Experiment results

El sistema experto utiliza como variables de entrada la calidad de los residuos y el caudal de aire de combustión.

Estimación de la calidad de la basura.

El operador puede clasificar los residuos según la estimación del grado de humedad y del poder calorífico en tres niveles: low, normal, high definidos en relación a la desviación respecto a lo que se considera normal, siendo pues la desviación negativa,

normal, o positiva.

Low: 20 - 30

Normal : 30 - 50

High: 50 - 80.

Caudal de aire de combustión.

Se definen los siguientes cinco niveles en función del exceso de aire de combustión:

Lowest = 25 - 50

Low = 75 -100

Normal = 100 -125

High = 125 -150

Highest = 150 - 175

Estimación del estado del horno.

Para la estimación del estado del horno se construye una tabla en función de la calidad de los residuos y el caudal de aire de combustión. Se definen tres estados del horno:

N normal, E frío, C caliente. Cada uno de los cuales puede tener además tendencia a enfriar, e, o calentar, c. Se asigna a cada estado un valor de certeza comprendido entre 0 y 1, según la certeza de la regla utilizada.

Calidad/

Caudal aire comb

Low Normal High

Lowest Ec 1 Nc 1 Cc 1

Low Ec 0.7 Nc 0.7 Cc 0.7

Normal E 1 N 1 C 1

High Ee 0.7 Ne 0.7 Ce 0.7

Highest Ee 1 Ne 1 Ce 1

190 Sistema de control de una planta de tratamiento de residuos sólidos Mux M f entrada1 f entrada2 f qrsu Demux Dem K B ES_HORNO f i1 f i2 1 Entrada 1 Calidad 2 in_2 3 Acción 2 Estado Mux M2 f C f E f N f time Clock Mux M1

Figura 7.15 Subsistema experto ES_HORNO

La base de conocimiento consta de reglas que tienen la forma:

SI la calidad es low

Y el caudal de aire de combustión es lowest

ENTONCES el estado del horno es Ec con certeza 1

Rule 21

Certainty VERYHIGH Threshold 0.2 Description "ESTADO Ec"

If calidad.fv.lower(calidad.fv.low) And calidad.fv.greater(calidad.fv.lowest) And aircomb.fv.equal(aircomb.fv.lowest) Then E.fv.assign(E.fv.lowest); deduce(&E, INTERMEDIATE) EndIf EndRule

A partir de la estimación del estado del horno se calcula una acción de control, para incrementar, reducir o mantener la aportación de residuos (actuando sobre la velocidad de alimentación por medio del pistón hidráulico), asociándole también un grado de certeza.

Para la operación normal podemos definir la tabla :

Ee E Ne Ec N Ce Nc C Cc

QRSU ++ + + = = = - - --

1 1 0.5 0.7 1 0.7 0.5 1 1

Tabla 7.3 Acción de control - operación normal

SI el estado del horno es Ee

ENTONCES QRSU ++ con certeza 1

Sistema de control de una planta de tratamiento de residuos sólidos 191

Certainty HIGH Threshold 0.2 Description "QRSU ++" If E.fv.equal(E.fv.highest) Then qrsu.fv.assign(qrsu.fv.highest); qrsu.cf= 1.; deduce(&qrsu, ACTION) EndIf EndRule Rule 100

Certainty HIGH Threshold 0.2 Description "QRSU =" IfOr N.fv.equal(N.fv.normal) Or E.fv.equal(E.fv.normal) Or C.fv.equal(C.fv.normal) Then qrsu.fv.assign(qrsu.fv.normal); qrsu.cf= 1.; deduce(&qrsu, ACTION) EndIfOr EndRule

Con este sistema se obienen los siguientes resultados:

20 22 24 26 28 30 40 60 80 100 120 140 160 Tiempo

Figura 7.16 Entradas : % exceso de aire, calidad. 20 22 24 26 28 30 -2 - - -0.5 0 0.5 1 1. 2 Tiempo

Estimación del estado del horno

Figura 7.17 Estimación del estado del horno

192 Sistema de control de una planta de tratamiento de residuos sólidos

La figura 7.16 muestra las variaciones de las entradas, calidad de los residuos y tanto por ciento de exceso de aire de combustión. El exceso de aire que puede variar entre el 25 y el 175%, viene afectado por la cantidad de residuos que se incineran que a su vez está sometida a una variación que tiene una componente aleatoria y otra debida a la acción de control. La calidad, índice comprendido entre 0-100, se calcula en función del PCI, que varía, y la humedad.

