_________________________________________________________________________________________ UTILIZACIÓN DE MODELOS RIGUROSOS EN CONTROL AVANZADO Ismael Pereda Alonso REPSOL PETRÓLEO S.A. _________________________________________________________________________________________ RESUMEN Durante los últimos años se ha producido un despegue, ya anunciado, de la utilización de modelos rigurosos en todas las áreas de refino, y el control avanzado no se iba a quedar atrás. En Repsol Petróleo/Petronor llevamos varios años utilizando y buscando nuevas utilidades a este tipo de modelos, tanto de estado estacionario, como de simulación dinámica, siempre orientados a obtener el máximo provecho económico y grado de conocimiento del proceso. En este artículo se hará un repaso de la situación actual de la simulación en la Subdirección de Control Avanzado y una proyección de las aplicaciones futuras, sobre todo en los temas referentes a simulación dinámica y a la integración de los modelos rigurosos con los modelos estadísticos. Se muestra en que casos reales se ha utilizado. 1. INTRODUCCIÓN No es nueva la utilización de modelos matemáticos en la industria química, pero sí lo es la generalización y el perfeccionamiento alcanzado en muchos campos, como el de la industria del petróleo. En este artículo se va a tratar la utilización de la modelización rigurosa, tanto en estado estacionario como en dinámico, para aplicaciones englobadas dentro del campo del control avanzado. Los puntos a tratar aparecen en el siguiente esquema. 1. Definiciones 2. Retrospectiva histórica 3. Metodología de utilización de los modelos rigurosos en control avanzado Conferencia de la Sección Española de ISA 1999 4. Casos reales de aplicación 5. Conclusiones 6. Perspectivas futuras 2. DEFINICIONES Si analizamos la variedad de modelos utilizados habitualmente, podemos encontrar dos tipos diferentes ateniéndonos al modo de la aproximación. El primero se refiere a los modelos rigurosos, siendo éste el procedimiento más generalista de aproximarse al problema, puesto que estas aproximaciones son útiles en todos los campos de la ingeniería, desde el diseño conceptual hasta la ingeniería básica, la ingeniería de detalle, etc. Es este aspecto el que vamos a desarrollar en profundidad a lo largo de este artículo aplicándolo al campo del control. Dentro de los modelos rigurosos podemos establecer dos subgrupos: el de la simulación en estado estacionario y el de la simulación dinámica. El segundo tipo de aproximación se refiere a los modelos estadísticos, conseguidos a través del análisis estadístico de variables medidas en planta, y que en principio no contiene la generalidad que adorna a los modelos rigurosos para centrarse en las particularidades de cada planta en concreto, y en cada modo de operación del proceso. En estos modelos también pueden establecerse las dos subdivisiones anteriores: estado estacionario y dinámico. ¿Qué entendemos por modelos rigurosos? Estos modelos están basados en ecuaciones, en general no lineales, que tienen en cuenta todos los estudios y el conocimiento actual en materia de equilibrio termodinámico. A su vez estos modelos cumplen 1 de días y no de semanas o meses como sucedía tiempo atrás. escrupulosamente los balances de materia y energía del proceso. Esto conlleva que, en principio, no necesiten ningún dato de laboratorio, ni ninguna medida del proceso, para ajustarse. Simplemente las características constructivas de la planta, así como las características de la alimentación, son los datos que necesitan para poder realizar dimensionamientos de los equipos. Una vez dimensionados, se analizan sus limitaciones y cómo se puede modificar la operación de los mismos para obtener los máximos beneficios de la planta; por ello este tipo de modelos está especialmente indicado para el diseño de equipos y de plantas nuevas. Dentro de estos modelos encontramos los de simulación en estado estacionario, con los que realizamos simulaciones en condiciones ideales, en las que se supone que la planta se encuentra en condiciones estables de calidad de la alimentación y de funcionamiento, sin aparecer en ningún caso perturbaciones, medidas o no medidas. Esta situación, como es evidente, se da raramente