63 pt

0.875 in
22.2 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
63 pt
0.875 in
22.2 mm
Margin requirements for first page
Paper size this page A4



ResumenLos procesos de digestin anaerbica son muy
atractivos por sus propiedades de tratamiento de materiales de
desecho y su capacidad para generar metano que puede ser usado
como fuente de energa renovable. Un control inteligente hbrido
para un proceso anaerbico es propuesto en este artculo. La ley
de control calcula la razn de dilucin y la adicin de bicarbonato
necesarios para forzar al sistema a seguir una trayectoria de
referencia de produccin de metano. Un observador neuronal no
lineal recurrente de alto orden en tiempo discreto es propuesto
para estimar la concentracin de biomasa, sustrato y carbn
inorgnico. La estrategia de control usa la biomasa estimada y un
supervisor Takagi-Sugeno que detecta el estado del proceso,
selecciona y aplica la accin de control ms adecuada,
permitiendo un cambio suave entre las acciones lazo abierto a
lazo cerrado. La aplicabilidad del esquema propuesto es ilustrada
va simulacin.

Palabras clave: Observador neuronal de alto orden, digestin
anaerbica, produccin de metano, control hbrido inteligente

I. INTRODUCCIN
Motivados por el rpido crecimiento de la demanda de
electricidad, en vista del agotamiento de combustibles fsiles,
y debido a la conciencia ambiental creciente, los pases
desarrollados comenzaron a investigar la posibilidad de usar
fuentes de energa renovable eficientemente. En los ltimos
aos, con diversos grados de xito, diversas fuentes de energa
renovable continan siendo estudiadas para la generacin de
energa elctrica, entre ellos, geotrmico, biomasa, solar,
viento, hidroelectricidad por las micro-turbinas y las ondas de
marea. La investigacin sobre la optimizacin de la
generacin de la energa en los sistemas
hbridos que utilizan diversas fuentes renovables es discutida
por (Liang et al, 2007 y Marwali et al, 1998). La biomasa es
atractiva como recurso energtico potencial, y es un


combustible importante en varios pases en vas de desarrollo.
Hay diversas razones de utilizacin de la biomasa como fuente
de energa. Una de ellas es que la cantidad de fuentes
tradicionales del petrleo para los combustibles
convencionales no es ilimitada, mientras que la biomasa es
potencialmente renovable. Otra razn es que sustituyendo los
combustibles fsiles por la biomasa reducira las emisiones
netas del dixido de carbono que estn contribuyendo al
calentamiento global. Por otra parte, los combustibles de
biomasa tienen un calor de combustin razonable, y
generalmente tienen contenido bajo de sulfuro, de nitrgeno y
de ceniza con respecto a muchos carbones y aceites. La
biomasa se puede convertir en una variedad de formas de
energa incluyendo calor, vapor, electricidad, hidrgeno,
etanol, metanol y metano (Roos, 1991). La digestin
anaerbica es un proceso biolgico en el cual la materia
orgnica (sustrato) es degradada por las bacterias anaerbicas
(biomasa), en ausencia de oxgeno. Tal degradacin produce
biogs, que consiste en metano (CH
4
), dixido de carbono
(CO
2
), y residuos orgnicos estables. El proceso anaerbico es
un proceso complejo y secuencial que ocurre en cuatro etapas
bsicas: Hidrlisis, Acidognesis, Acetognesis y
Metanognesis (Belmonte-Izquierdo et al, 2009). Cada etapa
tiene una dinmica especfica; la hidrlisis, la acidognesis y
la acetognesis son etapas rpidas en comparacin con la
metanognesis, que es la ms lenta; esta fase impone la
dinmica del proceso y se considera la etapa limitante. Este
proceso se desarrolla en un reactor continuo de tanque agitado
(RCTA) con filtro de biomasa. Una variedad de factores
afectan a la velocidad de digestin y a la produccin del
biogs, tal como pH, temperatura, sobrecargas, etc. Un
resumen comparativo detallado de la investigacin sobre la
inhibicin de procesos anaerbicos es presentado en (Chen et
al, 2007). Adems, algunas variables y parmetros son
difciles de medir debido a problemas econmicos o tcnicos.
Entonces, se requieren estrategias de estimacin y control para
Control Hbrido Inteligente Neuronal ptimo Inverso con
Gradiente de Velocidad para Produccin de Metano en un Proceso
Anaerbico
K. J. Gurubel
1
, E. N. Snchez
1
, F. Ornelas-Tellez
2
y S. Carlos-Hernndez
3


