Módulo 8 – Introducción a la Integración de Procesos 11
PIECENAMPProgram for North American Mobility in Higher EducationProgram for North American Mobility in Higher Education
NAMPNAMP
Introducing Process integration for Environmental Control in EngIntroducing Process integration for Environmental Control in Engineering Curriculaineering Curricula
IntroducciIntroduccióón a la n a la IntegraciIntegracióón de Procesosn de Procesos
TierTier IIII
MMóódulodulo 88
PIECEPIECE
Módulo 8 – Introducción a la Integración de Procesos 22
PIECENAMP
CCóómo usar esta presentacimo usar esta presentacióónn
Esta presentaciEsta presentacióón contiene links internos a otras diapositivas y links n contiene links internos a otras diapositivas y links externos a sitios web:externos a sitios web:
Ejemplo de un linkEjemplo de un link (texto subrayado en gris): link a una diapositiva en la (texto subrayado en gris): link a una diapositiva en la presentacipresentacióón a un sitio webn a un sitio web
: link a la tabla de contenido del tier: link a la tabla de contenido del tier
: link a la : link a la úúltima diapositiva revisadaltima diapositiva revisada
: cuando el usuario ha pasado por toda la presentaci: cuando el usuario ha pasado por toda la presentacióón, algunas n, algunas preguntas de opcipreguntas de opcióón mn múúltiple son efectuadas al final del tier. Este icono ltiple son efectuadas al final del tier. Este icono lleva al usuario nuevamente al enunciado de pregunta si la respulleva al usuario nuevamente al enunciado de pregunta si la respuesta esta elegida es errelegida es erróóneanea
Módulo 8 – Introducción a la Integración de Procesos 33
PIECENAMP
Tabla de contenidoTabla de contenidoResumen del ProyectoResumen del Proyecto
Instituciones participantesInstituciones participantesCreadores del mCreadores del móódulodulo
Estructura y PropEstructura y Propóósito del Msito del MóóduloduloTier Tier IIII
Enunciado de propEnunciado de propóósitositoSeccionesSecciones2.1 Ejemplo trabajado usando Modelamiento impulsado por 2.1 Ejemplo trabajado usando Modelamiento impulsado por datos (Datadatos (Data--drivendriven modelingmodeling), m), máás especs especííficamente Anficamente Anáálisis lisis MultivariableMultivariable2.2 Ejemplo trabajado usando An2.2 Ejemplo trabajado usando Anáálisis Pinch Tlisis Pinch Téérmicormico2.3 Ejemplo trabajado usando Dise2.3 Ejemplo trabajado usando Diseñño y Control Integrado de o y Control Integrado de Procesos, mProcesos, máás especs especííficamente Anficamente Anáálisis de Controlabilidadlisis de ControlabilidadQuizQuiz
Módulo 8 – Introducción a la Integración de Procesos 44
PIECENAMP
ObjetivosObjetivosCrear mCrear móódulos web para ayudar a las universidades a dulos web para ayudar a las universidades a realizar la introduccirealizar la introduccióón de la Integracin de la Integracióón de Procesos a la n de Procesos a la currcurríícula de Ingeniercula de IngenierííaaHacer de estos mHacer de estos móódulos ampliamente disponibles en cada dulos ampliamente disponibles en cada uno de los pauno de los paííses participantesses participantes
Instituciones ParticipantesInstituciones ParticipantesDos universidades de tres paDos universidades de tres paííses (Canadses (Canadáá, M, Mééxico y Estados xico y Estados Unidos de AmUnidos de Améérica)rica)Dos institutos de investigaciDos institutos de investigacióón en diferentes sectores n en diferentes sectores industriales: petrindustriales: petróóleo (Mleo (Mééxico) y pulpa y papel (Canadxico) y pulpa y papel (Canadáá))Cada una de las seis universidades ha patrocinado a 7 Cada una de las seis universidades ha patrocinado a 7 estudiantes de intercambio durante el periodo de la beca, estudiantes de intercambio durante el periodo de la beca, subvencionados en parte por cada uno de los gobiernos de subvencionados en parte por cada uno de los gobiernos de los tres palos tres paííses ses
Resumen del ProyectoResumen del Proyecto
Módulo 8 – Introducción a la Integración de Procesos 55
PIECENAMP
Program for North American Mobility in Higher EducationProgram for North American Mobility in Higher Education NAMPNAMP
Process integration for Environmental Control in Engineering CurProcess integration for Environmental Control in Engineering Curricularicula PIECEPIECE
University of University of OttawaOttawa
ÉÉcole cole PolytechniquePolytechnique dede
MontrMontrééalal
InstitutoInstitutoMexicanoMexicano del del
PetrPetróóleoleo
PapricanPaprican
Universidad Universidad AutAutóónomanoma de San de San
Luis Luis PotosPotosíí
University of University of Texas A&MTexas A&M
UniversidadUniversidad dedeGuanajuatoGuanajuato North Carolina North Carolina
State UniversityState University
Módulo 8 – Introducción a la Integración de Procesos 66
PIECENAMP
MMóódulodulo 88EsteEste mmóódulodulo fuefue creadocreado porpor::
Carlos Alberto Miranda AlvarezCarlos Alberto Miranda Alvarez
JeanJean--MartinMartin BraultBrault
InstituciInstitucióón n AnfitrionaAnfitriona
DeDe Profesor Profesor anfitrianfitrióónn
Paul StuartPaul Stuart
Martin Martin PiconPicon--NuNuññezez
Módulo 8 – Introducción a la Integración de Procesos 77
PIECENAMP
Estructura del MEstructura del Móódulo 8dulo 8¿¿CuCuáál es la estructura de este ml es la estructura de este móódulo?dulo?
Todos los mTodos los móódulos estdulos estáán divididos en 3 n divididos en 3 tierstiers, cada uno con , cada uno con una meta especuna meta especíífica:fica:
Tier I: AntecedentesTier I: AntecedentesTier Tier IIII: Aplicaciones a Caso de Estudio: Aplicaciones a Caso de EstudioTier Tier IIIIII: Problema de Dise: Problema de Diseñño Propuestoo Propuesto--Resuelto Resuelto
Se pretende completar estos Se pretende completar estos tierstiers en ese orden particular. en ese orden particular. Los estudiantes son evaluados en varios puntos para medir Los estudiantes son evaluados en varios puntos para medir su grado de comprensisu grado de comprensióón, antes de proseguir al siguiente n, antes de proseguir al siguiente nivel. Cada tier contiene un enunciado de propnivel. Cada tier contiene un enunciado de propóósito u sito u objetivo al inicio y un quiz al final. objetivo al inicio y un quiz al final.
Módulo 8 – Introducción a la Integración de Procesos 88
PIECENAMP
¿CuCuáál es el propl es el propóósito de este msito de este móódulo?dulo?
Es el objetivo de este mEs el objetivo de este móódulo cubrir los aspectos dulo cubrir los aspectos bbáásicos de los sicos de los MMéétodos todos yy herramientas de herramientas de IntegraciIntegracióón de Procesos n de Procesos , y colocar a la , y colocar a la IntegraciIntegracióón de Procesos n de Procesos en una perspectiva men una perspectiva máás s amplia. Estamplia. Estáá identificado como un prerrequisito para identificado como un prerrequisito para otros motros móódulos relacionadas con el aprendizaje de dulos relacionadas con el aprendizaje de IntegraciIntegracióón de Procesosn de Procesos. .
PropPropóósito del Msito del Móódulo 8dulo 8
Módulo 8 – Introducción a la Integración de Procesos 99
PIECENAMP
Tier IIEjemplos Resueltos
Módulo 8 – Introducción a la Integración de Procesos 1010
PIECENAMP
TierTier IIII Enunciado de PropEnunciado de Propóósitosito
La meta de este tier es demostrar varios conceptos y La meta de este tier es demostrar varios conceptos y herramientas de Integraciherramientas de Integracióón de Procesos usando n de Procesos usando ejemplos reales. Tres ejemplos serejemplos reales. Tres ejemplos seráán dados, n dados, centrcentráándose principalmente en tres herramientas de ndose principalmente en tres herramientas de IntegraciIntegracióón de Procesos. Al final del Tiern de Procesos. Al final del Tier IIII, el , el estudiante debe tener una idea general de lo que es: estudiante debe tener una idea general de lo que es:
Modelamiento impulsado por datos (DataModelamiento impulsado por datos (Data--Driven Driven ModelingModeling) ) -- AnAnáálisis Multivariablelisis MultivariableAnAnáálisis Pinch Tlisis Pinch Téérmico rmico DiseDiseñño y Control Integrado de Procesos o y Control Integrado de Procesos –– AnAnáálisis lisis de Controlabilidadde Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 1111
PIECENAMP
TierTier IIII ContenidoContenido
El Tier El Tier IIII estestáá dividido en tres seccionesdividido en tres secciones
2.1 Ejemplo trabajado usando Modelamiento 2.1 Ejemplo trabajado usando Modelamiento impulsado por datos, mimpulsado por datos, máás especs especííficamente ficamente AnAnáálisis Multivariablelisis Multivariable2.2 Ejemplo trabajado usando An2.2 Ejemplo trabajado usando Anáálisis Pinch lisis Pinch TTéérmicormico2.3 Ejemplo trabajado usando Dise2.3 Ejemplo trabajado usando Diseñño y Control o y Control Integrado de Procesos, mIntegrado de Procesos, máás especs especííficamente ficamente AnAnáálisis de Controlabilidadlisis de Controlabilidad
Un pequeUn pequeñño quiz de opcio quiz de opcióón mn múúltiple se encontrarltiple se encontraráá al al final de este tier. final de este tier.
