0-14 Salida Programable en 0 a 10mA,

0 a 20 mA ó 4 a 20 mA. 4-20mA

temperatura de operación

-20 a 65 °C -10 a 85 ºC

Alimentación 85 a 265 V AC 50/60Hz 24V AC o 12 a 30V DC

12 a 24 V DC

Costo US $3000 + IVA Representante

Alberto Silva SILVERQUIMICA Tel: 3570938 Fax: 3788146 Cra 64 # 86 78 Ap 102 [email protected] Barranquilla, Colombia

George Fischer Ltda. Av. das Nações Unidas 21689 Tel: 155111-247-1311 Fax: 155111-247-6009 [email protected] São Paolo, Brazil

Se seleccionó el analizador de ph modelo AX460 de ABB instruments, por que cumple con los requerimientos necesarios y por su fácil consecución en el país. Ver anexo B.

4.1.3 Selección del sensor de temperatura. El sensor de temperatura seleccionado es el TR 204 de ABB instrumentation (ver anexo C). Por que cumple con las especificaciones requeridas, como son: señal de salida de 4 – 20mA, un rango adecuado y la capacidad de adaptarse al ambiente característico de una planta de tratamiento de aguas. Tabla 8. Sensor de Temperatura

Sensor 1 Marca ABB instrumentation Modelo TR 204 Rango 0-100 ºC Salida 4 a 20 mA. Alimentación 10.5 a 30 VDC Costo US $ 64 + IVA Representante local

Alberto Silva SILVERQUIMICA Cra 64 # 86 78 Ap 102 Tel: 3570938 Fax: 3788146 Barranquilla, Colombia

80

Page 83: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

4.1.4 Selección del sensor de carga superficial o SCD (Streaming Current Detector). A continuación se presentan las características de los dos sensores SCD más populares en la industria, debido a desempeño y confiabilidad. Tabla 9. Selección del sensor SCD

Sensor 1 Sensor 2 Marca CHEMTRAC HF scientific

Modelo SCM2500XRD,Monitor y

Sensor remoto Dura-Trac MICRATSCM, Monitor y Sensor NEMA 4X

Energía del monitor 85-264VAC, 47-63Hz 40 VAC

Corriente de carga 110 VAC @ 0.5A Máx. 220 VAC @ 0.25A Máx.

Precisión 0,5% de la escala total ± 1% Tiempo de respuesta 1 segundo 1 segundo Señal de salida 4-20mA o 0-10V CD 4 - 20 mA Temperatura de operación

0 a 49 ºC 32° to 122°F (0°C to 50°C)

Dimensiones del monitor y sensor

(234mm , 285mm , 161mm ) (285mm , 234mm , 161mm )

(330 x 290 x 200 mm) (180 x 673 x 95 mm)

Alimentación 115 VAC,60Hz (Estándar) 230 VAC,50HZ(Opcional)

120 VAC + 10% 50/60 Hz 240 VAC + 10% 50/60 Hz

Costo US $ 5000 + IVA Representante

SILVERQUIMICA Cra 64 # 86 78 Ap 102 Tel: 3570938 Fax: 3788146 [email protected] Barranquilla, Colombia

3170 Metro Parkway Fort Myers, FL 33916 USA Tel:: (239) 337-2116 Fax: (239) 332-7643 [email protected]

El sensor SCD seleccionado es el SCM2500XRD de CHEMTRAC®, por su fácil consecución en el país. (Ver anexo D). Ya que, ambos poseen características muy similares y tienen reconocimiento en la industria del agua. El funcionamiento general del SCD se encuentra en el capitulo de control, específicamente en la sección 3.2.2 funcionamiento del SCD. 4.2 SELECCIÓN DE LOS SENSORES DE NIVEL. Los sensores de nivel estarían situados en las tolvas de los dosificadores para detectar un nivel bajo de sulfato de aluminio. Hay que tener en cuenta que el sulfato de aluminio es un material granular, por lo cual, un sensor capacitivo de proximidad sería una buena opción.