1
Departamento de Control Automtico, CINVESTAV del IPN, Unidad Guadalajara,
Av. Del Bosque 1145, Col. El Bajo, CP. 45019, Zapopan, Jalisco, Mxico
{kgurubel, sanchez}@gdl.cinvestav.mx

2
Divisin de Estudios de Posgrado, Facultad de Ingeniera Elctrica, UMSNH,
F.J. Mujica SN, Ciudad Universitaria, Morelia, Michoacn, Mxico 58030.
fornelast@gmail.com

3
Grupo de Recursos Naturales Energticos, CINVESTAV del IPN, Unidad Saltillo,
Carr. Saltillo-Mty Km. 13, CP. 25900, Ramos Arizpe, Coahuila, Mxico
salvador.carlos@cinvestav.edu.mx
63 pt
0.875 in
22.2 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
Margin requirements for the other pages
Paper size this page A4


garantizar un desempeo adecuado. En procesos biolgicos
existen variables difcilmente medibles o no medibles que son
necesarias para el control de proceso (Carlos-Hernandez et al,
2004). Diferentes sensores de biogs han sido desarrollados
para medir CH
4
. No obstante las mediciones de biomasa y el
sustrato son ms restrictivos. Por lo tanto un observador
neuronal no lineal de alto orden en tiempo discreto (RHONO)
para sistemas no lineales desconocidos en presencia de
perturbaciones externas e incertidumbre de parmetros es
propuesto (Belmonte-Izquierdo et al, 2009; Sanchez et al,
2008). Este observador se basa en una red neuronal recurrente
de alto orden (RHONN) entrenada con un algoritmo de filtro
de Kalman extendido (FKE). El objetivo es estimar la
concentracin de biomasa, la degradacin del sustrato y el
carbono inorgnico en el proceso anaerbico. El
entrenamiento del RHONO se realiza en lnea. Las variables
son estimadas de los flujos de CH
4
y de CO
2
, medidos
comnmente en este proceso. Se asume que el pH, produccin
de CH
4
(YCH
4
), produccin de CO
2
(YCO
2
) y las entradas del
proceso son medidos en lnea. En las ltimas dos dcadas se
ha visto un creciente inters en mejorar la operacin de
bioprocesos aplicando esquemas de control avanzados
(Alcaraz-Gonzalez et al, 2007; Yamuna Rani y Ramachandra
Rao, 1999). Para controlar el proceso anaerbico, en este
artculo es propuesto un controlador hbrido inteligente
neuronal ptimo inverso con gradiente de velocidad; este
controlador es desarrollado sobre la base del observador
neuronal mencionado. El controlador es diseado para regular
el bicarbonato en el reactor por dos acciones: el
abastecimiento de una base (b
inc
) y la razn de dilucin (D).
Un supervisor difuso es implementado para aplicar dichas
acciones de control para rechazar perturbaciones grandes en el
sustrato de entrada y para seguir una trayectoria de referencia
de produccin de metano. Un supervisor Takagi-Sugeno
(Takagi, 1985 y Tanaka et al, 2001) detecta el estado del
proceso, selecciona y aplica la accin del control ms
adecuada, permitiendo una conmutacin suave entre el lazo
abierto y el lazo cerrado. El supervisor mejora el
funcionamiento del proceso anaerbico y es factible para
procesos en tiempo real, puesto que el esquema de control
demuestra un buen compromiso entre la eficiencia y la
complejidad.

