Mejoras en el control del nivel en un separador de petróleo crudo usando red neuronal para el ajuste del controlador PID asociado

Lyon, Euclides y Camejo, Juan

UNEXPO Vice-Rectorado Puerto Ordaz

Resumen:

Se ejecutó un proyecto para mejorar el desempeño del control de nivel en un separador de crudo, asociado a una estación de deshidratación de la empresa petrolera del estado venezolano. La separación inadecuada del líquido-gas afecta negativamente el proceso de deshidratación de crudo posterior. Se recolectaron datos del proceso mediante una aplicación desarrollada en un lenguaje de alto nivel, se modeló y simuló el separador, se ajustaron los parámetros del controlador PID utilizando la metodología PIDNN, se simuló el lazo de control de nivel y se implementaron los cambios en el autómata de la planta . Se obtuvo un modelo de segundo orden para el separador, un controlador PID con acción derivativa nula y una banda muerta alrededor del valor final deseado . Los indicadores de error ISE, IAE e ITAE mejoraron en 64, 67 y 90 % respectivamente, el establecimiento del sistema mejoró en 64%, se eliminó la tendencia al sobre impulso y se logró un descanso en la actividad del elemento final gracias a la Introducción de la banda muerta, lo anterior configura unos resultados satisfactorios en la simulación e implementación. El estudio puede ser extrapolado a otros separadores que funcionen bajo condiciones y exigencias similares.

Palabras claves: Control de nivel, Modelado, Separador líquido-gas de crudo, PIDNN.

Improvements in the level control in crude oil separator using neural network to adjust the PID controller associated

Abstract:

A project was implemented to improve the control performance level in oil separator associated with dehydration station of the Venezuelan State oil company. Inadequate liquidgas separation adversely affects the subsequent crude oil dehydration process. Were collected process data using an application developed in a high level language, is modeled and it simulated the separator, adjusted the parameters of the PID controller using the PIDNN methodology, simulated level control loop and implemented changes in plant Automat. A model of second order for the separator, a PID controller with zero derivative action and a band dead around the desired final value was obtained. ISE, IAE and ITAE error indicators improved in 64, 67 and 90% respectively, the establishment of the system improved in 64%, it eliminated the tendency to overshoot and managed a break in the activity of the final element thanks to the introduction of the dead band, the above set satisfying results in the simulation and implementation. The study can be extrapolated to other separators which operate under similar requirements and conditions.

Key words: Level control, Modeling, liquid-gas separator of crude oil, PIDNN.

Recibido 14/11/14 - Aceptado 11/12/14

I. INTRODUCCIÓN

En las estaciones tradicionales de deshidratación de crudo existen equipos esenciales, los separadores liquido-gas [1], los hornos de tratamiento [2] y los tanques de lavado. La obtención final del crudo dentro de las especificaciones internacionales, requiere de un control adecuado de las variables de proceso en estos equipos y primordialmente en el separador. Sí en este, el nivel es mayor al máximo, se corre el riesgo que pase líquido al sistema de venteo causando perdidas de producción, sí ocurre que el nivel es menor al mínimo, pasa gas a los hornos.

Es importante destacar que las variaciones bruscas de la válvula de control del separador, provocan una variación proporcional en el flujo de salida del crudo, que entra al horno para ser calentado [3]. En el horno las variaciones de flujo traen como consecuencia paradas por protecciones de bajo o alto flujo y por temperatura sí el crudo entra con gas.

Las variaciones de temperatura y flujo en el crudo que ingresa al tanque de lavado, producen desestabilización en el proceso de coalescencia del tanque, no se produce la separación efectiva del agua y el crudo, se producen fuertes emulsiones y se revuelve el material sólido contenido en el fondo del tanque. Producto de lo anterior se desencadenan fallas en el instrumento de medición de interfase y por tanto graves problemas en el sistema de control del tanque. Una de las medidas tomadas para controlar la desestabilización del tanque de lavado es la dosificación de productos químicos, tales como: des-emulsionantes, humectante de sólidos y rompedores rápidos de emulsión, los cuales aumentan el costo de producción.

Como consecuencia, el crudo puede salir fuera de especificaciones y el agua recuperada del proceso no ser apta para la inyección. Es conveniente destacar que los tiempos de recuperación de las condiciones normales del tanque son muy largos y podrían extenderse por varios días.

