Diseño de sistemas de instrumentación para plantas químicas

Abstract

En lo últimos años se han producido numerosos avances en la industria química en áreas tales como: monitoreo de procesos, control basado en modelos, control estadístico multivariable, optimización en tiempo real, diagnóstico de fallas, etc. Sin embargo, existen aún varios tópicos claves que deben resolverse, entre ellos, el diseño de la red de instrumentación de una planta química. Ésta proporciona un conocimiento integral del estado actual de proceso que resulta indispensable para la toma de decisiones. En este contexto aparece la necesidad de desarrollar estrategias sistemáticas que permitan determinar para cada variable de proceso si será medida, y en tal caso, indicar cuántos sensores la medirán y cuáles serán sus características, a la vez que se optimiza un criterio de desempeño preestablecido. Este problema se conoce como Problema de Diseño de Redes de Sensores, PDRS. Frecuentemente es necesario satisfacer restricciones en la calidad de las estimaciones sólo para un conjunto de variables claves. En este caso, se diseña una red de sensores llamada General, sin conocer a priori la cardinalidad del conjunto óptimo de instrumentos. Si bien se han utilizado diferentes modelos de selección óptima de sensores, siempre resulta un problema de optimización combinatorial sujeto a restricciones. En esta tesis se han desarrollado e implementado metodologías de resolución del PDRS para plantas de proceso cuya operación se representa mediante sistemas linealizados de ecuaciones algebraicas. Las estrategias propuestas emplean motores de optimización híbridos con el fin de explotar las ventajas de los algoritmos estocásticos de búsqueda global y local. Dichas metodologías, si bien no garantizan optimalidad, ofrecen buenas soluciones en tiempos que no crecen exponencialmente con el tamaño de la entrada. Además son lo suficientemente flexibles como para ser adaptadas a otras formulaciones del PDRS. Inicialmente se investiga la resolución del diseño empleando nuevos algoritmos de búsqueda local inspirados en la heurística Búsqueda Tabú (BT). Los resultados alcanzados indican que éstos son menos robustos cuando la complejidad de las restricciones aumenta. También se estudia el comportamiento de un algoritmo ad-hoc híbrido basado en Búsqueda Dispersa, que combina una búsqueda global con técnicas de inspección por entornos diferentes a las empleadas en la BT, obteniéndose una mejor reproducibilidad de los resultados. Además se analiza la aplicabilidad de los Algoritmos de Estimación de Distribuciones (AEDs), de orden creciente, para la resolución del PDRS. Si bien todos son capaces de hallar buenas soluciones, la complejidad adicional que implica considerar un modelo gráfico probabilístico de mayor orden no produce una mejora importante en la calidad y repetitividad de las mejores soluciones. Por último se desarrolla una nueva metodología, denominada pPBIL-OS (Parallel Population Based Incremental Learning – Strategic Oscillations). Ésta consiste en un esquema de resolución híbrido que combina las ventajas del algoritmo poblacional PBIL, de orden uno, con la técnica de búsqueda local Oscilaciones Estratégicas, que trabaja en el marco de la BT. El procedimiento emplea un cierto número de subpoblaciones que evolucionan de manera independiente, pudiendo intercambiar información entre ellas con cierta probabilidad. Su desempeño, medido en función de: la calidad y reproducibilidad de las soluciones, la capacidad de resolver problemas de tamaño incremental y los requerimientos de cómputo, resulta muy satisfactorio.

In recent years many improvements have occurred in chemical industries in areas such as: process monitoring, model predictive control, statistical process control, real time optimization, etc. However there exist many key topics which should be solved, e.g., the design of the instrumentation network of a chemical plant. It provides a comprehensive knowledge about the current process state that is very important for the decision making process. In this context, the development of systematic strategies which determine if a process variable will be measured, and indicating this case the quantity of sensors and their features, and also satisfying a performance criterion, is essential. This problem is known as the Sensor Network Design Problem, PDRS. Frequently it is necessary to fulfill some restrictions on the estimation quality of a set of key variables. In this case, a General Sensor Network is designed without knowing in advance the cardinality of the optimum set. Even though different models are used for the optimal selection of instruments, a combinatorial optimization problem subject to constraints always arises. In this thesis, resolution methodologies of the PDRS are developed and implemented for process plants whose operation is represented by a linearized system of algebraic equations. The proposed strategies use hybrid optimization engines that take advantage of the combined use of global and local search stochastic algorithms. Even though these methodologies do not guarantee optimality, they provide good solutions using computation times that do not exponentially depend on the problem size. Furthermore they are flexible enough to be adopted for other formulations of the PDRS. At first the research addresses the design problem using new local search algorithms which are inspired on the Tabu Search (BT). Results indicate that their robustness decreases when the restrictions complexity increases. Furthermore the behaviour of an ad-hoc hybrid algorithm based on Scatter Search is studied. It combines a global search with local search techniques which are different from the ones used by BT. A better solution reproducibility is achieved. Also the applicability of Estimation of Distribution Algorithms (AEDs) of incremental order for the resolution of the PDRS is analyzed. Although they are capable to obtain good solutions, the additional complexity involved in considering a graphical probabilistic model of high order does not improve the solutions quality and reproducibility. At last, a new methodology, called pPBIL-OS (Parallel Population Based Incremental Learning – Strategic Oscillations), is developed. It is a hybrid solving scheme than combines the advantages of the global search algorithm PBIL, of order one, with the local search technique Strategic Oscillations. It works in the framework of the BT. The procedure employs a certain number of subpopulations, which evolve independiently and exchange information among them with a given probability. The strategy performance, which is evaluated in terms of the solutions quality and reproducibility, the capability to solve problems of incremental size and the computation time requirements, is very satisfactory.