I. MODELO MATEMTICO
Un diagrama funcional de la digestin anaerbica es propuesta
por (Beteau, 1992) como se muestra en la figura 1. La
biomasa est clasificada como: X
1
, que corresponde a las
bacterias hidrolticas, acidognicas y acetognicas y X
2
, que
corresponde a las bacterias metanognicas. Por otra parte, la
carga orgnica se clasifica en S
1
, la glucosa equivalente de los
componentes, que modela las molculas complejas y S
2
, el
cido actico equivalente de los componentes, que representan
las molculas transformadas directamente en cido actico.
Esta clasificacin permite que el proceso sea representado por
una etapa rpida, que implica la hidrlisis, acidognesis y
acetognesis y una etapa lenta, que corresponde
principalmente a la metanognesis.













Fig. 1 Diagrama funcional de la digestin anaerbica.

As, un modelo matemtico no lineal en tiempo discreto del
proceso es deducido como sigue. El fenmeno biolgico es
modelado por ecuaciones en diferencias (1), que representa la
parte dinmica del proceso como:














(1)

donde
1
es la razn de crecimiento (tipo Haldane) de X
1
(1/h),

2
es la razn de crecimiento (tipo Haldane) de X
2
(1/h), k
d1
el
ndice de mortalidad de X
1
(mol/L), k
d2
el ndice de mortalidad
de X
2
(mol/L), D
in
la razn de dilucin (1/h), S
1in
la entrada del
sustrato rpidamente degradable (mol/L), S
2in
la entrada del
sustrato lentamente degradable (mol/L), IC carbono
inorgnico (mol/L), Z el total de cationes (mol/L), IC
in
la
entrada de carbono inorgnico (mol/L), Z
in
la entrada de
cationes (mol/L), es un coeficiente que considera la ley de
la presin parcial para el CO
2
disuelto, y R
1
,, R
6
son los
coeficientes de produccin. La fase gaseosa (CH
4
y CO
2
) es
considerada como la salida de proceso:

(2)

(3)

El crecimiento de la biomasa, la degradacin del sustrato y
YCH
4
, son buenos indicadores de actividad biolgica y
pueden ser usadas para disear el control neuronal ptimo
inverso con gradiente de velocidad.
II. OBSERVADOR NEURONAL EN TIEMPO DISCRETO
En este artculo, proponemos usar un RHONO en tiempo
discreto que estima las variables de la etapa de la
2 2 2 1
4
X R R Y
CH
=
2 2 3 2
2
X R R Y
CO
=
( )
( )
( )
( )
( )
( ),
,
,
,
,
,
, , 1
, ,
, 2 , 2 3 1 , 1 , 1 5
, 2 , 2 3 2 1
, 2 , 2 , , 1 , 1 4
, 2 , 2 3 , 2 1 , 2
, 2 2 , 2 , 2 1 , 2
, 1 , 1 ,
, 1 , 1 6 , 1 1 , 1
, 1 1 , 1 , 1 1 , 1
k k in k in k k
k k in k in
k k k k k
k k k k
k k in k in k k
k k k k
k d k k k
k k in k in
k k k k
k d k k k
Z Z D Z Z
IC IC D
X R R X R
X R R IC IC
S S D X R
X R S S
X k X X
S S D
X R S S
X k X X
+ =

+
+ + =
+
+ =
+ =

+ =
+ =
+
+
+
+
+
+

63 pt
0.875 in
22.2 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
Margin requirements for the other pages
Paper size this page A4


metanognesis: biomasa (X
2
), sustrato (S
2
) y carbono
inorgnico (IC). La propiedad de observabilidad del modelo
del proceso anaerbico es analizado en un trabajo previo
(Alcaraz-Gonzalez y Gonzalez-Alvarez, 2007). La estructura
del RHONO es mostrada en las ecuaciones (4).














(4)

donde w
ij
es el respectivo vector de pesos adaptado en lnea;
x y son los estados estimados; es la funcin
sigmoidal definida como S(x)= tanh(x); (g
1
, g
2
, g
3
) son las
ganancias Luenberger del observador, e
k
es el error de salida,
D
in
, S
2in
y IC
in
son definidas como antes.

