Control Estadístico Multivariado de Procesos Biotecnológicos

LLANOS CLAUDIA E.

Bahía Blanca

Jornada; XV Jornadas de Exposición de Temas de Investigación de Becarios y Tesistas; 2014

Las biorefinerías son complejos industriales en los cuales se integran procesos de conversión de biomasa con equipamiento para producir combustibles, potencia y productos químicos a partir de la biomasa. La producción de compuestos de alto precio de venta mejora la rentabilidad, la de grandes volúmenes de combustibles ayuda a satisfacer las necesidades energéticas nacionales y la de potencia reduce los costos. Entre todos los posibles productos que pueden obtenerse en una biorefinería, la producción de bioetanol resulta de sumo interés. Motiva este hecho, las ventajas del bioetanol como combustible líquido (biodegradabilidad, menor toxicidad que la correspondiente a la de los combustibles fósiles, escasa emisión de gases con efecto invernadero, etc). Además, como proviene de fuentes renovables, el uso de mezclas de etanol y nafta prolonga la existencia de las reservas de petróleo, reduce la dependencia de las importaciones de crudo y mitiga los incrementos en el costo del barril de petróleo. La aplicación de novedosas estrategias de MSPC en la producción de combustibles líquidos a partir de la biomasa aún es incipiente en las biorefinerías actuales. Estas técnicas permiten utilizar la información contenida en grandes conjuntos de mediciones, facilitando su empleo para el modelado empírico y la ejecución en línea del monitoreo de las variables operativas, el seguimiento de la calidad del producto y la identificación de fallas en el proceso y en los sensores. El desarrollo y aplicación de estrategias avanzadas de MSPC mejorará la eficiencia de la producción de bioetanol mediante la reducción de los costos de operación normal y otros ocasionados por fallas de proceso, asegurando que el bioetanol en grado combustible satisfaga los índices de calidad especificados y la operación resulte segura. Por otra parte, permitirá profundizar el conocimiento del modo de interacción entre las variables del proceso, que puede usarse para mejorar la robustez y eficiencia de proceso productivo. En la última década se incrementó notablemente la aplicación de técnicas de MSPC en la industria. Estas se dividen en dos grandes grupos. El primero utiliza estadísticos calculados en función de las variables originales (VO); si su valor crítico se excede para un dado vector de observaciones, se considera que el proceso se encuentra fuera de control y es necesario identificar la/s variable/s mediante las cuales se revela el estado anómalo. Con tal fin, Mason y Young (2002) formularon el estadístico como la suma de las contribuciones de cada variable a su valor. Se trata de una técnica combinatorial que no produce una suma única de términos, lo cual origina incertidumbre en la tarea de identificación. Por el contrario, Alvarez y col. (2007), Sánchez y col. (2008) y Alvarez (2009) propusieron y aplicaron la descomposición del estadístico en una suma única de las contribuciones de cada variable, que permite aislar sin ambigüedades aquellas que más afectan su valor. Recientemente se ha publicado una estrategia de MSPC para el monitoreo de procesos discontinuos utilizando la descomposición previamente citada (Alvarez y col, 2010); es un procedimiento que a diferencia de todos los anteriores opera en el espacio de las VO, por lo cual se lo denominó OSS (Original Space Strategy). El método es aplicable cuando la inversa de la matriz de covarianza de las mediciones resulta bien condicionada. El segundo grupo considera estadísticos definidos en términos de un conjunto reducido de variables latentes (VL), las cuales se obtienen mediante diferentes proyecciones de las originales. Entre estas técnicas se destacan el Análisis de Componentes Principales (PCA) (Nomikos y MacGregor, 1995; Jollife, 2002), el Análisis de Componentes Independientes (ICA) (Hyvarinen, 2001; Lee y col., 2004) y la estrategia de regresión conocida como Cuadrados Mínimos Parciales (PLS) (Wold y col., 2001; Kim y col., 2005). Los procedimientos PCA y PLS han sido muy utilizados para detección e identificación de fallas y predicción de la calidad de productos en plantas industriales; por el contrario el empleo de ICA es todavía incipiente. Este procedimiento permite mejorar la calidad de la información extraída de datos con distribución no-gaussiana. La metodología PLS forma parte del vasto espectro de sensores inferenciales. Estos permiten predecir los valores de las variables del proceso que no pueden ser medidas en línea en forma automática, por razones tecnológicas o de costo, y de aquellas cuya frecuencia de muestreo es baja. Dado que estas variables frecuentemente están relacionadas con la calidad de los productos finales o intermedios, disponer de su estimación en línea resulta de suma importancia a los fines del control y planeamiento. Es frecuente utilizar sensores inferenciales en procesos de fermentación, polimerización y refinerías de petróleo, todos procesos caracterizados por una dinámica que no puede ser fácilmente descripta mediante modelos rigurosos y por las dificultades para recolectar toda la información necesaria en línea. En estos casos se utilizan datos históricos de las observaciones del proceso (espacio de las variables de entrada) y los resultados de mediciones fuera de línea de las variables de interés (espacio de las variables de salida) para generar un modelo predictivo de estas últimas. Dado que la técnica PLS original presenta limitaciones para modelar relaciones no lineales entre las variables han surgido diferentes adaptaciones para superar este problema, siendo la más utilizada el Kernel- PLS (Kim y col., 2005). Esta estrategia se combinó con la técnica estadística ICA a fin de mejorar la capacidad predictiva del método para el caso de mediciones con distribución no gaussiana (Zhang y Zhang, 2009). Las biorefinerías presentan varias dificultades desafiantes para su monitoreo y control. La falta de robustez de los sensores en línea para medir variables claves, tales como la biomasa o la concentración de producto, se han considerado como una seria desventaja para la implementación de algoritmos de control y optimización. Si bien se utilizan diversas técnicas para medir las concentraciones de biomasa y productos de manera directa, estas mediciones son aún caras y poco robustas para procesos en gran escala. Además las mediciones de laboratorio tienen una frecuencia de muestreo baja y su retraso compromete la eficacia del control. Por el contrario, el uso de variables secundarias para inferir las variables de calidad permite estimarlas de manera continua y aplicar métodos de control inferencial con el fin de optimizar la operación. Sin embargo, tampoco existe un modelo aceptado por todos para estimar el valor de estas variables. Se han propuesto diferentes métodos alternativos de estimación, por ejemplo Rivera y col. (2009) infirieron las concentraciones de biomasa, sustrato y bioetanol a partir de mediciones continuas de temperatura, pH, turbidez y flujo de dióxido de carbono, luego de entrenar una red neuronal. Gusken y col. (2008) emplearon un aparato óptico en combinación con una red neuronal para determinar la concentración de bioetanol en soluciones de bioetanol y agua a cualquier temperatura. Por su parte, Martínez y col. (2009) propusieron un sensor virtual para estimar la concentración de bioetanol en fermentadores en base a conceptos de lógica difusa. No se han reportado aplicaciones de técnicas de MSPC para el monitoreo de la producción de bioetanol. En base a lo expuesto previamente, en este trabajo se plantean las siguientes hipótesis: ? Las estrategias de MSPC son aptas para realizar, de manera eficiente, el monitoreo y el control de la calidad de productos finales e intermedios en biorefinerías. ? La selección de la red de sensores del proceso, la capacidad de detección e identificación de fallas del procedimiento de MSPC y la capacidad del modelo empírico no lineal de representar las relaciones entre las variables tienen un efecto sinérgico sobre el desempeño de los procedimientos de monitoreo y control. ? La estimación de la calidad del producto mejora empleando técnicas de Estadística Robusta y Análisis de Componentes Independientes.