81

Page 84: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Tabla 10. Selección del sensor de nivel

Sensor 1 Sensor 2 Sensor 3 Marca Allen-Bradley Siemens Siemens Modelo 875C LC 500 LC300 Corriente de carga

≤ 200ma 3,6 a 22 mA

Tensión de trabajo

10-60VCC Máx. 33 V DC mín. 12 V DC a 3,6 mA, mín. 9,5 V DC a 22 mA

9 a 32 V DC

Forma de trabajo

On - Off Continuo Continuo

Frecuencia de conmutación

25 Hz

Protección incorporado incorporado incorporado Indicadores Led

Verde: Alimentación Amarillo: Salida

Temperatura de operación

-25 a +70°C -40 a +85 °C -40 a +85 °C

Distribuidor Local

Rockwell Automation S.A Muelle Industrial II Bodega 4 Cra 97 #43-23 Tel: 4223822 www.rockwellautomation.com/support Bogotá

Siemens Cra 65 No.11-83 A A: 8 01 506 Tel 2942362 Fax 4141837 [email protected] www.siemensandina.com Bogotá

Siemens Cra 65 No.11-83 A A: 8 01 506 Tel 2942362 Fax 4141837 [email protected] www.siemensandina.com Bogotá

El sensor seleccionado es el modelo 875C de Allen – Bradley (Ver anexo E) por que se adapta a las necesidades requeridas, ya que solamente es necesario que el sensor indique cuando el sulfato de aluminio esta en un nivel bajo porque en términos prácticos, no es relevante la medición continua del nivel de coagulante. Además, el sensor es capacitivo, lo cual es propicio para mediciones de material granular.

82

Page 85: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

4.3 SELECCIÓN DE LA TARJETA DE ADQUISICIÓN DE DATOS. La tarjeta de adquisición de datos se encarga de recibir las señales de los diferentes sensores y enviarlas al programa de control. Teniendo en cuenta la cantidad de entradas y salidas que se requieren, la tarjeta de adquisición debe cumplir con las siguientes características:

4 señales análogas de entrada (4 – 20 mA) para los sensores de temperatura, ph, turbiedad y SCD.

2 señales digitales de entrada para los sensores de nivel.

2 señales análogas de salida (4 -20mA) para el control de los variadores de

frecuencia. Además, el hardware debe ser compatible con LabVIEW, que es el software seleccionado para la automatización. Una tarjeta de adquisición de datos que cumple con las todas las particularidades anteriores es la NI PCIe-6259 de National Instruments (Ver anexo F). [15]

4.3.1 Tarjeta de Adquisición de datos NI PCIe-6259. La tarjeta posee las siguientes especificaciones principales:

Entradas análogas: 32 (0-10v ó 4-20ma) Salidas Análogas: 4 Entradas/salidas Digitales: 48 7 entradas con rangos programables (± 100mV a ± 10 V) por canal. Sistema operativo: Windows 2000/ xp Software recomendado: LabVIEW 7.x, SignalExpress 1.x. Valor: US $ 1,315.00 Frecuencia de muestreo: 1.25 MS/s

4.4 SOFWARE LabVIEW LabVIEW Full Dev. System for Win 2000/NT/XP (English) CD contains IB,DAQ,RS-232, and Adv. Analysis VI Libraries and CIN Development Toolkit. Valor: US $6851,034 LabVIEW 7.1 Datalogging and Supervisory Ctrl Module for Windows Windows 2000/NT/9X Valor: US $6851,034

83

Page 86: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

4.5 COMPUTADOR INDUSTRIAL

Tabla 11. Características principales del computador industrial seleccionado PC industrial Marca Siemens Modelo Panel pc 670 6AV7614-