III. ALGORITMO DE ENTRENAMIENTO FKE
El algoritmo FKE se ha introducido para entrenar a la red
neuronal mejorando la convergencia de aprendizaje. Puesto
que la funcin de transformacin de la red neuronal es no
lineal, se requiere un algoritmo basado en el FKE. La meta del
entrenamiento es encontrar los valores de los pesos ptimos,
que minimizan el error de prediccin. Ms detalles son
presentados en (Sanchez et al, 2006, 2008). Un algoritmo de
entrenamiento basado en el FKE es descrito por (5).










(5)

= =1,...,
IV. CONTROL NEURONAL PTIMO INVERSO CON GRADIENTE
DE VELOCIDAD
Considere un sistema no lineal en tiempo discreto afn como

(6)

donde x
k
R
n
es el estado del sistema al tiempo k Z
+
,
u R
m
es el control de entrada, f : R
n
R
n
, g : R
n
R
nxm
son
funciones de mapeo suaves. Se asume f(0)=0 y
rango{g}=mparatodaxk En (Ornelas, 2011), se propone una
funcin de Lyapunov para control en tiempo discreto para
asegurar estabilidad del sistema (6), como

(7)

Empleando esta funcin en la ley de control, queda de la
siguiente forma

(8)


P
k
y R son matrices definidas positivas y simtricas; as la
existencia de la inversa en (8) es asegurada. Para computar P
k
,
que asegure estabilidad del sistema (6) con (8), usaremos el
algoritmo gradiente de velocidad. La ley de control (8)
depende de la matriz P
k
en cada paso de tiempo. Definimos la
matriz P
k
en cada pasa de tiempo k como:
(9)

Donde P = P
T
> 0 es una matriz constante dada y p
k
es un
parmetro escalar a ser ajustado por el algoritmo gradiente de
velocidad. Entonces (8) es transformado en:

(10)


La variacin dinmica del parmetro p
k
dado en (9) es
calculada como:

(11)


que es positiva para todo paso de tiempo k si p
0
>0. Por lo
tanto la positividad de p
k
es asegurada y el requerimiento
P
k
=P
k
T
>0 para (7) es garantizado. Adems, con la funcin de
Lyapunov definida por (7) y P=pP ( p es un valor constante
cuando el algoritmo gradiente de velocidad concluye) , la ley
de control (10) es ptima inversa en el sentido de que
minimiza la variedad funcional dada como

(12)

,
,
,
3 ,
2
35 ,
2
34
, 2
33
2
32 31
1
2 , 2
, 2
2
25 ,
, 2
2
24
23
, 2
2
22
, 2
21
1 , 2
1 ,
, 2
2
15 ,
, 2
2
14
13
, 2
2
12
, 2
11
1 , 2
k k in
k
k in
k
k k k k
k k in
k
k in
k
k k k k
k k in
k
k in
k
k k k k
e g IC IC S w D IC S w
X S w IC S w IC S w IC
e g S S S w D S S w
IC S w S S w S S w S
e g IC X S w D X S w
IC S w X S w X S w X
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
. .
. . .
+
.
. .
. . .
+
.
. .
. . .
+
.
2 2 ,
. .
S X
.
IC ) (- S
, 1 , , ,
, , , ,
, 1 , , , , ,
1
, , , , ,
,
,
,
,
1, ..., ,
:
,
i k i k i i k i k
i k i k i k i k
T
i k i k i k i k i k i k
T
i k i k i k i k i k
i k k k
w w K e
K P H M
P P K H P Q
i n
con
M R H P H
e y y
q
+
+

.
= +
=
= +
=
( = +

=
i
q
.
y
( ) ( )
k k k k
u x g x f x + =
+1
( ) 0 ,
2
1
> = =
T
k k k k
T
k k c
P P x P x x V
( ) ( ) ( ) ( ) ( )
k d k k
T
k k k
T
k
x f P x g x g P x g x R u
k
1
*
2
1
2
1

|
.
|

\
|
+ =
' P p P
k k
=
( ) ( ) ( )