en la realidad, pero sí que pueden darse habitualmente situaciones pseudo-estacionarias, que se basan en que las perturbaciones son de pequeña intensidad, con lo que se puede considerar que, dentro de unos márgenes, la planta se encuentra en estado estacionario. Aplicando este tipo de simulación al campo de control, se podrían obtener conclusiones referentes a efectos acoplados de variables manipuladas y controladas, lo que nos llevaría a encontrar óptimos locales de operación. Este tipo de simulación posee una serie de características que la han establecido como la de mayor utilización para la mayoría de los problemas de ingeniería química, y que son las siguientes: 1. 2. Es una tecnología bastante robusta, esto es: se trata de una tecnología universalmente aplicada desde hace varias décadas, y cuyos modelos ya han pasado bastantes análisis de calidad. Por otro lado, el sistema final que resulta tras identificar todas las variables es un sistema, por lo general, perfectamente especificado y con un número no muy elevado de ecuaciones. Esto es debido a la suposición de que la planta se encuentra en estado estacionario, que elimina ecuaciones de acumulación o desalojo de materia o energía. Son modelos bastante sencillos para su desarrollo; no necesitan más que unos pocos datos de ajuste y características básicas constructivas. Esto hace que, sobre todo en los últimos años y con programas gráficos (ver Figura 1), la construcción de modelos de estado estacionario de calidad suficiente sea cuestión Conferencia de la Sección Española de ISA 1999 Figura 1. Programa Aspen Plus. Interfase gráfico de usuario 3. Tienen sin embargo para nosotros una restricción, y es que su uso es bastante limitado en aplicaciones de control avanzado, ya que el tiempo, dominio en el que se mueven todos los problemas de control, es una variable que en estos modelos no tiene ninguna importancia. La simulación dinámica es un tipo de simulación con la que se pueden analizar los transitorios de las plantas. Esta clase de modelización no pierde en ningún caso la rigurosidad que presentaba la simulación en estado estacionario, pero en este caso los balances de materia y energía instantáneos no tienen por qué ser exactamente cero, sino que pueden producirse imbalances. Este tipo de simulación es adecuado para analizar a priori el comportamiento del control básico, el avanzado y el análisis de emergencias. Las características actuales de la simulación dinámica quedan resumidas en los siguientes puntos: 1. Cada vez se necesita menos esfuerzo para el desarrollo de modelos rigurosos dinámicos, y este avance ha sufrido una evolución vertiginosa durante los tres últimos años, en los que hemos podido empezar a disfrutar de programas de simulación dinámica en entorno gráfico (ver Figura 2). Con lo que se ha conseguido tiempos de desarrollo que, podríamos decir, se han reducido al menos a la décima parte. 2 Se encontraron algunos problemas que la simulación en estado estacionario podría ayudar a resolver: Figura 2. Simulación dinámica con Hysys Plant. 2. 3. Frente a la simulación en estado estacionario, la simulación dinámica demanda mayor cantidad de datos para su ajuste y mayor conocimiento del proceso, entrando ya en detalles precisos de la construcción de la planta. Hecho que es especialmente evidente en lo que se refiere a volúmenes internos y longitud de tuberías, que son los que van a marcar principalmente los retrasos, y las diluciones en el proceso. Tiene la ventaja de que su aplicación es inmediata a problemas de control, ya que en este caso sí que es cierto que los dos se mueven en el mismo dominio, que es el tiempo. 3. EVOLUCIÓN HISTÓRICA Si analizamos la evolución histórica que ha tenido el grupo REPSOL con respecto a la modelización rigurosa, nos encontramos en principio con dos caminos. El primero de ellos se refiere a la simulación rigurosa en estado estacionario, que comienza a principios de los noventa. La simulación dinámica, ha sido de incorporación mas reciente; podríamos datarla hacia el año 95. Su utilización se ha venido incrementando en los últimos años, siendo su principal aplicación, la simulación de emergencias, el diseño de reactores y la operación de plantas. La Subdirección de Control Avanzado, comenzó con las pruebas de modelos de simulación en el año 95, estudiando su uso dentro del control, e intentando definir qué tipos de aplicaciones se podrían encontrar a un modelo que no tenía en cuenta el tiempo para su resolución. Conferencia de la Sección Española de ISA 1999 1. Elección de esquemas de control: con esta herramienta es sencillo la elección de variables manipuladas de mayor sensibilidad. 