0AB12-0CJ0 CPU 933MHz INTEL PENTIUM III

MEMORIA RAM 128-256 MB MONITOR 15” PUERTOS USB

Serial COM1 (RS232C) LPT1(EPP/ECP) Ethernet 10/100 MBite/s, RJ45 PROFIBUS

Costo US $ 6395 4.6 VARIADORES DE FRECUENCIA SIEMENS MICROMASTER 440 MODELO 6SE420- 2UC13- 7AA0. La empresa cuenta con estos variadores de frecuencia en la planta de tratamiento para sus dosificadores. En el diseño del control automático se contempla manejar el variador de frecuencia directamente por medio de su entrada analógica de 0 a 10 V DC, gracias a la tarjeta de adquisición de datos (Ver anexo G). 4.7 PRECIO TOTAL DE LOS INSTRUMENTOS SELECCIONADOS Tabla 12. Precio de los diferentes instrumentos seleccionados

INSTRUMENTOS Valor C/U (US$)

Valor total (US$)

Sensor de nivel 178 356 Sensor de temperatura 62.5 62.5 Licencia LabView 13702 13702

SCD 5000 5000 Turbidimetro 4000 4000 PHmetro 3000 3000 DAQ 1315 1315 PC Industrial 6395 6395 TOTAL 33652,5 33830,5

84

Page 87: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Los precios de los instrumentos no incluyen IVA y los valores de los mismos tienen vigencia hasta 1/10/2006 4.8 DIAGRAMA DEL CONTROL AUTOMÁTICO El control del proceso de coagulación estaría ubicado en el edificio donde se realiza la dosificación y las pruebas de jarras en la planta de EMDUPAR, este edificio se encuentra ubicado cerca de la zona de mezcla rápida, donde se lleva acabo la coagulación; la distancia de cada uno de los instrumentos hasta el centro de control no supera los 100 metros, razón por la cual, no es necesario recurrir a amplificadores de señal. Figura 44. Diagrama del control automático en la planta de EMDUPAR S.A. E.S.P.

Fuente: Autores

85

Page 88: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

5. CONCLUSIONES Y RECOMENDACIONES La realización de una prueba de jarras tiene una duración aproximada de 30 minutos, con la Red Neuronal Artificial diseñada se ahorra ese tiempo, debido a que el resultado de la dosis se puede conocer en aproximadamente 1 segundo. Este aspecto es muy importante, ya que las condiciones del agua pueden variar en cualquier momento y afectar el comportamiento de la planta, por lo tanto, es necesario conocer la dosis óptima de coagulante en lapsos de tiempo más cortos. Al comparar el trabajo del controlador PI difuso con un controlador PID discreto, queda demostrado, que en este caso es mas viable utilizar un controlador convencional en lugar del controlador difuso diseñado, debido a que el controlador PID tiene un funcionamiento aceptable, responde mejor ante señales de ruido y por que es mas fácil su implementación en dispositivos de control como PLCs. El buen funcionamiento de los algoritmos de inteligencia artificial, como las redes neuronales y la lógica difusa, dependen en gran medida de una buena base de datos y el conocimiento previo del proceso a controlar. Para la realización de un control del proceso de coagulación en la planta de EMDUPAR, es aconsejable modelar el sistema real, e implementar un algoritmo basado en redes neuronales para estimar el set point de SCD, teniendo como entrada los valores de las propiedades del agua cruda. Debido a que los PLCs son los instrumentos de control más comunes en la industria, es recomendable estudiar técnicas para la implementación de algoritmos basados en inteligencia artificial en estos dispositivos. Finalmente, las reglas y las funciones de pertenencia establecidas para el controlador PI difuso se pueden reducir, empleando, por ejemplo, algoritmos genéticos, con la finalidad de optimizar el sistema de control diseñado.