En el sistema de control de nivel del separador, el conjunto válvula-actuador-posicionador también se ve afectado, debido a las variaciones bruscas y frecuentes en los valores de la señal actuante sobre la válvula, que provocan juego mecánico o daños totales producidos por la fricción excesiva de los elementos. Lo anterior provoca que en el sistema aparezcan no-linealidades como: zonas muertas, adherencia estática, sobre impulsos, desgaste en las juntas, fallas de lubricación, degradación de las membranas [4], contribuyendo con el aumento en el mantenimiento y paradas del tren de separación.

En el controlador PID antiguo existente antes del presente estudio, se observó una entonación y configuración inadecuada en sus coeficientes propios y en los parámetros de tiempo real (muestreo del PID, ciclo de barrido) asociados al funcionamiento del autómata fabricado por [5]. Para lograr una entonación eficiente es necesario el modelo del separador, existiendo fundamentalmente dos tendencias en la identificación de plantas de esta naturaleza: por método analítico o por método basado en conocimiento del experto como se muestran en [6][7][8].

En este estudio se plantea el modelado de la planta a partir de datos recolectados en campo y procesados por un software comercial. El ajuste o entonación del controlador PID se realizó mediante un programa de aplicación implementado en el lenguaje MatLab.. , que emula un PID mediante una red neuronal especializada y que se corresponde con una metodología denominada “PID neural network (PIDNN)” que recoge las bondades de las estructuras PID y de la red neuronal tal y como lo manifiestan [9][10][11].

En el desarrollo de este artículo se presentan cinco apartes: Manejo y flujo de datos, Modelado de la planta, Entonación del Controlador, Simulación y resultados e Implementación y resultados, seguidamente se presentan las Conclusiones, Referencias y Anexos.

II. DESARROLLO

A. Manejo y flujo de datos

Los datos de proceso son almacenados en cada ciclo de barrido o Scan, en la memoria del autómata PLC, el drive RSLinx de Rockwell Automation.., toma los datos de la memoria del autómata y mediante enlace dinámico de datos DDE con una macro desarrollada en Visual Basic, se actualizan automáticamente las celdas en la hoja de Excel.. cada 2 segundos. La descripción de las variables recolectadas en los registro de la base de datos se muestran en la tabla 1.

Se estableció un procedimiento, con el controlador en modo manual, para obtener los datos correspondientes a la variación de la acción de control OUT (% apertura de la válvula) y de la variable de proceso PV (Nivel), en una ventana temporal de 2900 segundos, tomándose muestras cada 2 segundos, lo cual implica 1450 datos por variable, la figura 3 muestra la representación gráfica de los datos llevados a MatLab, para ser utilizados en la identificación y validación mediante simulación.

B. Modelado de la planta

Se aplicó un método de identificación experimental de modelos de proceso [7], utilizando el “System Identification Toolbox” de Matlab.., el cual utiliza como entrada los datos de la variable OUT (% Apertura Válvula) y como salida los datos de la variable PV (Nivel en pies).

Previamente se seleccionaron los tramos de crecimiento del nivel DATA1 y de decrecimiento del nivel DATA2, para ser utilizados en la identificación y en la validación respectivamente. Se ensayó con diferentes tipos de funciones de transferencia, finalmente se generó una función de transferencia en la frecuencia compleja “S” , de estructura compatible con los procesamientos ulteriores.

En la figura 2 se observan los resultados de la salida de para el modelo P2ZUn que resultó ser el más ajustado. La similitud (Best Fit) del modelo es mayor al comparar con DATA1 (71.73%) que cuando se compara con DATA2 (61.14%), esto es debido a que el modelo se obtuvo a partir de DATA1.

El porcentaje de similitud (Best Fit), equivalente al factor de correlación R2, se calcula mediante la ecuación 1.

(1)

Donde y es la salida medida, es la simulada o salida del modelo, es la media de y. Se evaluó el modelo con tramos diferentes de datos figura 3, observándose una buena generalización en el orden de 63.26 % de similitud.

El modelo P2ZUn, corresponde a una función de transferencia de segundo orden con un par de polos imaginarios y un cero, obtenida con 20 iteraciones en el estimador y posee la forma que se muestra en la ecuación 2:

  (2)

Donde:

K = 0.10221;  Tw = 614.11;    Zeta = 0.94211;   Tz = 273.22;

Este tipo de sistemas es analizado en [12], caracterizándolos por que la constante de tiempo Tz, asociada a la presencia del cero no afecta el valor final K, no afecta la cantidad ni localización de polos, dado que Tz < Tw la dinámica provocada por el cero no introduce comportamiento de sobre impulso ni de impulso invertido en el momento de variaciones en la entrada del sistema. El valor del factor de amortiguación Zeta, ubica al sistema cerca de ser críticamente amortiguado, con tendencia a la sobre amortiguación.

