MEJORA EN EL DESEMPEÑO DE CONTROLADORES PID CON MEDICIONES DE BAJA CALIDAD

Abstract

Generalmente, en la industria de procesos se presentan condiciones que causan el deterioro de las mediciones, ocasionando que estas no representen fielmente el proceso. Esta situación fue recreada a nivel de laboratorio para realizar el estudio de acondicionamiento de datos. El objetivo del presente trabajo es mejorar el desempeño de un controlador PID, a través de la implementación de distintas formas de acondicionamiento de datos. Principalmente, los filtros se diseñaron cumpliendo con dos objetivos por separado: reconstruir el valor de la variable del proceso y reconstruir la tendencia de la misma. Se estudió el desempeño del controlador al utilizar un filtro de pasa baja a distintos niveles de dispersión de errores de medición. Obteniéndose una mejora en el desempeño del controlador al utilizar un filtro que reconstruye la tendencia de la variable de proceso. Esta mejora fue cuantificada a través de los parámetros overshoot, tiempo de estabilización y dispersión del accionamiento del recurso. Con la implementación de un sensor virtual, se configuró un proceso MIMO. En este sistema se adicionaron errores de medición al lazo de control de nivel y se filtraron utilizando el filtro de pasa baja, comparando las dos estrategias de filtrado mencionadas. La diferencia obtenida corresponde a un mejor desempeño al utilizar un factor que reconstruye la tendencia de la variable de proceso. Además, se analizó la modificación de los parámetros del controlador de nivel de líquido y cómo influye sobre el compromiso de control la utilización de dos filtros de pasa baja, con las dos estrategias de acondicionamiento de datos mencionadas anteriormente. Esto se realizó para un nivel de magnitud en los errores de medición: bajo, medio y alto. Obteniéndose una diferencia estadísticamente significativa entre un filtro y otro.Finalmente, se analizó el desempeño del controlador utilizando tres tipos de filtros frente a mediciones con ruido normalmente distribuido y con datos anómalos. Estos filtros son: pasa baja, media móvil y mediana móvil, también con las dos estrategias de filtrado mencionadas. En esta parte del estudio, el mejor filtro es el de mediana móvil con una ventana de datos que reconstruye la tendencia del proceso, resultando ser más robusto y mejorar el desempeño del controlador.Generally, conditions in the process industry are presented that generate the deterioration of the measurements, causing loss of the trend of the process. This situation was recreated at laboratory for studying data conditioning.The aim of this work is to improve the performance of a PID controller, through the implementation of different forms of data conditioning. Mainly, the filters are designed in compliance with two separate objectives: reconstructing the value of the process variable and rebuild its trend.Controller performance was studied by using a low pass filter in different levels of dispersion measurement errors. Resulting in an improvement in the performance of the controller by using a filter that reconstructs the trend of the process variable. This improvement was quantified through parameters overshoot, settling time and controller output dispersion.With the implementation of a soft sensor, a MIMO process control set. In this system, measurement errors were added to the level control loop and filtered using the low-pass filter, comparing the two filtering strategies mentioned. The difference obtained corresponds to better performance by using a factor that rebuild the trend of process variable.In addition, was analyzed changing the parameters of liquid level controller and how influences the control commitment using two low-pass filters, with the two data conditioning strategies above. This was done to a level of magnitude measurement errors low, medium and high. Was obtained a statistically significant difference between a filter and another.Finally, was analyzed the controller performance using three types of filters versus noise measurements normally distributed and anomalous data. These filters include: low pass, moving average and running median, also with two filtering strategies mentioned. In this part of the study, the running median was the best filter with a data window that reconstructs the trend of the process, proving to be more robust and improving the performance of the controller.