86

Page 89: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

BIBLIOGRAFÍA [1] ACOSTA, Maria Isabel y ZULUAGA, Camilo Alfonso. Tutorial sobre redes neuronales aplicadas en ingeniería eléctrica y su implementación en un sitio Web. Pereira, 2000. 332p. Proyecto de grado. Universidad Tecnológica de Pereira. Facultad de Ingeniería Eléctrica. [2] ADUBIRI, Ramiro. Comparación de controladores convencionales y controladores difusos. En: Publicación de la facultad de ingeniería, La Paz: Universidad Mayor de San Andrés, 2005. [3] AGUDELO, Carlos. Automatización del proceso de coagulación. Bogotá: Universidad de los Andes, 2003. Disponible en: http://dspace.uniandes.edu.co:5050/dspace/bitstream/1992/374/1/mi_1259.pdf [4] CHEMTRAC. Operations Manual SCM2500XRD. Streaming Current Monitor with Dura-Trac™ Remote Sensor. Georgia: Chemtrac Systems. Disponible en: http:// www.chemtrac.com [5] DE VARGAS, Lidia. Criterios para la selección de los procesos y de los parámetros óptimos de las unidades. Disponible en: http://www.cepis.ops- oms.org/bvsatr/fulltext/tratamiento/manualI/tomoII/once.pdf [6] DÍAZ, José Francisco. Sistema de control basado en redes neuronales y lógica difusa para la estimación y control de la dosificación de coagulante en una planta de tratamiento de aguas. Disponible en: http://www.aguamarket.com/ temas_interes/039.asp [7] EMDUPAR S.A. Valledupar ecológica y solidaria. Valledupar: Editorial Libertad Ltda., 2003 [8] JUUSO, Esko; VIIRRET, Katia y PIIRONEN, Marjatta. Intelligent methods in dosing control of water treatment. Oulu: University of Oulu. 8p.

87

Page 90: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

[9] MARTÍNEZ, Alba Cristina; DUQUE, Mauricio; GAUTHIER, Alain; GIRALDO, Eugenio y VILLA, José Luís. Control de la dosificación de sulfato de aluminio utilizando scd. Bogota: Universidad de los Andes. Disponible en: http://www.ciap.uniandes.edu.co/mduque/Articulos/barquisimeto.PDF [10] MUÑOZ, Carlos; SHENE, Carolina; TORRES, Flavio y VELÁSQUEZ, Iván. Control difuso para una planta piloto de secado por lecho fluidizado. En: Revista facultad de ingeniería, Santiago de Chile: U.T.A., 2003. p. 49-53. [11] VALENCIA ARBOLEDA, Jorge. Teoría y práctica de la purificación del agua. Bogota: Acodal, 1992. [12] VALENTIN, N; DENOEUX, T y FOTOOHI, F. An Hybrid Neural Network Based System for Optimization of Coagulant Dosing in a Water Treatment Plant. Compiégne, Francia: Université de Technologie de Compiègne. [13] WORAPRADYA, Kiatkajohn y PRATISHTHANANDA, Suvalai. Fuzzy Supervisory PI Controller Using Hierarchical Genetic Algorithms. Bangkok: Chulalongkorn University. Disponible en: http://ascc2004.ee.mu.oz.au/ proceedings/papers/P224.pdf [14] ZHAO, Yanan y COLLINS, Emmanuel G. Fuzzy PI Control Design for an Industrial Weigh Belt Feeder. Tallahassee: Florida State University, 2002. Disponible en: http://www.eng.fsu.edu/~ecollins/ publications/ fuzzypi2002.pdf

88

Page 91: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

ANEXOS

Anexo A. Especificaciones del sensor de turbiedad 4670 de ABB

89

Page 92: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

90

Page 93: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Anexo B. Especificaciones del sensor de ph ax460 de ABB

91

Page 94: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

92

Page 95: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Anexo C. Especificaciones del sensor de temperatura TR 204 de ABB

93

Page 96: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

94

Page 97: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Anexo D. Especificaciones del sensor SCM2500XRD de Chemtrac.

95

Page 98: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

96

Page 99: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Anexo E. Especificaciones del sensor de nivel 875C de Allen – Bradley

97

Page 100: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

98

Page 101: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Anexo F. Especificaciones de la tarjeta de adquisición NI PCIe-6259 DE National instruments.

