Sensor Virtual Adaptable de Concentración de Etanol para Fermentadores Industriales

Boris Martínez

Cuba

Universidad Central de Las Villas

Francisco Herrera

Cuba

Universidad Central de Las Villas

Luis Peralta

Cuba

Universidad Central de Las Villas

Enviado: 14-09-2017

|

Aceptado:

|

Publicado: 13-07-2009

Datos de financiación

Descargas

Palabras clave:

bioetanol, procesos fermentativos, sensores virtuales o sensores software, sistemas adaptables, sistemas borrosos

Agencias de apoyo:

Esta investigación no contó con financiación

Resumen:

Los sistemas de control emplean sensores para observar el estado del proceso y tomar decisiones. En ocasiones, se necesita estimar las variables del proceso pues el sensor adecuado no existe, es prohibitivamente costoso o las mediciones son difíciles de realizar. Una solución consiste en inferir las variables no medidas a partir de otras variables mediante sensores virtuales o sensores por software (soft-sensors). En los procesos de fermentación alcohólica, la medición de la concentración del etanol es esencial. Sin embargo, no existen sensores baratos y confiables para medirla en línea ni existe una solución aceptada por todos del modelado de dicha variable. Además, las fermentaciones nunca son iguales pues los microorganismos son muy sensibles a pequeñas desviaciones en las variables involucradas. Por tanto, estos procesos requieren un sistema de estimación adaptable y altamente robusto. En este trabajo se presenta un sensor virtual adaptable para un proceso fermentativo de bioetanol empleando un modelo borroso evolutivo a partir de datos del proceso. Además, el modelo obtenido es compacto y presenta una estructura adecuada para su aplicación futura en estrategias de control, en aras de optimizar la productividad del proceso y disminuir los costos de producción.
Ver más Ver menos

Citas:

Angelov, P. and D. Filev (2004). An approach to online identifi- cation of Takagi-Sugeno fuzzy models. IEEE Trans. on Syst. Man, and Cyb.-Part B 34(1), 484–498.

Angelov, P. and N. Kasabov (2006). Evolving intelligent systems, eIS. IEEE SMC eNewsLetter (15), 1–13.

Babuska, R. (1998). Fuzzy Modeling for Control. Kluwer Acad. Pub. Boston, USA.

Bastin, G. and D. Dochain (1990). On-line estimation and adaptive control of bioreactors. Elsevier Science Publishing. Amsterdam.

Berovic, M. and Kieran, P., Eds.) (2006). Bioprocess engineering: doctoral/post-doctoral level. Ljubljana: Faculty of Chemistry and Chemical Technology.

Bouchachia, A. and R. Mittermeir (2007). Towards incremental fuzzy classifiers. Soft Comput. 11(2), 193–207.

Chiu, S.L. (1994). Fuzzy model identification based on cluster estimation. J. Intell. Fuzzy Syst. 2(3), 267–278.

Díez, J.L., J.L. Navarro and A. Sala (2004). Algoritmos de agrupamiento en la identificación de modelos borrosos. RIAI 1(2), 32–41.

Díez, J.L., J.L. Navarro and A. Sala (2007). A fuzzy clustering algorithm enhancing local model interpretability. Soft Comput. 11, 973–983.

Fabelo, J.A. (1999). Estudio de la etapa de fermentación alcohólica utilizando mezcla de diferentes sustratos. Tesis doctoral. Dpto. de Ing. Química, UCLV. Santa Clara, Cuba.

Fortuna, L., A Rizzo, S. Graziani and M.G. Xibilia (2007). Soft sensors for monitoring and control of industrial processes. Advances in Industrial Control. Springer-Verlag London Limited. London, UK.

Franco, E. (2002). Framework for online modeling, optimization and monitoring of bioprocesses. Tesis doctoral. MLU. Halle-Wittenberg, Alemania.

Garro, O.A. (1993). Fermentación alcohólica con Zymomonas sp. Estudio de modelos matemáticos y su verificación mediante ensayos de fermentación. Tesis doctoral. Universidad Nacional de Tucumán, Argentina.

Kasabov, N. and Q. Song (2002). DENFIS: Dynamic evolving neural-fuzzy inference system and its application for timeseries prediction. IEEE Trans. on Fuzzy Syst. 10(2), 144–154.

Lughofer, E. and E.P. Klement (2005). FLEXFIS: A variant for incremental learning of Takagi-Sugeno fuzzy systems. In: FUZZ-IEEE 2005. Reno, USA. pp. 915–920.

Martínez, B., F. Herrera, J. Fernández and E. Marichal (2008). Método de agrupamiento en línea para la identificación de modelos borrosos Takagi–Sugeno. RIAI 5(3), 63–69.

Martínez, B.L. (2007). Identificación borrosa de sistemas no lineales mediante algoritmo de agrupamiento incremental con aplicación a un proceso fermentativo de bioetanol. Tesis doctoral. Dpto. de Automática, UCLV. Santa Clara, Cuba.

Muñoz, R. and F. Angulo (2006). Aproximación de estimación de estados en un reactor UASB. Revista Colombiana de Tecnologías de Avanzada 1, 27–33.

Peralta, L.M., M.E. O’Farril and Y. Olivert (2000). Modelación, optimización y control del proceso de fermentación de la producción de alcohol. In: 1era Conferencia Internacional de Química de la UCLV. Santa Clara, Cuba.

Reynaga, C.F. and R.R. Leal (2000). Estimación de biomasa y pigmento en línea para una fermentación tipo fed-batch utilizando redes neuronales artificiales. In: Congreso SOMI XV. Guadalajara, Jalisco.

Roubos, J.A., R. Babuska, P. Krabben and J.J. Heijnen (2000). Hybrid modeling of fed-batch bioprocesses: combination of physical equations with metabolic networks and black-box kinetics. Journal A 41(3), 17–23. ISBN: 0771-1107.

Salazar, R. (2008). Sensores virtuales: Una revolución en ingeniería de control, (en línea). http:// www.ingenieriaquimica.org/articulos/ sensores-virtuales (Acceso: 15 Junio 2008).

Sotolongo, E. (2001). Estudio de la preservación del jugo de caña como sustrato en la fermentación alcohólica. Tesis doctoral. Fac. de Ing. Química, ISPJAE. La Habana, Cuba.

Sundstrom, H. and S.-O. Enfors (2008). Software sensors for fermentation processes. Bioprocess Biosyst Eng.

Takagi, T. and M. Sugeno (1985). Fuzzy identification of systems and its applications to modelling and control. IEEE Trans. on Syst. Man, and Cyb. 15(1), 116–132.

Victor, J. and A. Dourado (2006). Pruning for interpretability of large spanned eTS. In: EFS’06. Lake District, UK. pp. 55–60.

Ver más Ver menos