Módulo 8 – Introducción a la Integración de Procesos 1212
PIECENAMP
2.1 Ejemplo resuelto 1: Modelamiento impulsado por 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos datos –– AnAnáálisis Multivariablelisis Multivariable
2.2 Ejemplo resuelto 2: An2.2 Ejemplo resuelto 2: Anáálisis Pinch Tlisis Pinch Téérmicormico
2.3 Ejemplo resuelto 3: Dise2.3 Ejemplo resuelto 3: Diseñño y Control Integrado de o y Control Integrado de Procesos Procesos –– AnAnáálisis de Controlabilidadlisis de Controlabilidad
2.1 Ejemplo resuelto 1: Modelamiento impulsado por 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos datos –– AnAnáálisis Multivariablelisis Multivariable
2.2 Ejemplo resuelto 2: An2.2 Ejemplo resuelto 2: Anáálisis Pinch Tlisis Pinch Téérmicormico
2.3 Ejemplo resuelto 3: Dise2.3 Ejemplo resuelto 3: Diseñño y Control Integrado de o y Control Integrado de Procesos Procesos –– AnAnáálisis de Controlabilidadlisis de Controlabilidad
TierTier IIII ResumenResumen
Módulo 8 – Introducción a la Integración de Procesos 1313
PIECENAMP
2.1 Ejemplo Resuelto 1: Modelamiento Impulsado por
Datos (Data Driven Modelingven Modeling) ) ––AnAnáálisis Multivariablelisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 1414
PIECENAMP
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable (MVA) – Recordatorio
2.922.273-1106
2.972.222-1106
3.12.441-1106
3.262.5230005
3.322.5620005
3.162.8910005
2.632.9731-104
2.572.721-104
3.223.0211-104
2.982.53301-13
2.452.6201-13
2.672.45101-13
2.312.65310-12
2.472.55210-12
3.232.63110-12
2.562.453-1-1-11
3.222.362-1-1-11
2.742.511-1-1-11
Y sans
Y avecRepX5X4X1Tmt
RepresentaciRepresentacióón grn grááfica delfica del MVAMVA
Datos "crudos" Datos "crudos" (sin procesar): (sin procesar): imposibles de imposibles de
interpretarinterpretar
Modelo EstadModelo Estadíísticostico(parte del (parte del software)software)
Salidas visuales en 2Salidas visuales en 2--DD
tendencia
tendenciatendencia
Y
XX
X
X
Miles de corridas
Cientos de columnas
..
. .. .
. . .
.
. .
Módulo 8 – Introducción a la Integración de Procesos 1515
PIECENAMP
Se asume que el estudiante estSe asume que el estudiante estáá familiarizado con los siguientes familiarizado con los siguientes conceptos estadconceptos estadíísticos bsticos báásicos: media, mediana, moda; desviacisicos: media, mediana, moda; desviacióón n estestáándar, varianza, normalidad, simetrndar, varianza, normalidad, simetríía; grado de asociacia; grado de asociacióón, coeficientes n, coeficientes de correlacide correlacióón; Rn; R22, Q, Q22, F, F--testtest; significado de las diferencias, t; significado de las diferencias, t--testtest, Chi, Chi--cuadrado; eigen valores y vectorescuadrado; eigen valores y vectores
Las pruebas estadLas pruebas estadíísticas ayudan a caracterizar un grupo de datos sticas ayudan a caracterizar un grupo de datos existente. NO permiten hacer predicciones de datos futuros. Paraexistente. NO permiten hacer predicciones de datos futuros. Para esto esto tenemos que volver a las tenemos que volver a las ttéécnicas de regresicnicas de regresióónn……
EstadEstadíísticas Bsticas Báásicassicas
RegresiRegresióónnToma un grupo de datos, cada uno descrito por un vector de valorToma un grupo de datos, cada uno descrito por un vector de valores (y, es (y, xx11, x, x22, , …… xxnn))Encuentra la ecuaciEncuentra la ecuacióón algebraica que "mejor exprese" la relacin algebraica que "mejor exprese" la relacióón entre n entre y y y y xxii’’ss::
Y =Y = bb11xx11 + + bb22xx22 + + …… + + bbnnxxnn + e+ e
Requerimientos de Datos:Requerimientos de Datos: datos normalizados, errores normalmente datos normalizados, errores normalmente distribuidos con media cero y variables independientes no distribuidos con media cero y variables independientes no correlacionadas correlacionadas
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 1616
PIECENAMP
160180200220240
150 160 170 180 190 200 210 220 230 240
Y O
bser
vada
Y Predicha
MODELO IDEAMODELO IDEAL
Figura 1
Tipos de Tipos de MVAMVA1.1. AnAnáálisis de Componente Principal (Principal lisis de Componente Principal (Principal
Component AnalysisComponent Analysis, PCA), PCA)Solamente XSolamente X’’ssEn PCA, estamos maximizando la En PCA, estamos maximizando la varianzavarianza que es explicada que es explicada por el modelo por el modelo
2.2. ProyecciProyeccióón a Estructuras Latentes (n a Estructuras Latentes (Projection to Projection to Latent StructuresLatent Structures, , PLSPLS))
TambiTambiéén conocido como n conocido como ““MMíínimos Cuadrados Parcialesnimos Cuadrados Parciales””XX’’s y Ys y Y’’ssEn En PLSPLS, estamos maximizando la , estamos maximizando la covarianzacovarianza
X Y
X
Tipos de salidas de Tipos de salidas de MVAMVA
Q1Q1 Q2Q2
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Los software de Los software de MVA MVA generan dos tipos de salidas: resultados, y generan dos tipos de salidas: resultados, y diagndiagnóósticos.sticos.
Resultados: GrResultados: Grááficas de resultados, Grficas de resultados, Grááficas ficas de Entradasde EntradasDiagnDiagnóósticos: Grsticos: Grááfica de Residuos, Observadofica de Residuos, Observadovsvs Predicho, y muchas mas Predicho, y muchas mas
Módulo 8 – Introducción a la Integración de Procesos 1717
PIECENAMP
Considere estos peces. Considere estos peces. Podemos medir, para cada Podemos medir, para cada uno, su longitud y ancho.uno, su longitud y ancho.
Suponga que 50 peces fueron medidos, Suponga que 50 peces fueron medidos, una gruna grááfica como la mostrada en la figura fica como la mostrada en la figura 2 puede ser obtenida. Existe una relaci2 puede ser obtenida. Existe una relacióón n obvia entre la longitud y el ancho pues obvia entre la longitud y el ancho pues peces mpeces máás largos tienden a ser ms largos tienden a ser máás s anchos. anchos.
Referencia: Manchester Metropolitan University
AnAnáálisis de Componente Principal (PCA)lisis de Componente Principal (PCA)
Figura 2
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 1818
PIECENAMP
Mueva los ejes de manera que sus orMueva los ejes de manera que sus oríígenes estgenes estéén ahora centrados en la nube de n ahora centrados en la nube de puntos: este es un cambio en la escala de medicipuntos: este es un cambio en la escala de medicióón. En este caso las medias relevantes n. En este caso las medias relevantes fueron restadas de cada valor. fueron restadas de cada valor.
En efecto, el eje principal es una nueva variable, el tamaEn efecto, el eje principal es una nueva variable, el tamañño. De forma simple, o. De forma simple, tamatamañño = longitud + anchoo = longitud + ancho
combinacicombinacióón lineal de dos variables existentes de igual importancia n lineal de dos variables existentes de igual importancia Suponga que consideramos que la longitud es mSuponga que consideramos que la longitud es máás importante que el ancho en la s importante que el ancho en la
determinacideterminacióón del taman del tamañño. En este caso podemos usar pesos o coeficientes para introducio. En este caso podemos usar pesos o coeficientes para introducir r contribuciones diferenciales: contribuciones diferenciales: tamatamañño = 0.75 x longitud + 0.25 x anchoo = 0.75 x longitud + 0.25 x ancho
Por conveniencia, normalmente realizarPor conveniencia, normalmente realizarííamos la gramos la grááfica con el eje X horizontal, esto darfica con el eje X horizontal, esto daríía la a la apariencia de rotar los puntos mapariencia de rotar los puntos máás que los ejes. s que los ejes.
Figura 3
Figura 5
Figura 4
Reference: Manchester Metropolitan University
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 1919
PIECENAMP
Un criterio para el segundo eje es que debe explicar tanto de lUn criterio para el segundo eje es que debe explicar tanto de la variacia variacióón n restante como sea posible. Sin embargo, restante como sea posible. Sin embargo, ééste no debe estar correlacionado ste no debe estar correlacionado (ortogonal) con el primero. (ortogonal) con el primero.
En este ejemplo las longitudes y orientaciones de los ejes estEn este ejemplo las longitudes y orientaciones de los ejes estáán dadas por n dadas por eigen valores y eigen vectores de la matriz de correlacieigen valores y eigen vectores de la matriz de correlacióón. Si retenemos solo la n. Si retenemos solo la variable de "tamavariable de "tamañño" mantendro" mantendrííamos 1.75/2.00 x 100 (87.5%) de la variaciamos 1.75/2.00 x 100 (87.5%) de la variacióón n original. Entonces, si descartamos el segundo eje solo perdemos original. Entonces, si descartamos el segundo eje solo perdemos 12.5% de la 12.5% de la informaciinformacióón original. n original.