99

Page 102: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Anexo G. Especificaciones de los variadores de frecuencia siemens micro master 440 modelo 6SE420- 2UC13- 7AA0.

100

Page 103: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

101

Page 104: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

102

Page 105: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

103

Page 106: diseño de un sistema de control basado en redes neuronales y logica difusa para la estimacion y control de sulfato de aluminio en la planta de tratamiento de EMDUPAR

Anexo H. Datos del test de jarra utilizados para de entrenamiento de la red neuronal.

Propiedades del agua cruda

Dosis de coagulante

Propiedades del agua cruda

Dosis de coagulante

Temp. (°C)

ph Turbiedad (UNT)

mg/L Norma- lizada

Temp. (°C)

ph Turbiedad (UNT)

mg/L Norma- lizada

22 7.4 18 25 0.35714 23.8 6.75 233 25 0.35714 21.8 7.1 178 35 0.5 25.8 7.21 26 45 0.64285 22 7.38 85 35 0.5 23 7.23 180 27 0.38571 22 7.43 175 20 0.28571 25.6 7.83 3.84 35 0.5

21.7 7.35 11 20 0.28571 23.3 7.03 7.71 25 0.35714 21.4 7.18 37 15 0.21428 24.8 7.84 93.7 30 0.42857 22.8 7.22 7 25 0.35714 23 7.55 57.9 30 0.42857 21.6 7.61 24 15 0.21428 23.8 8.22 27.6 25 0.35714 20.9 7.42 50 15 0.21428 24.8 8.23 312 20 0.28571 20 6.3 52 20 0.28571 22.6 7.78 151 25 0.35714 22 7.4 17 30 0.42857 24.3 7.33 26.9 20 0.28571

22.7 6.8 10 15 0.21428 24.7 7.26 28.3 15 0.21428 20.8 7.38 36 15 0.21428 24.5 7.2 24.5 20 0.28571 23.6 7.18 25 15 0.21428 26.6 7.73 26.6 20 0.28571 21 7.33 48 15 0.21428 24 7.34 71 20 0.28571

20.7 7.01 24 20 0.28571 23 7.64 79.1 15 0.21428 21.7 6.8 204 40 0.57142 24.3 6.95 50.3 20 0.28571 20.8 7.30 266 25 0.35714 23.2 7.5 28.2 18 0.25714 20.6 6.99 480 35 0.5 20.3 7.49 82.8 20 0.28571 20.7 7.32 500 25 0.35714 19.6 7.51 77.7 20 0.28571 21.7 6.69 87 15 0.21428 22.5 7.80 18.8 15 0.21428 22.3 7 250 30 0.42857 22.6 7.47 14 15 0.21428 22.3 7.05 120 20 0.28571 25.4 8.38 11.6 15 0.21428

22.8 7.57 21 20 0.28571 25 7.68 21.1 15 0.21428 21.5 7.12 39 15 0.21428 25.9 7.53 56.2 20 0.28571 22.2 6.98 1300 70 1 22.9 8.59 127 30 0.42857 21.8 7.36 65 20 0.28571 25 7.24 158 30 0.42857 20.8 7.09 27 15 0.21428 24.1 7.63 25.7 25 0.35714 22.5 7.24 610 30 0.42857 24.1 7.13 73.8 30 0.42857 22.4 7.17 57 15 0.21428 24.5 8.79 15.9 15 0.21428 20.8 6.96 218 35 0.5 24.7 8.24 13.1 18 0.25714 20.9 6.9 108 30 0.42857 25 7.59 45.2 15 0.21428 22.1 7 170 25 0.35714 23.2 7.95 39.7 20 0.28571 20.5 7.25 22.8 20 0.28571 24.6 7.47 716 40 0.57142 22.3 7.1 18 20 0.28571 24.2 7.42 484 40 0.57142 21.4 7.82 7 20 0.28571 24.8 7.74 32.9 20 0.28571 26.2 7.51 0.4 25 0.35714 26 7.27 483 35 0.5

25.2 7.6 159 25 0.35714

104