2. Cálculo de la matriz de ganancias: en procesos muy interrelacionados es posible disponer de una herramienta que permita la detección de variables realmente independientes y que permita calcular de forma rigurosa las ganancias de cada variable manipulada con todas las controladas a las que afecte. 3. Cálculos inferenciales (sensores virtuales): aunque necesitan de una simulación más ajustada a planta que los otros apartados anteriores, éste es uno de los puntos más interesantes de este tipo de simulación, ya que permite el desarrollo de modelos inferenciales de una gran calidad hasta en sitios en los que raramente se dispone de datos de laboratorio. Sin embargo los modelos de estado estacionario presentan alguna limitación para su utilización dentro de control avanzado, pudiéndose destacar. 1. Son generalistas: sirven en principio para resolver muchos tipos de problemas. Esto hace que muchas veces sea difícil implementar esquemas de control de una forma sencilla; además, las particulares limitaciones de los equipos de control no son fáciles de definir dentro del programa de simulación. 2. Los estacionarios son con frecuencia difíciles de definir, con lo que el ajuste del modelo es a veces bastante complejo, sobre todo en procesos que rara vez se encuentran en estado estacionario 3. Las combinaciones de variables de entrada del modelo son bastante limitadas, lo que motiva que no quede más remedio que acudir a la resolución iterativa del problema para hallar las especificaciones, que con los controladores, logramos mantener en planta. Esto sólo es un problema desde el punto de vista el tiempo que tarda en encontrar la solución, que según la que especificación puede ser considerable. 4. Aun requiriendo menos recursos de capacidad de memoria y cálculo que la simulación dinámica, estos modelos necesitan también de computadoras potentes para poder realizar sus cálculos en unos tiempos razonables; por fortuna, en este caso, la tecnología juega a nuestro favor. 3 En el caso de la simulación dinámica, y tras analizar los resultados que se podían conseguir, se encontraron los siguientes campos en los que podría ser de gran ayuda para el trabajo de los ingenieros de control. 1. 2. 3. Mejora en los esquemas de control, probando a priori como respondería la planta ante perturbaciones con diferentes esquemas de control. También podría ayudar a desacoplar controladores (integración energética en columnas), ajustando aplicaciones de control avanzado. Posibilidad de comparar inferencias lineales o no lineales, ajustando la dinámica para que su funcionamiento fuera correcto en planta y los controladores multivariable pudieran minimizar el error, tanto en el estacionario como en el transitorio. Posibilidad de ajustar los controladores, en primer lugar los de control básico, y posteriormente los de control multivariable; ya que este tipo de simulación proporciona modelos de la planta de alta calidad. Como en el caso de la simulación en estado estacionario, la simulación dinámica presenta también serias limitaciones en la actualidad para poder responder a todos los puntos de la enumeración anterior. 1. Es generalista. Por lo tanto trata de responder tanto a problemas de diseño, como de operación, de control. Esto hace que muchas veces necesite de una definición del problema muy precisa para poder responder a todos estos campos, lo que la hace demasiado compleja para cada campo en concreto. 2. Sigue teniendo problemas para la definición de perturbaciones en planta que son difíciles de medir. 3. 