Figura 6 Figura 7
Reference: Manchester Metropolitan University
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 2020
PIECENAMP
ProyecciProyeccióón a Estructuras Latentes n a Estructuras Latentes ((Projection to Latent StructuresProjection to Latent Structures,, PLSPLS))
LaLa PLSPLS encuentra un grupo de componentes ortogonales que: encuentra un grupo de componentes ortogonales que: Maximizan el nivel de entendimiento de ambos, X y YMaximizan el nivel de entendimiento de ambos, X y YProveen una ecuaciProveen una ecuacióón predictiva para Y en tn predictiva para Y en téérminos derminos de X'sX's
Esto es llevado a cabo por:Esto es llevado a cabo por:Ajustar un grupo de componentes a X (como en PCA)Ajustar un grupo de componentes a X (como en PCA)De manera similar, ajustar un grupo de componentes a YDe manera similar, ajustar un grupo de componentes a YReconciliar los dos grupos de componentes para maximizar el Reconciliar los dos grupos de componentes para maximizar el entendimiento de X y Yentendimiento de X y Y
La interpretaciLa interpretacióón de los resultados den de los resultados de PLSPLS tiene todas las tiene todas las dificultades de PCA, ademdificultades de PCA, ademáás de una extra: tener sentido de los s de una extra: tener sentido de los componentes individuales en espacio X y Y. En otras palabras, componentes individuales en espacio X y Y. En otras palabras, para que los resultados tengan sentido, el primer componente para que los resultados tengan sentido, el primer componente en X debe estar relacionado de alguna manera al primer en X debe estar relacionado de alguna manera al primer componente en Y componente en Y
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable - PCA
Módulo 8 – Introducción a la Integración de Procesos 2121
PIECENAMP
Veamos una planta tVeamos una planta tíípica de pulpa termomecpica de pulpa termomecáánica integrada (nica integrada (Thermomechanical PulpThermomechanical Pulp, , TMP) de papel periTMP) de papel perióódico en Amdico en Améérica del Norte. La planta. El administrador de esa rica del Norte. La planta. El administrador de esa planta en particular reconoce que hay muchos datos a tratar y quplanta en particular reconoce que hay muchos datos a tratar y que existe una e existe una necesidad de estimar la calidad de su producto final, i.e. papelnecesidad de estimar la calidad de su producto final, i.e. papel. . ÉÉl decide usar el l decide usar el AnAnáálisis Multivariable para derivar tanta informacilisis Multivariable para derivar tanta informacióón como sea posible del grupo de n como sea posible del grupo de datos y tratar de determinar las variables mdatos y tratar de determinar las variables máás importantes que pueden tener un s importantes que pueden tener un impacto en la calidad del papel para poder clasificar la calidadimpacto en la calidad del papel para poder clasificar la calidad del producto final. El del producto final. El administrador de la planta decide examinar primero la porciadministrador de la planta decide examinar primero la porcióón de refinacin de refinacióón del n del proceso de fabricaciproceso de fabricacióón de pulpa. n de pulpa.
Enunciado del ProblemaEnunciado del Problema
Figura 8
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2222
PIECENAMP
Variables X y Y Variables X y Y
Variables Y Variables Y Calidad de los datos Calidad de los datos
de la pulpa despude la pulpa despuéés de s de la urna de latencia la urna de latencia (automatizado, an(automatizado, anáálisislisisonon--lineline de muestras): de muestras): parparáámetros estmetros estáándar ndar de industrias de industrias incluyendo distribuciincluyendo distribucióón n de la longitud de la de la longitud de la fibra,fibra, freenessfreeness, , consistencia y consistencia y brillantez brillantez
Variables X Variables X Astillas que se reciben: Astillas que se reciben:
distribucidistribucióón de taman de tamañño, o, densidad deldensidad del bulkbulk, humedad, humedad
Datos de operaciDatos de operacióón del n del refinador: rendimiento; energrefinador: rendimiento; energíía a de separacide separacióón entre el n entre el refinador primario y refinador primario y secundario; velocidades de secundario; velocidades de dilucidilucióón; niveles, presiones y n; niveles, presiones y temperaturas en varias temperaturas en varias unidades inmediatamente unidades inmediatamente conectadas a los refinadores; conectadas a los refinadores; voltaje en el tornillo sin fin de voltaje en el tornillo sin fin de astillas; temperatura del astillas; temperatura del cuerpo del refinadorcuerpo del refinador
EstaciEstacióón, representada por la n, representada por la temperatura promedio medida temperatura promedio medida en la estacien la estacióón meteoroln meteorolóógica gica mmáás cercana s cercana
Y
X’s
Figura 9
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2323
PIECENAMP
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Esta es la gráfica R2 y Q2 para el modelo. Los valores de R2 nos dicen que el primer componente explica 32% de la variabilidad en los datos originales, el segundo otro 7% y el tercero otro 6%.
Los valores de Q2 son menores. Esto significa que el poder predictivo del modelo es cercano al 40% al usar los tres componentes. Esto podría parecer bajo, pero es normal para datos de proceso reales.
0.00
0.20
0.40
0.60
0.80
1.00
Com
p[1]
Com
p[2]
Com
p[3]
Comp No.
Versión 32-meses 2-M2 (PCA-X), Desviaciones extremasremovidas
R2X(cum)Q2(cum)
Figura 10
2002
ResultadosResultados 34-meses de 1 día rev. 2 (incl. Datos de astillas) no. 2.M4 (PCA-X), Residuos removidost[1]/t[2]/t[3]Coloreados de acuerdo a las clases en M4
No ClaseClase 1Clase 2Clase 3Clase 4
Otoño InviernoPrimaveraVerano
Otoño InviernoPrimaveraVerano
2000
2001Figura 11
Módulo 8 – Introducción a la Integración de Procesos 2424
PIECENAMP
Otoño InviernoPrimaveraVerano
Otoño InviernoPrimaveraVerano
-5
0
5
-10 0 10 20
t[2]
t[1]
34-months of 1 day rev. 2 (incl. chip data) no. 2.M4 (PCA-X), Untitledt[1]/t[2]Colored according to classes in M4
No ClassClass 1Class 2Class 3Class 4
Figura 12
La variación en esta dirección parece
ocurrir ENTRE estaciones
(≅ Componente 2)
La variaciLa variacióón en esta n en esta direccidireccióón parece n parece
ocurrir ENTRE ocurrir ENTRE estaciones estaciones
((≅≅ Componente 2)Componente 2)
La variación en esta dirección parece
ocurrir DENTRO de una estación dada(≅ Componente 1)
La variaciLa variacióón en esta n en esta direccidireccióón parece n parece
ocurrir DENTRO de ocurrir DENTRO de una estaciuna estacióón dadan dada((≅≅ Componente 1)Componente 1)
InterpretaciInterpretacióón de resultados n de resultados –– GrGrááfica de resultadosfica de resultados
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2525
PIECENAMP
InterpretaciInterpretacióón de resultados n de resultados –– GrGrááfica de entradasfica de entradas
-0.20
-0.10
0.00
0.10
0.20
-0.20 -0.10 0.00 0.10
p[2]
p[1]
34-months of 1 day rev. 2 (incl. chip data) no. 2.M4 (PCA-X), Bad residuals removedp[1]/p[2]
X
SEASON
33LI214.AI52FFC117.PV52FFC166.PV
52FIC104.PV52FIC115.PV
52FIC116.PV 52FIC154.PV
52FIC164.PV
52FIC165.PV
52FIC167.PV
52FIC177.PV
52HIC812.PV
52IIC128.PV
52IIC178.PV
52JCC139.PV
52JI189.AI
52JIC139.AI52LIC106.PV
52PCA111.PV52PCA161.PV
52PCB111.PV
52PCB161.PV
52PIC105.PV52PIC159.PV
52PIC705.PV52PIC961.PV
52SIC110.PV
52SQI110.AI
52TI011.AI52TI031.AI
52TI118.AI52TI168.AI
52TIC010.CO52TIC793.PV
52XAI130.AI52XIC130.AI52XIC180.AI52XPI130.AI
52XQI195.AI
52ZIC147.PV
52ZIC148.PV52ZIC197.PV
52ZIC198.PV
53AI034.AI
53AI054.AI
53FFC455.PV
53FI012.AI
53HIC762.PV53LIC011.PV
53LIC301.PV
53NI716.AI53NIC013.PV
53PIC210.PV
53PIC305.PV
53PIC308.PV
53PIC309.PV
53WI012.AI
Pex_L1_Blan
Pex_L1_Cons
Pex_L1_CSF
Pex_L1_LMF
Pex_L1_P200
Pex_L1_PFCPex_L1_PFLPex_L1_PFM
Pex_L1_R100
Pex_L1_R14
Pex_L1_R28Pex_L1_R48
53LIC510.PV
52FR960.AI52FRA703.AI
52KQC139.AI52KQC189.AI
52PI128.AI52PI178.AI
52PI706.AI
52PIA143.AI
52PIA193.AI
52PIB143.AI
52PIB193.AI
52PIP143.AI
52PIP193.AI52SI055.AI52SIA110.AI
52TIC102.PV
52TIC711.PV
52TR964.AI52XIC811.PV
52X_130.AI_split_L1.
52ZI144.AI
52ZI194.AI
53AIC453.PV
53LR405.AI53LV301.AI
53NIC100.PV811FI102.AI
811FI104.AI85FQ101.AI
85LCB320.AI
85LCS320.AI
CopDENS
CopSICC
Cop>9/8
Cop>7/8
Cop>5/8
Cop>3/8Cop>3/16
Cop<3/16
CopECORCopCARCopECLA
Rendimiento de la pulpaEnergía de RefinaciónFlujos de DisoluciónGeneración de vapor
Rendimiento de la pulpaRendimiento de la pulpaEnergEnergíía de Refinacia de RefinacióónnFlujos de DisoluciFlujos de DisolucióónnGeneraciGeneracióón de vaporn de vapor
Brillo de la PulpaEstaciónBrillo de la PulpaBrillo de la PulpaEstaciEstacióónn
Consumo de blanqueadorConsumo de blanqueadorConsumo de blanqueador
Figura 13
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2626
PIECENAMP
InterpretaciInterpretacióón de los resultadosn de los resultadosPrimer componentePrimer componente
El primer componente corresponde al rendimiento: muchas variableEl primer componente corresponde al rendimiento: muchas variables de proceso ests de proceso estáán n relacionadas ya sea directa o indirectamente con el rendimiento.relacionadas ya sea directa o indirectamente con el rendimiento. ¿¿Recuerda que dijimos Recuerda que dijimos que el primer componente era algo que variaba dentro de una estaque el primer componente era algo que variaba dentro de una estacicióón individual? n individual?