Los parámetros medidos para analizar la influencia del cero en la ecuación de transferencia se muestran en la Tabla 2, obtenidos como respuesta a un escalón unitario en lazo abierto y lazo cerrado con ganancia de controlador unitaria. Se puede observar que la presencia del cero mejora el Tiempo de crecimiento

de la respuesta del sistema, también se observa que, al insertar el sistema en un lazo cerrado, desmejora este parámetro. El error en estado estable no es sensible a la presencia del cero, pero el error aparece en lazo cerrado, lo que hace presumir la necesidad de un efecto predominantemente integrador en el controlador para cancelar el efecto. Los datos de la Tabla 2 se obtuvieron mediante una batería de comandos de MatLab.., los cuales se muestran en el Anexo 1.

Para la ulterior entonación del PID mediante red neuronal, es necesario discretizar la planta con un retenedor de orden cero. El tiempo de muestreo utilizado inicialmente para la discretización, se determinó mediante el criterio de asumir la toma de 100 muestras entre el inicio del régimen transitorio hasta el tiempo de crecimiento Tr=995 seg., obtenido este último para la variación de PV de 0 a 0.8 pies, resultando aproximadamente 10 seg., no obstante dado que los datos con que se identificó la planta fueron tomados a 2 seg. se utilizó este último para el entrenamiento de la red neuronal. Esto determinó la implementación final con la toma de aproximadamente 500 nuestras al transcurrir 995 segundos. El resultado de la discretización con tiempo de muestreo de 2 seg. se presenta en la ecuación 3

     (3)

C. Entonación de Controlador

El algoritmo PID antiguo, presente en el controlador antes de la ejecución de este proyecto, tiene la estructura que se muestra en la ecuación 4.

        (4)

CV es la acción de control.

Kp, Ki, Kd son las constantes del controlador.

SP es la referencia o valor deseado en la salida

PV es el valor actual en la salida.

E es el error.

Polar valor de corrección de desviaciones.

Es importante resaltar que la acción derivativa no depende del error, esto mejora el desempeño en el seguimiento de la referencia SP, debido a que cuando esta cambia bruscamente, la acción derivativa se mantiene insensible. De lo contrario magnificaría el efecto en forma de picos en la acción de control CV, provocando inestabilidad en la salida PV (variable de proceso). Para la implementación, de la propuesta final del presente estudio, no se utilizará el valor Polar, por considerarlo innecesario.

Para el diseño y algoritmo de entrenamiento de la red neuronal se utilizó una metodología denominada “PID neural network (PIDNN)”. La red utilizada emula el controlador presentado en la ecuación 4 y consta de tres capas, una de entrada, una oculta y una de salida como se muestra en la figura 4.

En la capa de entrada están las neuronas SP y PV, especializadas en acondicionar las denominadas variables de referencia y de proceso, del lazo de control. En la capa oculta están las neuronas P, I y D, especializadas en emular las funciones proporcional, integral y derivativa del controlador PID. La capa de salida está constituida solo por la neurona CV que suma las tres contribuciones y genera la salida “y” que es la variable de control. Los pesos KP, KI y KD, de las conexiones entre la capa oculta y la neurona CV, se constituyen en las constantes típicas del controlador PID, una vez que la red ha aprendido, estos valores son colocados en el PID del autómata de la planta.

El objetivo principal es reducir al mínimo el gradiente de salida de la red, según la ecuación 5

     (5)

Donde r(k) son las entradas, y(k) la salida de la red y N el numero de pasos de entrenamiento.

El programa computacional para el entrenamiento de la red fue desarrollado en un archivo .m de MATLAB^TM y consta de cuatro diferentes módulos, mostrados en la figura 5.

Módulo de valores iniciales: Número de entradas y salidas del sistema a ser controlado, valores iniciales de pesos de las conexiones entre capaz de red, tasa de aprendizaje y número de iteraciones.

Módulo de cálculo directo: Reside la estructura de la red neuronal que emula el controlador, figura 8. La rampa de referencia y la salida del sistema, se realizan funciones PID en la capa oculta. Los pesos de las conexiones entre la capa oculta y la de salida equivalen a las constantes del PID. La neurona de salida genera una señal que se comporta como la señal de control del sistema.