4. Los modelos dinámicos no están tan probados como los modelos en estado estacionario. Tienen limitaciones sobre todo en la definición de tiempos muertos y de residencia, y en la definición de los propios controladores, en los que es difícil definir la propia dinámica del controlador. Pero quizá la limitación mas clara en estos momentos es la necesidad de recursos informáticos muy elevados, no pudiendo en muchos casos más que realizar simulaciones de casos simples y en raras ocasiones de una planta. No obstante, este tipo de simulación es la que está sufriendo la evolución más importante durante estos Conferencia de la Sección Española de ISA 1999 años, con lo que es posible que en poco tiempo vayan desapareciendo estos problemas y sea cada vez de mayor utilidad, y más sencilla de utilizar. 4. METODOLOGÍA PARA LA UTILIZACIÓN DE SIMULACIÓN RIGUROSA EN PROBLEMAS DE CONTROL AVANZADO Hasta este momento hemos visto todo lo que la simulación podría ofrecernos dentro del campo de control avanzado, pero nos falta explicar cómo. En primer lugar hemos de definir lo que entendemos por caso base en una simulación, definición que está muy unida a lo que se llama en planta un test-run. Se refiere al punto inicial de la simulación para cada alimentación. Suele estar asociado a puntos en los que simultáneamente disponemos de datos de laboratorio de todas las corrientes del proceso con las que podamos reproducir el balance de materia de la unidad; y además tenemos datos de todas las variables de proceso de cada una de las corrientes implicadas en la simulación. En estos momentos con los sistemas de historización de datos de proceso, y de datos de laboratorio, solo se necesitan análisis especiales de laboratorio para poder conformar casos base y ajustar la simulación. Estos casos son importantes porque son los únicos en los que podemos comparar los datos de simulación con los de planta, y de este modo ajustar los parámetros, que aunque mínimos, existen dentro de los modelos de simulación rigurosa. Paso 1: Desarrollo del modelo estacionario Necesitamos partir de al menos tres casos base, dependiendo de lo variables que sean las condiciones en planta, tanto de alimentación como de perturbaciones no medidas y de modos de operación. A partir de esos casos base podremos analizar las discrepancias entre nuestro modelo y el proceso, pudiendo asignar a cada uno las cotas de error que le correspondan. Generalmente suelen ser las medidas en planta la fuente más probable de errores y discrepancias entre la simulación y la realidad. Como último ítem de este paso hay que identificar en la simulación las variables de más rápida convergencia; ya que, como veremos en los pasos siguientes, vamos a necesitar hacer un uso intensivo del modelo riguroso y, si la simulación no está definida con este tipo de variables, la resolución de 4 simulación en estado estacionario, como es el caso de las redes neuronales. cada caso puede incrementarse en porcentajes de 1 a 100. Paso2: Explotación del modelo riguroso en estado estacionario Es en este paso donde se saca partido al modelo desarrollado en el punto anterior, para ello hay que seguir una secuencia bien definida. 1. En primer lugar hay que identificar los grados de libertad de nuestro sistema. Este trabajo, que es uno de los más difíciles, es facilitado sobremanera por los paquetes de simulación, puesto que no permiten sobreespecificar los problemas. 2. Una vez definidos dichos grados de libertad, que identificaremos con variables manipuladas, debemos definir un diseño de experimentos y ejecutar la simulación para estos valores de variables manipuladas. Por lo general, no es necesario reducir la variación de estas variables a la zona normal de operación, puesto que los modelos rigurosos tienen calidad para poder extrapolar a zonas de límites de ingeniería de la planta sin perder rigurosidad. Es obvio que para cada caso ejecutado debemos recoger todas las variables de interés para el estudio actual y futuro. 3. El tercer paso consiste en exportar los resultados a una hoja de cálculo o programa de análisis estadístico que es donde haremos el análisis final 4. Por último hay que repetir los puntos 2 y 3 para cada tipo de alimentación que pueda procesar la planta. Paso 3: Análisis estadístico de los datos Independientemente de que estemos utilizando modelos rigurosos para la descripción del comportamiento de la planta, en control avanzado al final los modelos que se utilizan (por ser los únicos capaces de ser ejecutados en línea), son los modelos estadísticos lineales o no lineales. Por lo tanto el siguiente paso consistirá en el ajuste de dichos modelos a partir de los datos de simulación rigurosa. Para ello se han de seguir: 1. En primer lugar transformar algunas de las variables obtenidas de la simulación rigurosa, para facilitar la modelización estadística. 