Segundo ComponenteSegundo ComponenteEl 2o. componente El 2o. componente explica solo el 7% explica solo el 7% de la variabilidad total. Es, por lo tanto, "mde la variabilidad total. Es, por lo tanto, "máás s confuso" que el primer componente, y serconfuso" que el primer componente, y seráá menos fmenos fáácil de interpretar. Tambicil de interpretar. Tambiéén es n es posible notar que los posible notar que los tres atres añños fueron separadosos fueron separados con respecto a este segundo con respecto a este segundo componente componente Una pista importante se encuentra en la prominencia de dos etiquUna pista importante se encuentra en la prominencia de dos etiquetas importantes etas importantes relacionadas: consumo de blanqueador y brillo de la pulpa. Esto relacionadas: consumo de blanqueador y brillo de la pulpa. Esto sugiere que tal vez el sugiere que tal vez el brillo de las astillas de madera entrantes era diferente abrillo de las astillas de madera entrantes era diferente añño con ao con añño, requiriendo mo, requiriendo máás s blanqueador para obtener un mblanqueador para obtener un míínimo de pulpa blanca nimo de pulpa blanca Note tambiNote tambiéén que la "estacin que la "estacióón" es prominente. Esto puede ser visto con la separacin" es prominente. Esto puede ser visto con la separacióón n obvia de las estaciones en la grobvia de las estaciones en la grááfica de resultados. Lo que sugiere que las astillas de fica de resultados. Lo que sugiere que las astillas de invierno son menos brillantes que las astillas de veranoinvierno son menos brillantes que las astillas de verano
Tercer ComponenteTercer ComponenteElEl 33erer Componente explica solo el 6% de la variabilidad totalComponente explica solo el 6% de la variabilidad totalElEl 33erer componente estcomponente estáá relacionado a la relacionado a la éépoca del apoca del añño. Una interpretacio. Una interpretacióón razonable n razonable serseríía que las astillas de verano difieren de las astillas de invierna que las astillas de verano difieren de las astillas de invierno de alguna manera o de alguna manera diferente al brillo, que fue cubierto previamente por el segundodiferente al brillo, que fue cubierto previamente por el segundo componente. Esto componente. Esto podrpodríía ser, por ejemplo, la facilidad con la que las fibras de maderaa ser, por ejemplo, la facilidad con la que las fibras de madera pueden ser pueden ser separadas entre sseparadas entre síí
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2727
PIECENAMP
Al usar PCA, hemos determinado que 45% de la variabilidad en lasAl usar PCA, hemos determinado que 45% de la variabilidad en las 130 130 variables originales puede ser representada usando solo 3 variabvariables originales puede ser representada usando solo 3 variables nuevas o les nuevas o "componentes". Estos tres componentes son ortogonales, lo que si"componentes". Estos tres componentes son ortogonales, lo que significa que gnifica que la variacila variacióón dentro de cada uno ocurre independientemente de las otros. En n dentro de cada uno ocurre independientemente de las otros. En otras palabras, los nuevos componentes no estotras palabras, los nuevos componentes no estáán correlacionados entre sn correlacionados entre síí. .
REFINER THROUGHPUTREFINER THROUGHPUTComponente 1Componente 1Explica 32%Explica 32%
Componente 2Componente 2Explica 7%Explica 7%
Componente 3Componente 3Explica 6%Explica 6%
BRILLOBRILLO
VER
AN
O /
INV
IER
NO
VER
AN
O /
INV
IER
NO
Resumen de los resultados de PCAResumen de los resultados de PCA
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2828
PIECENAMP
““Mapa de referenciaMapa de referencia”” de Calidadde Calidad
XX
X
Figura 14
2.1 Ejemplo resuelto 1: Modelamiento Impulsado por DatosAnálisis Multivariable
Módulo 8 – Introducción a la Integración de Procesos 2929
PIECENAMP
TierTier IIII ResumenResumen
2.1 Ejemplo resuelto 1: Modelamiento impulsado por 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos datos –– AnAnáálisis Multivariablelisis Multivariable
2.2 Ejemplo resuelto 2: An2.2 Ejemplo resuelto 2: Anáálisis Pinch Tlisis Pinch Téérmicormico
2.3 Ejemplo resuelto 3: Dise2.3 Ejemplo resuelto 3: Diseñño y Control Integrado de o y Control Integrado de Procesos Procesos –– AnAnáálisis de Controlabilidadlisis de Controlabilidad
2.1 Ejemplo resuelto 1: Modelamiento impulsado por 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos datos –– AnAnáálisis Multivariablelisis Multivariable
2.2 Ejemplo resuelto 2: An2.2 Ejemplo resuelto 2: Anáálisis Pinch Tlisis Pinch Téérmicormico
2.3 Ejemplo resuelto 3: Dise2.3 Ejemplo resuelto 3: Diseñño y Control Integrado de o y Control Integrado de Procesos Procesos –– AnAnáálisis de Controlabilidadlisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 3030
PIECENAMP
2.2 Ejemplo resuelto 2 : Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3131
PIECENAMP
PROCESOPROCESO
ServicioServicioFRFRÍÍOO
Servicio Servicio CALIENTECALIENTE
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Recordatorio
Uso de Uso de serviciosservicios
Intercambios Intercambios InternosInternos
El costo de El costo de servicios servicios
disminuyedisminuye
Los costos Los costos relacionados al relacionados al áárea rea
de intercambio de intercambio aumentanaumentan
De 100% de serviciosDe 100% de servicios…… ... a 100% de intercambios internos... a 100% de intercambios internos
$$
TradeTrade--offoffTradeTrade--offoff
¿¿QuQuéé es el Anes el Anáálisis Pinch Tlisis Pinch Téérmico?rmico?
Módulo 8 – Introducción a la Integración de Procesos 3232
PIECENAMP
Ejemplo: Boiler de Ejemplo: Boiler de RecuperaciRecuperacióónn
SoluciSolucióón obvia: precalentar n obvia: precalentar el agua fresca entrante con el agua fresca entrante con el condensado caliente que el condensado caliente que abandona el boilerabandona el boiler
Figura 15
Al menos 40 corrientes para calentar y enfriar…
¿Que hay de un sitio completo ?2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3333
PIECENAMP
SimulaciSimulacióónn
ExtracciExtraccióónn
PlantaPlanta
OrientaciOrientacióónn
DiseDiseñño de una Red de o de una Red de Intercambio de CalorIntercambio de Calor
ExtracciExtraccióón de datos n de datos (corrientes fr(corrientes fríías y as y
calientes) con calientes) con objetivos especobjetivos especííficos ficos de ahorro de energde ahorro de energíía a
en menteen menteOrientaciOrientacióón del n del
AnAnáálisis, i.e. lisis, i.e. energenergíía, a,
objetivos de objetivos de disediseñño y o y
econeconóómicosmicosUso de heurUso de heuríísticas sticas para disepara diseññar una Red ar una Red
de Intercambio de de Intercambio de Calor que cumplirCalor que cumpliráácon los objetivos de con los objetivos de
energenergíía a menor costo a a menor costo Transferencia de Transferencia de
los resultados los resultados obtenidos a la obtenidos a la
planta realplanta real
ΔΔTminTmin
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3434
PIECENAMP
Curva fr
Curva fr
ííaa
compuesta
compuestaCur
va ca
lient
e
Curva
calie
nte
com
pues
ta
com
pues
taΔΔTminTmin
Requerimientos de Requerimientos de calentamientocalentamiento
Requerimientos de enfriamientoRequerimientos de enfriamiento
PuntoPuntoPinchPinch
Curvas CompuestasCurvas Compuestas
TemperaturaTemperatura
EntalpEntalpííaa
Figura 16
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3535
PIECENAMP
IntegraciIntegracióón de Masa n de Masa –– Curvas Compuestas para prevenciCurvas Compuestas para prevencióón de n de la contaminacila contaminacióónn
Figura 17
Figura 18
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3636
PIECENAMP
Enunciado del ProblemaEnunciado del ProblemaUn ingeniero de proceso en una firma de consultorUn ingeniero de proceso en una firma de consultoríía es contratado por una a es contratado por una refinerrefineríía de petra de petróóleo para diseleo para diseññar la secciar la seccióón de Unidades Convencionales de n de Unidades Convencionales de Fraccionamiento AtmosfFraccionamiento Atmosféérico de Crudo en las instalaciones de la refinerrico de Crudo en las instalaciones de la refineríía, a, como se muestra en la figura 17. El principal objetivo de este pcomo se muestra en la figura 17. El principal objetivo de este proyecto es royecto es minimizar el consumo de energminimizar el consumo de energíía usando el Ana usando el Anáálisis Pinch Tlisis Pinch Téérmico. La planta rmico. La planta estestáá usando actualmente 75000usando actualmente 75000 kWkW en servicios de calentamiento. En este en servicios de calentamiento. En este ejemplo, el ejemplo, el éénfasis sernfasis seráá puesto en la construccipuesto en la construccióón de las curvas compuestas n de las curvas compuestas con el objetivo de identificar oportunidades de ahorro de energcon el objetivo de identificar oportunidades de ahorro de energíía. a.
Desalter
Torre de crudo
-PA
Keroseno
L-gasoil
H-gasoil
ATB
Crudo E1
E2E3
E4
E5 E6
E71 2
5
6
7 8
92
10
11
13 14
15 16
BPA12
Horno
Nafta -PA
L-gasoil
H-gasoil
ATB
E1
E2E3
E4
E5 E6
E71 2 3 4
5
6
7 8
9 10
11
13 14
15 16
BPA12
Figura 19
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3737
PIECENAMP
3-5ºCProcesos a Baja temperatura
10-20ºCQuímico
10-20ºCPetroquímico
30-40ºCRef. de petróleoΔΤminSector Industrial
Table 2
DesalterDesalter
Torre de Torre de crudocrudo
NaftaNafta--PAPA
KerosenoKeroseno
LL--gasoilgasoil
HH--gasoilgasoil
ATBATB
CrudoCrudo
2020ºº
BPABPA
150150ºº 150150ºº 390390ºº
150150ºº
100100ºº
180180ºº 3030ºº
4040ºº
3030ºº
5050ºº
270270ºº
290290ºº
190190ºº
350350ºº
380380ºº
11 22
33
66
44
55
88
77Tren de Tren de precalentamiento de precalentamiento de crudo crudo
ºº ººC CondiciC CondicióónnNo. de corrienteNo. de corriente
Figura 20
Número y Cap. Vel. de Vel. de Temperatura Temperatura Stream Coeficiente* FoulingTipo de calorífica flujo Flujo de cap.de suministro objetivo Heat de transf.