Módulo Back Propagation: Se establece la función de costo de la ecuación 5, en el período de entrenamiento los pesos de conexión de la red que emula el controlador, son actualizados de acuerdo con el gradiente de entrenamiento asignado, hasta que culmine la cantidad de iteraciones programadas o alcancen los valores adecuados

Módulo del Sistema Controlado: Reside la ecuación en diferencia producto de la discretización del sistema a controlar.

Se ejecutan un conjunto de cinco rampas de 2000 segundos cada uno, con una duración total de 10000 segundos, tiempo en el cual se ejecuta todo el programa obteniendo los parámetros PID.

El proceso de entrenamiento culmina una vez que la red consigue los valores adecuados para cada peso, que resultaron ser KP=10.0, KI=0.007 y KD=0. Es comprensible el valor de KD, debido a que las señales que llegan a la neurona D, presentan variaciones casi nulas, por un lado r 2 en la entrada de la neurona PV es carente de variaciones bruscas en su pendiente debido a las características del modelo obtenido para el separador mostrado en la ecuación 2 y a la condición de diseño w13=0 mostrada en la figura 4.

D. Simulación y resultados obtenidos.

Se sometieron a prueba bajo simulación, en forma simultánea los lazos contentivos de los controladores PID con parámetros antiguos y con parámetros nuevos obtenidos del aprendizaje de la red neuronal que se muestran en la tabla 3.

En la figura 6, se muestran los resultados obtenidos, en la parte superior se presenta: la referencia SP (amarillo), salida de nivel con PID antiguo (morado), salida de nivel con PID nuevo (azul). En la parte inferior se presenta el % apertura de la válvula para el lazo con PID antiguo (amarillo), el % apertura de la válvula para el lazo con PID nuevo (morado).

Para enfocar el análisis bajo parámetros relativos al control óptimo, se midieron los indicadores de desempeño relativos al error y los de estabilidad relativa mostrados en la tabla 4.

Comparando la información de la figura 6 con la de tabla 4, para el lazo nuevo se ralentiza la respuesta pero se establece más rápido, en realidad en este tipo de sistema de manejo de material y también los que manejan energía, los sobre impulsos y oscilaciones que retardan el establecimiento del régimen permanente son perjudiciales y son consecuencia de una respuesta brusca, como ocurría en el lazo antiguo.

En la Tabla 4 se observa que los indicadores de error ITAE, ISE e IAE se reducen entre un 64 y un 90 % lo cual indica una mejora en el rendimiento del lazo nuevo, esto implica adecuado manejo de material y energía. Se mejora el tiempo de establecimiento (Ts) de 20700 a 7423 seg., esto es deseable para establecer rápidamente el régimen permanente. Se elimina el sobre impulso (Mp) que alcanzaba valores de 86.9 %, lo cual se manifestaba en campo como una ingobernabilidad del lazo y pérdida de material, energía y disponibilidad de la planta. Se ralentiza el crecimiento de la respuesta aumentando los tiempos de retardo (Td) y de crecimiento (Tr).

E. Implementación y resultados.

Se independizó el periodo de ejecución (muestreo) del módulo PID del ciclo de barrido rutinario (Scan) del autómata, con ayuda de una función de tiempo se dispara el funcionamiento del módulo PID con un periodo constante de 2 segundos, que fue el tiempo de muestreo utilizado para la obtención de KP, KI y KD en la red neuronal.

Se incorpora una banda muerta según lo recomendado en [13], simétrica de 0.02 pies alrededor de la variable de proceso. Esta banda se aplica para reducir las oscilaciones indeseables que pueden producirse cuando el error cruza por cero, de esta forma disminuye el desgaste mecánico por fricción en la válvula de control, manteniendo en algunos tramos la acción de control constante sobre la válvula sí el cambio en la variable de proceso no alcanza a salir de la banda.

En la figura 7, se verifica mediante datos de campo, el resultado de la implementación del nuevo controlador donde se evidencia la mejora en el comportamiento del Nivel (rojo) y la estabilidad del % apertura de la válvula de control (azul). En círculos punteados se marcan los segmentos de acción de la banda muerta sobre la válvula de control, lo cual implica un descanso en la operación de la válvula.

III. CONCLUSIONES

El lazo de control de nivel antiguo, sometía la planta a un estrés extremo, pérdida de material, energía y poca disponibilidad, producto de una inadecuada valoración de los parámetros del PID, incluyendo el parámetro de tiempo real denominado tiempo de muestreo.