2. Analizar la linealidad de los modelos que se van a obtener, esto se consigue a partir de análisis de errores, acotando los límites de validez del modelo, o finalmente asumiendo un error máximo de un determinado valor. 3. Si no fuera posible el trabajo con modelos lineales, existe la posibilidad de entrenar modelos no lineales a partir de datos de Conferencia de la Sección Española de ISA 1999 Paso 4: Desarrollo del modelo dinámico Como siguiente paso tendríamos el desarrollo de un modelo dinámico de la planta. Para ello se propone el siguiente esquema de trabajo. 1. Realización de pretest en planta. Así se pretende obtener datos de la dinámica real de la planta en lazo abierto, que nos permitirá ajustar los parámetros de la simulación dinámica 2. Identificar tiempos muertos: En un proceso los principales tiempos muertos están causados por la longitud de tuberías. También pueden aparecer tiempos muertos en la medición de ciertas propiedades por la propia dinámica de los medidores. 3. Identificar las constantes de tiempo entre variables, ocasionadas por la mezcla de productos a diferentes temperaturas y composiciones. Estos tiempos dependen de los volúmenes de los equipos de proceso: acumuladores de cabeza, fondos de columna, hold-up de las etapas de una columna, strippers, tanques, etc. Paso 5: Uso del modelo dinámico Una vez ajustado el modelo dinámico se abre un abanico de posibilidades de utilización del modelo. Por un lado está la referente a su uso como herramienta de entrenamiento, tanto de operadores de planta como de ingenieros de control. En el caso de los primeros les serviría tanto para la operación normal, como para arranques y paradas de planta, y para la solución de emergencias. En el caso de los ingenieros de control, aparte de la operación podrían ajustar mejor el control de la planta, prestando más atención a los aspectos de diseño conceptual del control; como son: elección de variables manipuladas y de perturbación, búsqueda de variables de especial sensibilidad, diseño óptimo de step-test, etc. Una vez realizados los ajustes de la planta, este tipo de simulación serviría para ajustar todos los cálculos puestos en línea en la planta, tal es el caso de los cálculos inferenciales de calidades, y hasta ajustar de forma más fina el controlador multivariable, si es que lo tuviera. 5 5. APLICACIÓN A CASOS REALES Los casos en los que se ha utilizado simulación rigurosa como complemento a las pruebas en planta para resolver diversos problemas de control se pueden resumir en la lista siguiente: 1) Cálculos inferenciales: a) Cálculos de composiciones de cabeza y fondo de columnas de separación de gases: desetanizadoras, despropanizadoras, desisobutanizadoras, desisopentanizadoras. d) Índices de refracción y rendimientos en plantas de lubricantes e) Plantas de separación de gases d) Columnas de vacío. 3) Simulación dinámica: a) Estabilizadora b) Despropanizadora c) Nos permitirá al final ahorrar tiempo y dinero, reduciendo las pruebas en planta al mínimo necesario. 2. Los resultados serán más robustos, pues las condiciones de operación se pueden ajustar a los límites de la planta, sin tener el riesgo de provocar pérdidas de calidad, ni problemas de operación. 3. Además los resultados tendrán mayor precisión al eliminar todo lo referente a ruidos del proceso o ajenos a este. 4. Los modelos estadísticos obtenidos tendrán un rango de validez más amplio por haberlos entrenado en todo tipo de circunstancias y por poder optar por modelos lineales o no lineales. 6. EVOLUCIÓN FUTURA Plantas de lubricantes b) Columnas de crudo. c) 1. Viscosidades y volatilidades en columnas de vacío. 