Corriente de masa calorífica duty de calorDe proceso (J/kgK) (kg/s) (kW/K) (ºC) (ºC) (kW) (W/m2 K) (m2ºC/W)(1)Fría 2600.00 200.00 520.00 20.00 150.00 67600.00 170.00 0.00147(2)Fría 2600.00 200.00 520.00 150.00 390.00 124800.00 170.00 0.00147(3)Caliente 2600.00 253.00 657.80 150.00 100.00 -32890.00 170.00 0.00147(4)Caliente 2600.00 23.00 59.80 180.00 30.00 -8970.00 170.00 0.00147(5)Caliente 2600.00 44.00 114.40 270.00 40.00 -26312.00 170.00 0.00147(6)Caliente 2600.00 148.00 384.80 290.00 190.00 -38480.00 170.00 0.00147(7)Caliente 2600.00 13.00 33.80 350.00 30.00 -10816.00 170.00 0.00147(8)Caliente 2600.00 56.00 145.60 380.00 50.00 -48048.00 170.00 0.00147* Factor de Fouling incluido
Tabla 1
ExtracciExtraccióón de n de DatosDatos
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 3838
PIECENAMP
Tabla 3
1. Clasificar en orden ascendente las temperaturas de las corrie1. Clasificar en orden ascendente las temperaturas de las corrientes ntes calientes, omitiendo las temperaturas comunes calientes, omitiendo las temperaturas comunes
Usando los datos de arriba, formamos intervalos de temperatura pUsando los datos de arriba, formamos intervalos de temperatura para ara el proceso el proceso
T1T1
T2T2
T3T3
T4T4
IntervaloIntervalo
11
22
33
Las temperaturas son clasificadas en orden
ascendente, omitiendo temperaturas comunes
TT
HHFigura 21
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico - Curvas compuestas
Módulo 8 – Introducción a la Integración de Procesos 3939
PIECENAMP
Tabla 4
stream interval, === ∑−
− jiCPCPstreamj
streamji
2. Sumar el CP de cada corriente presente en cada intervalo de 2. Sumar el CP de cada corriente presente en cada intervalo de temperatura temperatura
6.938.338.59741 =+=+= HH CPCPCP
Entonces obtenemos el CP compuesto para cada intervalo de temperEntonces obtenemos el CP compuesto para cada intervalo de temperaturaatura
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4040
PIECENAMP
Tabla 5
)(* 1−−−= iiii TTCPQ3. Calcular la entalp3. Calcular la entalpíía neta para cada intervalo de temperaturaa neta para cada intervalo de temperatura
kWTTCPQ 936)303313(*6.93)(* 0111 =−=−−=
Obtenemos la entalpObtenemos la entalpíía para cada intervalo de temperatura, como a para cada intervalo de temperatura, como se muestra en la columnase muestra en la columna QQintint,h,h
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4141
PIECENAMP
Tabla 6
4. Obtener la entalp4. Obtener la entalpíía acumulada para cada intervalo de temperaturaa acumulada para cada intervalo de temperatura
iii QSumQSumQ += −1
9369360101 =+=+= QSumQSumQ
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4242
PIECENAMP
303313323
373
423453463
543563
623653
Curva caliente compuesta
300
400
500
600
700
0 50000 100000 150000 200000H (kW)
T (K
)
Figura 22
5. Graficar la temperatura en el eje Y contra la entalp5. Graficar la temperatura en el eje Y contra la entalpíía acumulada en el eje a acumulada en el eje XX
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4343
PIECENAMP
Curva Fría Compuesta
250300350400450500550600650700
0 50000 100000 150000 200000 250000H (kW)
T(K
)
Figura 23
293
423
663
La construcciLa construccióón de la Curva Frn de la Curva Fríía Compuesta es similar a la de la Curva a Compuesta es similar a la de la Curva Calienta Compuesta. Calienta Compuesta. Tabla 7
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4444
PIECENAMP
Curva fría compuestaCurva caliente compuesta
Esta representaciEsta representacióón reduce el proceso entero en una corriente combinada caliente yn reduce el proceso entero en una corriente combinada caliente y frfrííaaLa recuperaciLa recuperacióón de calor entre las curvas compuestas puede ser incrementada han de calor entre las curvas compuestas puede ser incrementada hasta sta
alcanzaralcanzar DtminDtmin. Las curvas compuestas, como las corrientes individuales, puede. Las curvas compuestas, como las corrientes individuales, pueden ser n ser desplazadas horizontalmente en el diagrama Tdesplazadas horizontalmente en el diagrama T--H sin causar cambios en el proceso porque H H sin causar cambios en el proceso porque H es una funcies una funcióón de estadon de estado
Esto establece los requerimientos mEsto establece los requerimientos míínimos de servicios calientes (nimos de servicios calientes (QHminQHmin) y fr) y frííos (os (QCminQCmin) ) para el proceso entero y la recuperacipara el proceso entero y la recuperacióón mn mááxima posible de calor procesoxima posible de calor proceso--proceso proceso
Recuperación de calor interna QHmin
Requerimiento Requerimiento de de
enfriamiento enfriamiento mmíínimonimo
QCminRequerimiento Requerimiento
de de calentamiento calentamiento
mmíínimonimo
0
Aplicación de Curvas Compuestas
100
200
300
400
500
600
700
0 50000 100000 150000 200000 250000H (kW)
T (K
)
Figura 24
ΔTmin= 40K
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico – Curvas Compuestas
Módulo 8 – Introducción a la Integración de Procesos 4545
PIECENAMP
Como se vio en las diapositivas previas, de la grComo se vio en las diapositivas previas, de la grááfica de temperaturafica de temperatura--entalpentalpíía, podemos determinar tres piezas a, podemos determinar tres piezas úútiles de informacitiles de informacióón: n:
Cantidad de posible recuperaciCantidad de posible recuperacióón de calor proceson de calor proceso--proceso por proceso por áárea rea entre dos curvas compuestasentre dos curvas compuestas
Requerimiento de servicio de calentamiento u objetivo= 57668Requerimiento de servicio de calentamiento u objetivo= 57668 kWkWRequerimiento de servicio de enfriamiento u objetivo= 30784Requerimiento de servicio de enfriamiento u objetivo= 30784 kWkW
Resumen de resultadosResumen de resultados
Las curvas compuestas son excelentes herramientas para el aprendLas curvas compuestas son excelentes herramientas para el aprendizaje izaje de mde méétodos y la comprensitodos y la comprensióón de la situacin de la situacióón energn energéética general, pero el tica general, pero el consumo mconsumo míínimo de energnimo de energíía y la recuperacia y la recuperacióón Pinch de calor son n Pinch de calor son obtenidas mobtenidas máás frecuentemente por s frecuentemente por procedimientos numprocedimientos numééricosricos. Este . Este mméétodo es llamado el todo es llamado el Algoritmo de Problema de Tabla (Algoritmo de Problema de Tabla (Problem Problem Table AlgorithmTable Algorithm)). T. Tíípicamente, estpicamente, estáá basado en nociones de Cascada basado en nociones de Cascada de Calor. de Calor.
Q5Q5 Q6Q6
2.2 Ejemplo resuelto 2: Análisis Pinch Térmico
Módulo 8 – Introducción a la Integración de Procesos 4646
PIECENAMP
TierTier IIII ResumenResumen
2.1 Ejemplo resuelto 1: Modelamiento impulsado por 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos datos –– AnAnáálisis Multivariablelisis Multivariable
2.2 Ejemplo resuelto 2: An2.2 Ejemplo resuelto 2: Anáálisis Pinch Tlisis Pinch Téérmicormico
2.3 Ejemplo resuelto 3: Dise2.3 Ejemplo resuelto 3: Diseñño y Control Integrado de o y Control Integrado de Procesos Procesos –– AnAnáálisis de Controlabilidadlisis de Controlabilidad
2.1 Ejemplo resuelto 1: Modelamiento impulsado por 2.1 Ejemplo resuelto 1: Modelamiento impulsado por datos datos –– AnAnáálisis Multivariablelisis Multivariable
2.2 Ejemplo resuelto 2: An2.2 Ejemplo resuelto 2: Anáálisis Pinch Tlisis Pinch Téérmicormico
2.3 Ejemplo resuelto 3: Dise2.3 Ejemplo resuelto 3: Diseñño y Control Integrado de o y Control Integrado de Procesos Procesos –– AnAnáálisis de Controlabilidadlisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 4747
PIECENAMP
2.3 Ejemplo resuelto 3: : Control Integrado de Procesos Control Integrado de Procesos
-- AnAnáálisis de Controlabilidadlisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 4848
PIECENAMP
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad – Recordatorio
Fundamentos
ProcesoProceso
sensorsensor
Variables Variables De entradaDe entrada
Variables de Variables de salidasalida
(controladas y (controladas y medidas)medidas)
Variables de Variables de entradaentrada(manipuladas)(manipuladas)
PerturbacionesPerturbaciones
IncertidumbresIncertidumbres
Interacciones InternasInteracciones Internas
ELASTICIDAD DEL PROCESOELASTICIDAD DEL PROCESO
FLEXIBILIDAD DEL PROCESOFLEXIBILIDAD DEL PROCESO
Secuencia de ControSecuencia de Contro
Figura 25
Módulo 8 – Introducción a la Integración de Procesos 4949
PIECENAMP
CCCC FCFC
C, FC, F
Agua: F1,C1Agua: F1,C1