La figura 7.17 muestra la estimación del estado del horno realizada por el sistema experto. Finalmente la figura 7.18 muestra la variación aleatoria de la cantidad de residuos y la acción de control que debe realizarse para mantener la temperatura en su punto de consigna.

20 22 24 26 28 30 -1000 -500 0 500 1000 Tiempo

Figura 7.18 Variación aleatoria de la cantidad de residuos y acción de control calculada por el sistema experto

Se considera que la cantidad de residuos alimentados oscila de forma aleatoria, en la parte superior de la figura se representan las variaciones en torno al valor medio. En la parte inferior se observa que la acción de control, consistente en actuar sobre la alimentación de residuos, aumenta cuando la alimentación aleatoria disminuye.

Conclusiones 195

8. CONCLUSIONES

A continuación se describen de forma resumida los principales resultados presentados en esta tesis.

Una forma de abordar el problema de controlar un proceso cuando no se dispone de un modelo analítico adecuado consiste en recurrir a la utilización de los sistemas basados en el conocimiento. No obstante, en este caso la dificultad principal con la que nos encontramos es precisamente la necesidad de tener un buen conocimiento del proceso y de como controlarlo. La adquisición y representación del conocimiento de los expertos es una tarea multidisciplinaria para la realización de la cual no existe una única metodología.

En esta tesis se presenta un método que se ha ido desarrollando de forma progresiva apoyándose en la aplicación de técnicas diversas, cada una de las cuales ha aportado su contribución al logro del objetivo final.

Nos encontramos con la paradoja de que para diseñar un sistema basado en el conocimiento, cuyo objetivo es poder prescindir del uso de un modelo analítico, es necesario disponer de un modelo para poder simular el comportamiento del sistema de cara a su validación. Sin embargo la ventaja es que este modelo puede ser más sencillo que un modelo para el control.

Una ventaja del método propuesto es que las técnicas empleadas se integran en un único entorno informático, basado en una plataforma PC, lo que facilita su implantación en cualquier instalación.

Para tratar el problema de la representación del conocimiento se ha dividido en diferentes niveles. En primer lugar tenemos el nivel de interfase con el proceso, en el que se maneja información numérica procedente de la instrumentación. A continuación consideramos un nivel intermedio, en el que se tratan las relaciones causales entre las variables, en este nivel podemos manejar información numérica y cualitativa. Por último en el nivel superior encontramos las reglas que describen el conocimiento, razonando sobre hechos.

Del análisis de series temporales de la temperatura del horno mediante una red neuronal adaptativa se concluye que es posible predecir la temperatura en un intervalo de tiempo conociendo sólo el valor de la temperatura en los intervalos previos, sin utilizar ninguna otra información sobre el proceso, obteniendo así una estimación del comportamiento del sistema.

Aplicando las técnicas estadísticas de análisis de componentes principales al conjunto de datos de operación de la planta registrados por el ordenador de proceso, correspondientes a 18 variables, se concluye la existencia de correlaciones significativas entre los datos, y que los dos primeros componentes principales explican más del 70 por ciento de la varianza de los datos, por lo que puede describirse el comportamiento del sistema con un número reducido de variables. El conjunto de 18

196 Conclusiones

variables puede reducirse a 7, con la consiguiente disminución del volumen de datos a analizar.

De la aplicación de las técnicas de clasificación mediante una red neuronal de aprendizaje no supervisado a un vector formado por tres valores consecutivos tomados del registro de la señal de temperatura del horno a intervalos de treinta minutos, se concluye que pueden obtenerse clases que admiten una interpretación gráfica de la tendencia de la temperatura, a subir, bajar o mantenerse estable, lo que permite analizar la señal on line para encontrar tendencias.

De la aplicación del algoritmo de aprendizaje LINNEO+ para la clasificación no supervisada al mismo conjunto de datos de operación empleado para el análisis de componentes principales, se concluye que puede obtenerse una clasificación automática del estado de la planta a partir de un conjunto reducido de observaciones. Estas clases permiten una interpretación en términos de situaciones de la planta, lo que permite su utilización para detectar transitorios o situaciones anormales.

Del estudio del proceso de combustión se concluye que puede calcularse la temperatura teórica de llama, el caudal y la composición de los gases de combustión, utilizando un modelo estático. Aplicando una regresión lineal a los resultados de estos cálculos es posible establecer ecuaciones que relacionan las diferentes variables del proceso de combustión, y disponer de un modelo muy sencillo que describe la influencia del exceso de aire y la cantidad de residuos sobre la temperatura y la concentración de O2 en los humos. La obtención de estas relaciones es una forma de aumentar el conocimiento sobre el proceso.