=
+ =
0
.
k
k k
T
k k
u x R u x l J
{ } . 0 = =
k
x m g rango
( ) ( ) ( ) ( ) ( ).
2 2
'
1
' *
k d k
T
k k
T k
k
k
x f P x g x g P x g
p
x R
p
u
k

|
.
|

\
|
+ =
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
3
2
, 1
' 2
'
8
k k
T
k k
k
T
d k
T
k k k
T
d
k d k k
x g P x g p x R
x f x g x R x g P x f
p P
+
+ =
+

p
p p
k
=
e
e
e
63 pt
0.875 in
22.2 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
Margin requirements for the other pages
Paper size this page A4


El RHONO es presentado como un sistema afn con el
propsito de aplicar el control neuronal ptimo inverso con
gradiente de velocidad. Definimos las siguientes vectores:







(13)


donde los vectores g
1
y g
2
representan la parte del modelo
neuronal que acompaan a las entradas de control u
k_D
y u
k_binc
respectivamente, f representa la parte del modelo neuronal
donde no parece el termino de control y f
ref
las trayectorias de
referencia deseadas. De acuerdo a (8) la ley de control ptima
inversa es formulada como










Donde la matriz definida positiva es calculada por
el algoritmo gradiente de velocidad, es una matriz
contante, y son vectores como en (13) y


El seguimiento de una trayectoria deseada, definido en
trminos de los estados de la planta X
i,k
formulado como en
(1) puede ser establecido como la siguiente desigualdad:

(14)


Donde ||.|| representa la norma euclideana, es el estado
observado, es la seal de trayectoria deseada suave y
acotada. Esta proposicin es posible basada en el principio de
separacin para un sistema no lineal en tiempo discreto (Lin et
al, 1994). De (14), establecemos los siguientes requerimientos
para el seguimiento de la red neuronal y la solucin del
control:

Requerimiento 1:

(15)

con
i
, una constante pequea positiva.

Requerimiento 2:

(16)

Un observador neuronal entrenado con el FKE basado en (4)
asegura (15) (Sanchez et al, 2006), mientras (16) es
garantizado por un controlador discreto desarrollado usando
control ptimo inverso.

V. CONTROL INTELIGENTE HBRIDO
El proceso anaerbico es capaz de trabajar adecuadamente sin
control en presencia de pequeas perturbaciones. No obstante,
para perturbaciones grandes es requerida una ley de control
para mantener el proceso estable. Entonces, la supervisin de
variables clave es una tarea importante. El
donde D
k
es la razn de dilucin (1/h), la amplitud de la
perturbacin en el sustrato de entrada , el valor
inicial del sustrato




Fig 2. Conjunto difuso ODL/X2


El algoritmo Takagi-Sugeno es usado para definir el
supervisor. De un conocimiento emprico, el conjunto difuso
es asociado con una accin de control; entonces tres reglas de
inferencia difusa son deducidas:


Si ODL/X
2
es BAJO entonces u = lazo abierto
Si ODL/X
2
es MEDIO entonces u = Accin b
inc

Si ODL/X
2
es ALTO entonces u = Accin D

( ) ( )
( ) ( )
11 12
1 21 2 22
31 32
1 2
2 , 1 2
3

k k
ref
k ref k ref
ref
G G
g x G g x G
G G
f X
f x f f x S
f IC
o +
( (
( (
= =
( (
( (

(
(
(
(
= =
(
(
(
(


( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( ). ,

2
1

2
1
_
,

2
1

2
1
_
1 , 2 2
1
2 2
*
1 , 1 1
1
1 1
*
+

|
.
|

\
|
+ =
|
.
|

\
|
+ =
k k k k k
T
k k k
T
k inc k
k k k k k
T
k k k
T
k k
x x f x g P x g
x g P x g x R b u
x x f x g P x g
x g P x g x R D u
o
o
' P p P
k k
=
( )
k
x R
( )
k
x g ( )
k
x f
( ) ( ) ( ). ,
1 , 1 , + +
=
k ref k k k
x f x f x x f
o o
k i i k i k i k i i
x X x X X X
, , , , , ,
+ s
o o
k i
x
,

o , i
X
i k i k i
t
x X , s

, ,
lim
. 0 lim
, ,
=

k i i
t
x X
o
2 20 2 2

/ / X S A D X ODL
k
=
2

X
BAJO MEDIO ALTO
Lazo Accin Accin
abierto binc D
C1=1.4 C2=1.7 C3=1.8 ODL/X2
63 pt
0.875 in
22.2 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
Margin requirements for the other pages
Paper size this page A4