Pulpa: F2,C2Pulpa: F2,C2
SALIDASSALIDAS(selecci(seleccióón por Ann por Anáálisis lisis de Controlabilidad)de Controlabilidad)
ENTRADASENTRADAS(variables o (variables o perturbaciones perturbaciones manipuladas)manipuladas)
EFECTOSEFECTOS
Figura 26
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5050
PIECENAMP
FF1111
FF2121
FF1212
FF2222
uu11
uu2 2
yy11
yy22
++
++
++++
yy11
yy22
CC11
CC22
yy1sp1sp
yy2sp2sp
++
++ __
__
Figura 27
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5151
PIECENAMP
FF1111
FF2121
FF1212
FF2222
uu11
uu2 2
yy11
yy22
++++
++++
ΔΔuu11ssss
)y- gain, (OL , 11111
1 uKuy=
ΔΔ
EfectoEfectoPrincipal:Principal:
Figura 28
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5252
PIECENAMP
Experimento 2Experimento 2: Paso de cambio en u1 con todas las secuencias : Paso de cambio en u1 con todas las secuencias cerradascerradas
F11
F21
F12
F22
u1
u2
y1
y2
+
+
++C2
e2y2sp
+ _
Δu1 ss
1r1111 yΔ+= OLCL KKEfecto Total:Efecto Total:Efecto InteractivoEfecto Interactivo
Efecto PrincipalEfecto PrincipalFigura 29
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5353
PIECENAMP
=CLK 11OLK 11 1ryΔ+
Efecto Principal (1Efecto Principal (1erer Experimento)Experimento)OLK11=11λ CLK11
Efecto total (2Efecto total (2do do Experimento)Experimento)
Ganancia Relativa y Arreglo de Ganancia Ganancia Relativa y Arreglo de Ganancia Relativa (Relativa (Relative Gain ArrayRelative Gain Array,, RGARGA))
λλ1111 : medida de la : medida de la extensiextensióón de la n de la
interacciinteraccióón en estado n en estado estableestable al usar ual usar u11 para para
controlar ycontrolar y11, , mientrasmientras se se usa uusa u22 para controlar ypara controlar y22
⎥⎦
⎤⎢⎣
⎡=Λ
2221
1211
λλλλ
11λGanancia RelativaGanancia Relativayy11 uu11
CL
OL
⎟⎟⎠
⎞⎜⎜⎝
⎛
∂∂
⎟⎟⎠
⎞⎜⎜⎝
⎛
∂∂
=
j
i
j
i
ij
uy
uy
λijλArreglo de GananciaArreglo de Ganancia
RelativaRelativayyii uujj
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5454
PIECENAMP
SelecciSeleccióón de secuencias usandon de secuencias usando RGARGA –– Como seleccionar la Como seleccionar la configuraciconfiguracióón con mn con míínima interaccinima interaccióón n
yyii : Variable Controlada: Variable Controladauujj : Variable Manipulada: Variable Manipulada
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
1=ijλ
0=ijλ
10 << ijλ
1>ijλ
0<ijλ
ImplicaciImplicacióónn RecomendaciRecomendacióónnSecuencia Secuencia ii no sujeta a la accino sujeta a la accióón n interactiva de otras curvasinteractiva de otras curvas ji uy − :Emparejar
uujj no tiene influencia directa en no tiene influencia directa en yyii ji uy − :emparejar No
-- Las secuencias estLas secuencias estáán interactuandon interactuando-- debajo de 0.5, efecto interactivo > efecto debajo de 0.5, efecto interactivo > efecto principalprincipal ji uy − :Evitar
-- Las secuencias estLas secuencias estáán interactuandon interactuando-- el efecto interactivo actel efecto interactivo actúúan en oposician en oposicióón al n al efecto principalefecto principal ji uy − : altos aEvitar ijλ
-- Las secuencias estLas secuencias estáán interactuandon interactuando-- el efecto interactivo no solo actel efecto interactivo no solo actúúa en oposicia en oposicióón n al efecto principal, sino que tambial efecto principal, sino que tambiéén es mn es máás s dominantedominante
Tabla 8
ji uy − :emparejar No
Módulo 8 – Introducción a la Integración de Procesos 5555
PIECENAMP
NiederlinskiNiederlinski (NI) (NI) : : ííndice de estabilidad del sistemandice de estabilidad del sistemaNNúúmero de Condicimero de Condicióón (n (Condition NumberCondition Number,, CNCN)) y y NNúúmero de Condicimero de Condicióón de Perturbacin de Perturbacióón (n (Disturbance Disturbance Condition NumberCondition Number, DCN) , DCN) : medici: medicióón de la sensibilidadn de la sensibilidadGanancia Relativa de PerturbaciGanancia Relativa de Perturbacióón (n (Relative Relative Disturbance GainDisturbance Gain,, RDGRDG)) : : ííndice que da una idea de ndice que da una idea de la influencia de las interacciones internas en el efecto la influencia de las interacciones internas en el efecto de las perturbaciones de las perturbaciones Otros: Valor singular de DescomposiciOtros: Valor singular de Descomposicióón n (Singular(SingularValue DecompositionValue Decomposition,, SVDSVD))
Otros Otros ÍÍndices de Controlabilidadndices de Controlabilidad
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5656
PIECENAMP
Enunciado del ProblemaEnunciado del Problema
S
S
32 31
24
23
22
21
20
1 6
1 5
1 4
1 31 2
1 1
1 0 6
5
C U V P A T EC U V P A T E 1
4
3
2
1
2.94705 %
2264.4 lt /m in
13924 lt /m in1.00382 %
6261
0 lt/
min
1.92
733
%
13287.5 lt /m in2.79214 %
1195
8.7
lt/m
in
2.96551 %
1114
4.5
lt/m
in
3.51
707
%
595.592 lt /m in
3.02375 %
48686 lt /m in2.19041 % 2.03148 %
4749
4 lt/
min
1.81
%
3.78
427
%
5961
.63
lt/m
in 0.4
%15
786
lt/m
in
3157.18 lt /m in
12628.8 lt /m in
814.
218
lt/m
in
249.
355
lt/m
in
11814.6 lt /m in11565.2 lt /m in
495.
588
lt/m
in
1106
9.6
lt/m
in47
69.6
lt/m
in
100 lt /m in
10299.6 lt /m in2.99513 %
6300 lt /m in
4000 lt /m in
Base C ase: TMP Newsprint MillSteady State Sim ulation
401.885 l /min18 %
W et web
Fresh water
F resh Pulp (7 %)
Broke (18 %)
W WTank
Machine Chest
Mix ingChest
BrokeTank
PulpTank
F5F5
F8F8
F7F7
F2F2
F6F6
F3F3
F4F4
F1F1
Figura 30
En este caso de estudio, se le pide a un ingeniero de control deEn este caso de estudio, se le pide a un ingeniero de control de proceso crear proceso crear un modelo del proceso de termomecun modelo del proceso de termomecáánico de fabricacinico de fabricacióón de pulpa para n de pulpa para encontrar la mejor selecciencontrar la mejor seleccióón de control de proceso y emparejamiento de n de control de proceso y emparejamiento de variables para una planta que no ha sido construida avariables para una planta que no ha sido construida aúún. Considere la n. Considere la configuraciconfiguracióón simplificada de una mn simplificada de una mááquina de papel periquina de papel perióódico mostrada en la dico mostrada en la figura 30.figura 30. Las tLas téécnicas de emparejamiento de variables y los cnicas de emparejamiento de variables y los ííndices de ndices de controlabilidad sercontrolabilidad seráán aplicados. n aplicados.
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5757
PIECENAMP
Tabla 9
controladocontrolado
manipuladomanipulado perturbacionesperturbaciones
INPUTSName ID stream Flow(lt/min) Cons. (%) Temp (°C) Fines (%) TDS (ppm) Flow(TN/d)Fresh Pulp 1 4000.0 7.0 67.0 20.7 6049 5791.3Broke 3 100.0 18.0 54.0 29.0 4063 151.3Fresh water 63 2264.4 0.0 55.0 0.0 0 3214.1
OUTPUTSName ID stream Flow(lt/min) Cons. (%) Temp (°C) Fines (%) TDS (ppm) Flow(TN/d)Wet Web 62 401.9 18.00 61.5 30.06 4063 605.8Dilution 1 32 6300.0 0.40 61.5 98.80 3270 8937.2Dilution 2 6 495.6 0.40 61.5 98.80 3270 703.0Dilution 3 22 249.4 0.40 61.5 98.80 3270 353.7Dilution 4 16 814.2 0.40 61.5 98.80 3270 1155.1Dilution of Rejects Screen 41 4769.6 0.40 61.5 98.80 3270 6766.2Ww drained from forming zone 61 15786.0 0.40 61.5 98.80 3270 22394.1Ww Short Loop 40 3157.2 0.40 61.5 98.80 3270 4478.8Pulp to Headbox 34 13924.0 1.00 62.6 61.06 3826 19786.0Pulp to Screen 25 62610.0 1.93 62.6 10.07 3826 89243.4Diluted Broke entering Mixing Chest 30 595.6 3.52 60.3 35.53 3389 854.4Diluted Pulp entering Mixing Chest 33 10299.6 3.00 63.6 27.03 4317 14728.5Pulp leaving Mixing Chest 12 10895.2 3.02 63.4 27.57 4267 15582.9Pulp leaving Machine Chest 24 12473.3 2.95 63.4 27.85 4237 17835.7Rejects (Screening system) 52 5961.6 3.78 62.5 18.24 3776 8551.0Accepts (Hydrocyclone) 36 47493.9 1.81 62.5 1.61 3776 67672.6Pulp entering Machine Chest 23 11144.5 2.97 63.4 27.78 4244 15936.6Pulp entering Cuvier de pâte 43 13287.5 2.79 63.3 28.47 4176 18990.7Ww Long Loop 15 12628.8 0.40 61.5 98.80 3270 17915.2Ww Short Loop after accepts 46 50651.1 1.72 62.4 3.01 3744 72151.4Broke Ratio, % 5.5Retention, % 54.9
Stock Chest
Pfin = % Fines retained
Enunciado del ProblemaEnunciado del Problema
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5858
PIECENAMP
S
S
32 31
24
23
22
21
20
1 6
1 5
1 4
1 31 2
1 1
1 0 6
5
C U V P A T EC U V P A T E 1
4
3
2
1
2.94705 %
2264.4 lt /m in
13924 lt /m in1.00382 %
6261
0 lt/
min
1.92
733
%
13287.5 lt /m in2.79214 %
1195
8.7
lt/m
in
2.96551 %11
144.
5 lt/
min
3.51
707
%
595.592 lt /m in
3.02375 %
48686 lt /m in2.19041 % 2.03148 %
4749
4 lt/
min
1.81
%
3.78
427
%
5961
.63
lt/m
in 0.4
%15
786
lt/m
in
3157.18 lt /m in
12628.8 lt /m in
814.