De la aplicación de las ecuaciones de balances de materia y energía al proceso de combustión y del análisis de los distintos mecanismos de transmisión de calor que tienen lugar, se concluye que puede desarrollarse un modelo matemático simplificado para realizar cálculos en estado estacionario y en régimen transitorio.

De la aplicación del modelo matemático al análisis del horno en estado estacionario se obtiene un método de cálculo iterativo de la temperatura de los gases de combustión, que emplea una serie de parámetros obtenidos del estudio del horno, de fuentes bibliográficas y de la experiencia.

A partir del estudio teórico de la combustión se define un parámetro, la superficie de llama, que relaciona la alimentación de residuos y el %O2 con el área de llama. Del cálculo del valor de este parámetro para distintos valores de la cantidad de residuos quemada y de concentración de oxígeno, se concluye que existe una relación entre el área de llama así definida y la temperatura del horno.

De la aplicación de los balances de materia y energía se obtiene un modelo dinámico, empleando el programa de simulación ISIM, para calcular la evolución de la temperatura de los gases de combustión y de las escorias. Los resultados en régimen permanente coinciden con los del modelo de estado estacionario.

De la aplicación de los balances de materia y energía se obtiene un modelo dinámico simplificado para analizar la respuesta del horno que se ha adaptado para ser implementado en forma de bloques de MATLAB/Simulink. El modelo se emplea para la simulación de la respuesta del sistema ante la variación del valor de distintos parametros, como son el poder calorífico, el caudal de aire de combustión o el caudal de residuos.

Conclusiones 197

Para poder analizar la respuesta dinámica del proceso mediante la formulación del espacio de estado se desarrolla un modelo lineal, para lo cual se precisa la linealización del término de radiación en que aparece la temperatura elevada a la cuarta potencia. El modelo lineal permite hallar las funciones de transferencia que relacionan las salidas con las entradas, lo que permite calcular la respuesta del sistema a las variaciones de caudal de gases y de residuos. La comparación de los resultados obtenidos con el modelo lineal y el no lineal, muestra que hay una diferencias de unos 10 grados en la estimación de la temperatura entre los dos modelos.

De la aplicación de las herramientas de extracción del conocimiento al análisis de las acciones manuales del operador para establecer las relaciones entre estas acciones y el estado del horno, se concluyen las relaciones entre la calidad de los residuos, la velocidad de alimentación y la velocidad de la parrilla con la temperatura, que sirven de base para deducir reglas de actuación.

Del estudio de las relaciones cualitativas entre las variables empleando los bloques basados en el lenguaje de representación ALCMEN se obtiene un modelo cualitativo para describir el comportamiento del horno. El modelo tiene como entradas la velocidad de alimentación, la velocidad de la parrilla y la calidad de los residuos, mientras que la salida es una estimación cualitativa de la temperatura del horno. El modelo es capaz de estimar la tendencia de la temperatura.

A partir de las ecuaciones analíticas del modelo dinámico lineal se definen unas relaciones cualitativas para desarrollar un modelo cualitativo empleando los bloques de ALCMEN. El modelo se valida con datos reales de las acciones manuales del operador, y permite estimar la tendencia de la temperatura de forma parecida al modelo cualitativo heurístico.

Del estudio de las acciones manuales del operador se obtienen las reglas para determinar las acciones del operador en función del estado del horno, que sirven para generar la base de conocimiento.

Se generan reglas de clasificación para clasificar el estado del horno en distintas condiciones, normal, frío, o caliente, según el valor de la temperatura y de su tendencia, expresados en forma de variables cualitativas.

Se generan reglas reglas de actuación para determinar las acciones del operador para controlar la temperatura según el estado del horno, obtenido por la aplicación de las reglas de clasificación, y según la calidad de los residuos. Estas reglas se emplean para calcular la acción de control que debe realizarse para controlar la temperatura.

Se desarrolla un sistema de control de la combustión, basado en el empleo de sistemas expertos especialistas que utiliza como entradas la temperatura del horno, la depresión en el horno, la potencia generada en el alternador y el %O2 en los gases de combustión. Como salidas del sistema se obtienen las acciones que debe realizar el operador sobre la alimentación de los residuos, el caudal y la temperatura del aire de combustión para controlar la temperatura del horno.