El supervisor Takagi-Sugeno emplea la biomasa estimada para
el clculo de la y seleccionar la accin de control ms
adecuada para el proceso. La estructura del control inteligente
hbrido es mostrado en la Fig. 3.














Fig. 3 Esquema de control inteligente hbrido


La principal idea de este esquema de control es combinar
diferentes acciones de control para permitir al proceso seguir
una referencia de produccin de metano. El modo de
operacin en lazo abierto funciona adecuadamente en
presencia de pequeas perturbaciones, que representan ahorro
de energa. Consecuentemente, la accin de control ms
adecuada es aplicada para evitar el lavado.
VI. RESULTADOS DE SIMULACIN
El modelo del proceso anaerbico y el observador son
implementados usando Matlab/M-file. El observador fue
verificado ante perturbaciones en la entrada y variacin de
parmetros, obteniendo una buena estimacin de estados. El
algoritmo de control neuronal ptimo inverso requiere
trayectorias de referencia para forzar al sistema a seguirlas.
Las trayectorias de referencia propuestas fueron tomadas en
(Belmonte-Izquierdo et al, 2009), porque ellas representan el
comportamiento dinmico del proceso anaerbico para
crecimiento de biomasa y produccin de metano ante una
mxima perturbacin en el sustrato de entrada S
2in
. El
algoritmo de control es probado ante una perturbacin en S
2in

del 200% en t=200 h. El seguimiento de trayectorias para los
estados es mostrado en la Fig. 4.

0 500 1000 1500
0.005
0.01
0.015
0.02
Time (h)
x
2

(
m
o
l
/
L
)


Neural estimated
Reference trajectory

0 500 1000 1500
0
0.005
0.01
0.015
0.02
Time (h)
S
2

(
m
o
l
/
L
)


Neural estimated
Reference trajectory

0 500 1000 1500
0.06
0.07
0.08
0.09
0.1
0.11
Time (h)
I
C

(
m
o
l
/
L
)


Neural estimated
Reference trajectory


Fig. 4 Seguimiento de trayectorias de los estados

Cuando la perturbacin es introducida, la ley de control debe
ser aplicada para permitir el crecimiento de la biomasa y por
lo tanto disminuir
YCH
4
es
ilustrada en la Fig. 5.

0 500 1000 1500
0
0.02
0.04
0.06
Time (h)
Y
C
H
4

(
m
o
l
/
h
)


Neural estimated
Reference trajectory


Fig. 5 Seguimiento de trayectoria para YCH
4



La YCH
4
es obtenida con la ecuacin (2) que est en funcin
de los estados estimados del sistema. Como se ilustra en la
Fig. 5, la referencia YCH
4
es alcanzada. El error de
Supervisor Takagi-Sugeno
Acccin binc
Accin D
Proceso
Lazo abierto
Biomasa
estimada
2

X

Control ptimo inverso con
gradiente de velocidad
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Time (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Time (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Time (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Time (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Tiempo (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Tiempo (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Tiempo (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Tiempo (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
63 pt
0.875 in
22.2 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
40 pt
0.556 in
14.1 mm
Margin requirements for the other pages
Paper size this page A4


seguimiento es desplegado en la Fig. 6. Este error podra ser
debido a la estructura simple del observador.

0 500 1000 1500
-0.01
0
0.01
0.02
0.03
Time (h)
Y
C
H
4

(
m
o
l
/
h
)

e
r
r
o
r


YCH
4
error


Fig. 6 Error de seguimiento para YCH
4



La Fig. 7 despliega las seales de control para las entradas b
inc

y D.