218
lt/m
in
249.
355
lt/m
in
11814.6 lt /m in11565.2 lt /m in
495.
588
lt/m
in
1106
9.6
lt/m
in47
69.6
lt/m
in
100 lt /m in
10299.6 lt /m in2.99513 %
6300 lt /m in
4000 lt /m in
Base Case: TMP N ewsprint MillSteady State Sim ulat ion
401.885 l /min18 %
W et web
Fresh water
F resh Pulp (7 %)
Broke (18 %)
W WTank
Machine C hest
Mix ingC hest
BrokeTank
PulpTank
BR
Ret
Pfin
CC
FinesFines
PerturbacionesPerturbaciones
ManipuladoManipulado
ControladoControlado
Figura 31
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 5959
PIECENAMP
⎥⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
tCBRCCCC
Re34
43
23
30
33
⎥⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
−−−−−−−
−−−−−−−−−−−−−−
020.4265.0608.0068.0042.0077.0114.0025.0004.0049.0001.0001.0001.0002.0
000.0000.0340.3000.0000.0775.0065.0030.0004.0036.0016.0010.0018.0027.0029.0004.0036.0001.0011.0020.0029.0038.0005.0024.0001.0001.0404.0002.0028.0004.0018.0001.0001.0001.0031.0
⎥⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
finPFFFFFF
40
3
16
22
6
32
⎥⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
− 597.4075.0079.0164.0000.0000.0060.0455.0058.0483.0076.0052.0056.0518.0
⎥⎦
⎤⎢⎣
⎡
1
1
fC
== ++
GGpp GGdd
Matrices de Ganancia del proceso y Controlabilidad en Estado EstMatrices de Ganancia del proceso y Controlabilidad en Estado Estable able
PerturbacionesPerturbaciones
⎥⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
tCBRCCCC
Re34
43
23
30
33
[ ]finPFFFFFF 4031622632
⎥⎥⎥⎥⎥⎥⎥⎥⎥
⎦
⎤
⎢⎢⎢⎢⎢⎢⎢⎢⎢
⎣
⎡
−−−−−−−
−−−−−−
−−
603.1615.0000.0001.0000.0001.0010.0608.0566.1006.0005.0001.0003.0039.0000.0000.0003.1000.0000.0013.0010.0
001.0058.0000.0941.0000.0000.0000.0000.0000.0000.0053.0947.0000.0001.0020.0047.0014.0000.0004.0009.1001.0016.0038.0011.0000.0047.0000.0942.0
RGARGA
ControladoControlado ManipuladoManipulado
ΛΛ ==
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6060
PIECENAMP
S
S
32 31
24
23
22
21
20
1 6
1 5
1 4
1 31 2
1 1
1 0 6
5
C U V P A T EC U V P A T E 1
4
3
2
1
2.94705 %
2264.4 lt /m in
13924 lt /m in1.00382 %
6261
0 lt/
min
1.92
733
%
13287.5 lt /m in2.79214 %
1195
8.7
lt/m
in
2.96551 %11
144.
5 lt/
min
3.51
707
%
595.592 lt /m in
3.02375 %
48686 lt /m in2.19041 % 2.03148 %
4749
4 lt/
min
1.81
%
3.78
427
%
5961
.63
lt/m
in 0.4
%15
786
lt/m
in
3157.18 lt /m in
12628.8 lt /m in
814.
218
lt/m
in
249.
355
lt/m
in
11814.6 lt /m in11565.2 lt /m in
495.
588
lt/m
in
1106
9.6
lt/m
in47
69.6
lt/m
in
100 lt /m in
10299.6 lt /m in2.99513 %
6300 lt /m in
4000 lt /m in
Base Case: TMP N ewsprint MillSteady State Sim ulat ion
401.885 l /min18 %
W et web
Fresh water
F resh Pulp (7 %)
Broke (18 %)
W WTank
Machine C hest
Mix ingC hest
BrokeTank
PulpTank
BR
Ret
Pfin
Figura 32
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6161
PIECENAMP
ÍÍndicendice NiederlinskiNiederlinski ((Niederlinski IndexNiederlinski Index, NI) , NI) Consideraciones de Consideraciones de estabilidadestabilidad
NI < 0. El sistema serNI < 0. El sistema seráá inestable bajo condiciones de secuencia inestable bajo condiciones de secuencia cerradacerradaNI > 0. El sistema es estabilizable (funciNI > 0. El sistema es estabilizable (funcióón de parn de paráámetros de metros de controlador)controlador)
NNúúmero de Condicimero de Condicióón (n (Condition numberCondition number,, CNCN)) Sensibilidad al Sensibilidad al modelo de incertidumbremodelo de incertidumbre
CNCN ~<~< 2. No es probable que los efectos de2. No es probable que los efectos de multivariablesmultivariables sean sean seriosseriosCNCN ~>~> 10. El proceso es10. El proceso es ILLILL--CONDITIONATEDCONDITIONATED
CNCN=713=713
NI=0.73NI=0.73
ÍÍndices de Controlabilidad (1)ndices de Controlabilidad (1)
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6262
PIECENAMP
NNúúmero de Condicimero de Condicióón de Perturbacin de Perturbacióón (n (Disturbance Condition Disturbance Condition NumberNumber, DCN) , DCN) ¿¿la accila accióón tomada por la variable manipulada es n tomada por la variable manipulada es grande o pequegrande o pequeñña?a?
11≤≤ DCN DCN ≤≤ CNCN
Ganancia Relativa de PerturbaciGanancia Relativa de Perturbacióón (n (Relative Disturbance GainRelative Disturbance Gain,, RDGRDG) ) ¿¿La interacciLa interaccióón interna entre secuencias es favorable o n interna entre secuencias es favorable o
desfavorable para rechazar las perturbaciones?desfavorable para rechazar las perturbaciones?RDGRDG ~<2 .~<2 . Las interacciones internas reducen el efecto de la Las interacciones internas reducen el efecto de la perturbaciperturbacióón n
El efecto de ambas perturbaciones, %C y %FINES en PULPA El efecto de ambas perturbaciones, %C y %FINES en PULPA FRESCA, es reducido por interacciones internas. FRESCA, es reducido por interacciones internas. Todos losTodos los
RDGRDG’’ss son ~<2son ~<2
ÍÍndices de Controlabilidad (2)ndices de Controlabilidad (2)
DCN por %CDCN por %Cpulpa frescapulpa fresca = 9.2= 9.2DCN por %finesDCN por %finespulpa frescapulpa fresca = 4.6= 4.6
Es mEs máás difs difíícil rechazar un cambio repentino en la consistencia cil rechazar un cambio repentino en la consistencia de la pulpa fresca de la pulpa fresca
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6363
PIECENAMP
ConclusiConclusióónn
ConfiguraciConfiguracióón de la estructura de control: los n de la estructura de control: los resultados deresultados de RGARGA confirmaron la implementaciconfirmaron la implementacióón n actual en plantas de papel periactual en plantas de papel perióódico dico
Las interacciones internas de la configuraciLas interacciones internas de la configuracióón n mencionada anteriormente reducen el efecto de las mencionada anteriormente reducen el efecto de las perturbaciones en variables de salidaperturbaciones en variables de salida
El proceso es "El proceso es "illill--conditionedconditioned". El modelo de ". El modelo de incertidumbre puede ser amplificado en gran medidaincertidumbre puede ser amplificado en gran medida
ÍÍndices de Elasticidad , DCN yndices de Elasticidad , DCN y RDGRDG, pueden ser , pueden ser usados para explicar el rechazo de la perturbaciusados para explicar el rechazo de la perturbacióón en n en procesos de fabricaciprocesos de fabricacióón de papel perin de papel perióódico dico
2.3 Ejemplo resuelto 3: Diseño y Control Integrado de Procesos –Análisis de Controlabilidad
Módulo 8 – Introducción a la Integración de Procesos 6464
PIECENAMP
Este es el fin del Tier II. Hasta este punto, asumimos que has realizado toda la lectura. Ahora debes tener una buena idea de lo que es la Integración de Procesos, así como los conocimientos básicos con respecto al Análisis Multivariable, el Análisis Pinch Térmico y el Análisis de Controlabilidad. Para información adicional sobre las herramientas presentadas en el Tier II así como otras herramientas de Integración de Procesos presentadas en el Tier I, por favor consulte las diapositivas de referencias en los Tiers I y II.
Antes de avanzar al Tier Antes de avanzar al Tier IIIIII, haremos un peque, haremos un pequeñño quiz de opcio quiz de opcióón mn múúltiple. ltiple.
Fin del Tier II
Módulo 8 – Introducción a la Integración de Procesos 6565
PIECENAMP
QUIZ
Módulo 8 – Introducción a la Integración de Procesos 6666
PIECENAMP
Pregunta 1Pregunta 1¿¿Para que se usa el AnPara que se usa el Anáálisis de Componente Principal? lisis de Componente Principal?
1.1. Entender las relaciones entre las variables de un sistemaEntender las relaciones entre las variables de un sistema
2.2. Identificar los componentes que tienen influencia en una o variaIdentificar los componentes que tienen influencia en una o varias s salidassalidas
3.3. Predecir ciertas salidasPredecir ciertas salidas
4.4. Maximizar laMaximizar la covarianzacovarianza de un grupo de variablesde un grupo de variables
2 y 32 y 3
1,2 y 31,2 y 3
11
1 y 21 y 2
1 y 31 y 3
33
Tier II - Quiz
Módulo 8 – Introducción a la Integración de Procesos 6767
PIECENAMP
Asocia cada resultado del AnAsocia cada resultado del Anáálisis Multivariable con el tipo de informacilisis Multivariable con el tipo de informacióón n que que ééste provee al usuario.ste provee al usuario.