2) Cálculo de matrices de ganancias: a) Sin embargo, si es posible la obtención de un modelo riguroso de la suficiente calidad, podemos obtener las siguientes ventajas: Puntos de corte, puntos de inflamación, niebla, congelación…, en varias columnas de crudo b) Cálculos de PVR en varias columnas estabilizadoras c) ningún caso podrían llegar a la precisión necesaria para utilizarlos en el control de procesos. Desisobutanizadora d) Desisopentanizadora En este último punto, la lista de aplicaciones está empezando a crecer en los últimos años y se espera que sea la de mayor proyección en el futuro. 5. CONCLUSIONES De lo expuesto hasta ahora podemos extraer las siguientes conclusiones. En primer lugar, para que todo esto sea posible, es necesario la existencia de buenos modelos rigurosos que sirvan, no sólo para diseño, sino que tengan la precisión adecuada para operación y control de la planta. Lo cual no siempre es posible, puesto que existen modelos como los de conversión, que están todavía en fase de desarrollo y que podrían servir para diseño conceptual, pero en Conferencia de la Sección Española de ISA 1999 La evolución de estos modelos va unida a la investigación de propiedades fisicoquímicas de los compuestos que intervienen en la simulación; a la mejora de los modelos termodinámicos utilizados, sobre todo para compuestos pesados, muy ligeros, polares-no polares; al perfeccionamiento de la estimación de propiedades, en el caso de refino de petróleo las propiedades calientes están bastante bien resueltas, no así las propiedades frías o de difícil predicción como pudiera ser el color de ciertos compuestos o el índice de refracción. Todos esos problemas pasan por una mejor definición de la alimentación, sobre todo cuando se trata de fracciones petrolíferas como en el caso de corrientes de torres de crudo o columnas de vacío. Quizá con las nuevas técnicas analíticas (NIR, FTNIR) se puedan caracterizar mejor las corrientes, y de este modo recomponer mejor la alimentación. Esto debe motivar una evolución también en los métodos de generación de pseudocomponentes, prestando atención a las fracciones pesadas. Una evolución deseable, y que ya se está llevando a cabo en el caso de la simulación en estado estacionario, es la transformación de los modelos para que puedan ser utilizados en aplicaciones de optimización en línea de forma directa. Esto supone, por lo general, la transformación en 6 modelos ajustables automáticamente estacionario de planta. con un Si entramos en el plano de la simulación dinámica, veremos que su desarrollo viene también marcado por el desarrollo tecnológico, sobre todo en lo que a hardware y sistemas operativos se refiere. Estos modelos necesitan una capacidad de cálculo muy alta y una óptima gestión de la memoria de las computadoras, que con los sistemas operativos actuales, aun estamos lejos de conseguir. El siguiente avance de estos modelos podría ser la capacidad de autoajuste, ya que una vez definidas las particularidades termodinámicas del proceso que queremos modelar sería posible que estos modelos se ajustaran perfectamente a las características propias de la planta de una forma automática. Empezando por los controladores, y terminando por los equipos individuales (intercambiadores de calor, columnas, tuberías, etc.). Por otro lado todavía no están perfectamente resueltos los problemas que se derivan de pasar de problemas dinámicos continuos a problemas con discontinuidades, como son la resolución de arranques y paradas de plantas, y fallos en los equipos. Cuando se consiga que el comportamiento dinámico de los modelos sea tan robusto y preciso como en el estado estacionario, se estará en condiciones de poder sustituir o reducir al mínimo las pruebas en planta. Esta situación es especialmente deseable en plantas que tienen estacionarios largos (6-24h), o en plantas en las que los continuos cambios de operación o de la calidad de carga hagan difícil la realización de pruebas in situ. Otro campo de aplicación posible es la prueba de sistemas expertos u otras aplicaciones de inteligencia artificial para el apoyo a operación, que en estos casos podría demostrar su robustez, antes de su instalación en planta como ayuda a los operadores. Para finalizar se podría reflexionar en un objetivo último, que sería la utilización en línea de este tipo de modelos para la optimización económica de la producción. Conferencia de la Sección Española de ISA 1999 7