Mediante la red neuronal especializada, se logró determinar los parámetros adecuados para el controlador PID y conjuntamente con las modificaciones introducidas para conformar el lazo de control de nivel nuevo, bajo simulación se observa una mejora sustancia en el desempeño de la planta entre 60 y 90%, según el índice de desempeño basado en error que se utilice.

La ralentización de la respuesta del sistema, la eliminación de sobre impulsos y la mejora en el tiempo de estabilización, permite predecir una reducción en las fallas mecánicas y eléctricas en los actuadores y sensores en toda la planta de deshidratación, lo que implica menor cantidad de mantenimiento correctivo.

Se propone el desarrollo, ulterior a este trabajo y como su posible continuación, de un estudio que permita realizar el ajuste de los parámetros del controlador en línea, partiendo de los datos de proceso en tiempo real.

IV. REFERENCIAS

1. PDVSA (1995). Manual de diseño del proceso, Separación física, Tambores Separadores: Principios básicos. Documento técnico MDP- 03-S-01, Venezuela: PDVSA.         [ Links ]

2. PDVSA Distrito San Tomé (2004). Manual de construcción del horno 8. Venezuela: PDVSA Distrito San Tomé.         [ Links ]

3. PDVSA Distrito San Tomé (1998). Manual de operación de la estación Bared-10. Venezuela: PDVSA Distrito San Tomé.         [ Links ]

4. Fisher Controls International, INC (2005). Control Valve Handbook, 4a ed, USA: Fisher Controls International, INC.

5. Allen Bradley (1998). Manual de Referencia del conjunto de instrucciones. Documento técnico 1785-6.1ES, , Milwaukee, USA: Allen Bradley.         [ Links ]

6. Adeniyi, O. (2004). Development of Model and Simulation of a Two-Phase, Gas-Liquid Horizontal Separator. Leonardo Journal of Sciences, 3(5), 34-45.         [ Links ]

7. Del pozo, J. (2010). Identificación de sistemas usando Matbab. Guayaquil, Ecuador: Escuela Superior Politécnica del Litoral.

8. Ramírez M., Colina E. (2008). Fuzzy model based control: application to an oil production separator [documento en línea de la ieee computersociety]. http://doi.ieeecomputersociety.org/10.1109/HIS.2008.100 .         [ Links ]

9. Shahraki, F., Fanaei, M. A., & Arjomandzadeh, A. R. (2009). Adaptive system control with PID neural networks. Chemical Engineering transaction, 17, 1395-1401.         [ Links ]

10. Shu, H., Y. PI,(2000). PID Neural Networks for Time-delay Systems, New York, USA: Computers and Chemical Engineering.         [ Links ]

11. Maraba, A., Kuzucuoglu. (2011). Speed Control of an Asynchronous motor using PID Neural Network. Studies in informatics and control, vol. 20. No.3. Estambul, Turkia [Documento en línea]. Disponible en www.sic.ici.ro .         [ Links ]

12. Seborg, D., Edgar, T., and Mellichamp, D.(2004). Process Dynamics and Control, John Wiley & Sons Inc., 2nd ed. USA.         [ Links ]

13. TEG Energy Group INC (2012). PID Deadband Implementation. Application Guideline 9. USA:TEG Energy Group INC.         [ Links ]

V. ANEXOS

Anexo 1

% Estudio del efecto de la presencia del cero.

% Modelo del separador.

K = 0.10221;       % Ganancia Pies/% Apertura válvula

Tw = 614.11;      % Constante Tiempo dominante Seg.

Zeta = 0.94211;   % Amortiguamiento.

Tz = 273.22;      %  Constante Tiempo dinámica Numerador.

% Numerador de la función de transferencia. num=tf([Tw 1],1);

% Denominador de la función de transferencia.

den=tf([Tw*Tw 2*Zeta*Tw 1],1);

% Sistema sin Cero en el Numerador.

sys1=K*(1/den);

t=(0:1:3999);

step(sys1,t); % Escalón lazo abierto. pause

Cloop = feedback(sys1,1); step(Cloop ,t); % Escalón lazo cerrado. pause

% Sistema con Cero en el Numerador.

sys=K*(num/den);

t=(0:1:3999);

step(sys,t); % Escalón lazo abierto. pause

Cloop = feedback(sys,1);

step(Cloop ,t); % Escalón lazo cerrado.