1. Gr1. Grááfica de residuosfica de residuos A. Muestra todos los puntos de los datos A. Muestra todos los puntos de los datos . originales en uoriginales en un nuevo grupo de n nuevo grupo de ,, coordinados o ccoordinados o componentesomponentes
2. Gr2. Grááfica de resultadosfica de resultados B. Muestra la distancia entre cada B. Muestra la distancia entre cada observaciobservacióón real en el grupo inicial de n real en el grupo inicial de datos y el valor predicho basado en el datos y el valor predicho basado en el
. modelomodelo
3. Observado vs. Predicho3. Observado vs. Predicho C. Muestra la precisiC. Muestra la precisióón de la prediccin de la prediccióónn
4. Gr4. Grááfica de entradasfica de entradas D. Muestra que tan fuertemente se asocia D. Muestra que tan fuertemente se asocia .. cada variable ccada variable con cada nuevo componenteon cada nuevo componente
11BB, 2, 2AA, 3, 3CC, 4, 4DD
11BB, 2, 2DD, 3, 3CC, 4, 4AA
11CC, 2, 2DD, 3, 3AA, 4, 4BB
11AA, 2, 2DD, 3, 3BB, 4, 4CC
11DD, 2, 2BB, 3, 3AA, 4, 4CC
11BB, 2, 2CC, 3, 3DD, 4, 4AA
Tier II - QuizPregunta 2Pregunta 2
Módulo 8 – Introducción a la Integración de Procesos 6868
PIECENAMP
La longitud y orientaciLa longitud y orientacióón de los ejes obtenida con PCA estn de los ejes obtenida con PCA estáá dada por los dada por los eigen valores y eigen vectores de la matriz de correlacieigen valores y eigen vectores de la matriz de correlacióón. Digamos que las n. Digamos que las variables de longitud y ancho tienen un coeficiente de correlacivariables de longitud y ancho tienen un coeficiente de correlacióón menor al n menor al dado en el ejemplo de la diapositiva 13 y que obtenemos los eigedado en el ejemplo de la diapositiva 13 y que obtenemos los eigen valores n valores mostrados en la figura de abajo. Si descartamos el segundo eje, mostrados en la figura de abajo. Si descartamos el segundo eje, ¿¿que que porcentaje de informaciporcentaje de informacióón original perdern original perderííamos? amos?
12,5%12,5%
0%0%
25%25%
37,5%37,5%
75%75%
62,5%62,5%
Tier II - Quiz
Pregunta 3Pregunta 3
Módulo 8 – Introducción a la Integración de Procesos 6969
PIECENAMP
En el contexto de AnEn el contexto de Anáálisis Pinch Tlisis Pinch Téérmico, rmico, ¿¿ququéé es una corriente caliente? es una corriente caliente?
1. Una corriente de proceso que necesita ser calentada1. Una corriente de proceso que necesita ser calentada
2. Una corriente de proceso a temperatura muy alta2. Una corriente de proceso a temperatura muy alta
3. Una corriente de proceso que es usada para generar vapor3. Una corriente de proceso que es usada para generar vapor
4. Una corriente de proceso que necesita ser enfriada4. Una corriente de proceso que necesita ser enfriada
11
22
33
44
Tier II - Quiz
Pregunta 4Pregunta 4
Módulo 8 – Introducción a la Integración de Procesos 7070
PIECENAMP
MMáás altoss altos
MMáás bajoss bajos
PermanecerPermaneceríían igualan igual
Un AnUn Anáálisis Pinch Tlisis Pinch Téérmico ha sido realizado en una planta y elrmico ha sido realizado en una planta y el ΔΔTTminmin se fijse fijóóa 40a 40ººC. Si otra planta fuera construida con unC. Si otra planta fuera construida con un ΔΔTTminmin menor, menor, ¿¿ccóómo sermo seríían an los costos de energlos costos de energíía correspondientes en comparacia correspondientes en comparacióón a la primera n a la primera planta? planta?
Tier II - Quiz
Pregunta 5Pregunta 5
Módulo 8 – Introducción a la Integración de Procesos 7171
PIECENAMP
¿¿CuCuááles de los siguientes enunciados son verdaderos?les de los siguientes enunciados son verdaderos?
1.1. El consumo mEl consumo míínimo de energnimo de energíía y el Pinch de recuperacia y el Pinch de recuperacióón de calor son n de calor son mmáás frecuentemente obtenidos por Curvas Compuestass frecuentemente obtenidos por Curvas Compuestas
2.2. Las curvas compuestas, asLas curvas compuestas, asíí como las corrientes individuales, pueden como las corrientes individuales, pueden ser desplazadas horizontalmente en el diagrama Tser desplazadas horizontalmente en el diagrama T--H sin causar H sin causar cambios al proceso cambios al proceso
3.3. Algunas veces el calor puede ser transferido a travAlgunas veces el calor puede ser transferido a travéés del Pinchs del Pinch
4.4. Con la ayuda de Con la ayuda de ΔΔTminTmin y los datos ty los datos téérmicos, el Anrmicos, el Anáálisis Pinch provee lisis Pinch provee un objetivo para el consumo mun objetivo para el consumo míínimo de energnimo de energíía a
2 y 32 y 3
TodosTodos
1 y 31 y 3
1 y 21 y 2
2 y 42 y 4
3 y 43 y 4
Tier II - Quiz
Pregunta 6Pregunta 6
Módulo 8 – Introducción a la Integración de Procesos 7272
PIECENAMP
Asocia cada herramienta de controlabilidad o Asocia cada herramienta de controlabilidad o ííndice con el tipo de ndice con el tipo de informaciinformacióón que n que ééste provee al usuario. ste provee al usuario.
1. 1. ÍÍndicendice NiederlinskiNiederlinski A.A. Muestra la importancia de las Muestra la importancia de las , interacciones einteracciones en un sistema n un sistema
2. Ganancia Relativa de 2. Ganancia Relativa de B.B. EstimEstima la sensibilidad de la respuesta a la sensibilidad de la respuesta . del problema a error en la entdel problema a error en la entrada rada
3. N3. Núúmero de Condicimero de Condicióón n C. Incluye perturbaciones en el anC. Incluye perturbaciones en el anáálisis de lisis de , interaccionesinteracciones
4. Arreglo de Ganancia Relativa4. Arreglo de Ganancia Relativa D. D. Discute la estabilidad de una configuDiscute la estabilidad de una configu--, raciracióón de control de secuencia cerrada n de control de secuencia cerrada
11BB, 2, 2AA, 3, 3CC, 4, 4DD
11DD, 2, 2CC, 3, 3BB, 4, 4AA
11CC, 2, 2DD, 3, 3AA, 4, 4BB
11AA, 2, 2DD, 3, 3BB, 4, 4CC
11DD, 2, 2BB, 3, 3AA, 4, 4CC
11BB, 2, 2CC, 3, 3DD, 4, 4AA
Tier II - Quiz
Pregunta 7Pregunta 7
Módulo 8 – Introducción a la Integración de Procesos 7373
PIECENAMP
1 y 51 y 5
4 y 64 y 6
3 y 63 y 6
2 y 62 y 6
4 y 54 y 5
2 y 52 y 5
En el Arreglo de Ganancia Relativa mostrado en la diapositiva 54En el Arreglo de Ganancia Relativa mostrado en la diapositiva 54, , ¿¿que te que te dicen los valores 1.566 y 1.603 para el emparejamiento de F40 y dicen los valores 1.566 y 1.603 para el emparejamiento de F40 y C34, yC34, yPfinPfin yy RetRet??
1. No hay interacci1. No hay interaccióón con otras secuencias de controln con otras secuencias de control
2. El efecto interactivo es m2. El efecto interactivo es máás importante que el efecto principals importante que el efecto principal
3. La entrada manipulada no tiene efecto en la salida3. La entrada manipulada no tiene efecto en la salida
4. Las interacciones de otras secuencias son opuestas en direcci4. Las interacciones de otras secuencias son opuestas en direccióón pero n pero mmáás peques pequeññas en magnitud que el efecto de la secuencia principal as en magnitud que el efecto de la secuencia principal
5. Se recomienda el emparejamiento5. Se recomienda el emparejamiento
6. No se recomienda el emparejamiento6. No se recomienda el emparejamiento
Tier II - Quiz
Pregunta 8Pregunta 8
Módulo 8 – Introducción a la Integración de Procesos 7474
PIECENAMP
¿¿CuCuááles de los siguientes enunciados son falsos?les de los siguientes enunciados son falsos?
1.1. El control El control feedforwardfeedforward compensa las perturbaciones no mediblescompensa las perturbaciones no medibles
2.2. El control de retroalimentaciEl control de retroalimentacióón (n (feedbackfeedback) compensa las ) compensa las perturbaciones medibles perturbaciones medibles
3.3. La elasticidad es el grado al que un sistema de procesamiento puLa elasticidad es el grado al que un sistema de procesamiento puede ede cumplir sus objetivos de disecumplir sus objetivos de diseñño a pesar de las incertidumbres en sus o a pesar de las incertidumbres en sus parparáámetros de disemetros de diseñño o
4.4. La Flexibilidad es el grado al que un sistema de procesamiento pLa Flexibilidad es el grado al que un sistema de procesamiento puede uede cumplir sus objetivos de disecumplir sus objetivos de diseñño a pesar de las perturbaciones externas o a pesar de las perturbaciones externas
2 y 32 y 3
TodosTodos
1 y 31 y 3
1 y 21 y 2
2 y 42 y 4
3 y 43 y 4
Tier II - Quiz
Pregunta 9Pregunta 9
Módulo 8 – Introducción a la Integración de Procesos 7575
PIECENAMP
RespuestasRespuestasPregunta 1Pregunta 1 1 y 21 y 2
Pregunta 2Pregunta 2 11BB, 2, 2AA, 3, 3CC, 4, 4DD
Pregunta 3Pregunta 3 37,5%37,5%
Pregunta 4Pregunta 4 44
Pregunta 5Pregunta 5 MMáás bajoss bajos
Pregunta 6Pregunta 6 2 y 42 y 4
Pregunta 7Pregunta 7 11DD, 2, 2CC, 3, 3BB, 4, 4AA
Pregunta 8Pregunta 8 4 y 54 y 5
Pregunta 9Pregunta 9 TodosTodos
Tier II - Quiz