0 500 1000 1500
0.05
0.06
0.07
Time (h)
b
i
n
c

(
m
o
l
/
L
)


0 500 1000 1500
0
0.05
0.1
0.15
0.2
Time (h)
D
i
n

(
1
/
h
)


Fig. 7 Seales de control

VII. CONCLUSIONES
En este artculo un esquema de control hbrido inteligente para
un proceso anaerbico es propuesto para producir metano y
evitar la inhibicin del proceso. Un observador neuronal
recurrente de alto orden no lineal en tiempo discreto
(RHONO) es empleado para estimar la concentracin de
biomasa, degradacin del sustrato y carbono inorgnico. Un
modelo matemtico afn es obtenido con el propsito de
aplicar control neuronal ptimo inverso con gradiente de
velocidad. Una vez obtenido el modelo neuronal, una ley de
control ptimo inverso, basada en este modelo, es
desarrollado. El supervisor difuso detecta actividad biolgica
dentro del reactor empleando la estimacin de la biomasa y
aplica una accin de control. La meta es forzar al sistema para
seguir seales de referencia deseadas. Los resultados en
simulacin ilustran que el control hibrido inteligente
propuesto es capaz de estabilizar la produccin de metano a lo
largo de la trayectoria deseada en presencia de perturbaciones,
y evitando el lavado. El seguimiento de trayectorias con el
esquema de control propuesto es novedoso para el modelo de
digestin anaerbica descrito en este artculo. Como trabajo
futuro se implementar la estrategia de control propuesta en
tiempo real.

AGRADECIMIENTOS
Este trabajo est financiado por el proyecto CONACyT
57801Y.

REFERENCIAS
Alcaraz-Gonzalez, V. y Gonzalez- Alvarez, V. (2007). Robust nonlinear
observers for Bioprocesses: Application to wastewater treatment
(Book Chapter in Selected Topics in Dynamics and Control of
Chemical and Biological Processes), pp. 119164,
Berlin, Germany.
Belmonte-Izquierdo, R., Carlos-Hernandez, S. y Sanchez, E. N. (2009). A
new neural observer for an anaerobic wastewater treatment process.

Belmonte-Izquierdo, R., Carlos-Hernandez, S. y Sanchez, E. N. (2009).
Hybrid intelligent control scheme for an anaerobic wastewater treatment
process.

Beteau, J. F. (1992). An industrial wastewater treatment bioprocess
modeling and control, in French, Ph. D. Thesis, INPG, France.
Carlos-Hernandez, S., Mallet, G. y Beteau, J. F. (2004). Modeling and
analysis of the anaerobic digestion process, in Proceedings of IFAC
Symposium on Structures Systems and Control, Oaxaca, Mexico.
Chen, Y., Cheng, J. J. y Creamer, K. S. (2007). Inhibition of anaerobic
digestion process: A review, in Bioresource Technology, vol. 99 no.
10, pp. 40444064.
Liang, R. H., Liao, J.H. (2007). A fuzzy-optimization approach for
generation scheduling with wind and solar energy systems, IEEE
Trans. Power Syst., vol. 22, no. 4, pp. 16651674.
Lin, Wei and Byrnes, Christopher I. (1994). Design of discrete-time
nonlinear control systems via smooth feedback. IEEE Trans. on
Automatic Control 39(11), 23402346.
Ornelas, F. et al (2011). Speed-Gradient Inverse Optimal control for Discrete-
Time Nonlinear Systems, 50th IEEE Conference on Decision and
Control and European Control Conference (IEEE CDC-ECC 2011),
Orlando, Florida. (Accepted paper)
Roos, K. F. (1991). Profitable alternatives for regulatory impacts on livestock
waste management, in National Livestock, Poultry and Aquacultural
Waste Management National Workshop, USDA Extension Service,
Kansas, MI.
Sanchez, E. N., Alanis, A. Y. y

Sanchez, E. N., Alanis, A. Y. y Loukianov, A. G. (2008). Discrete Time
High Order Neural Control Trained with Kalman Filtering,
Springer-Verlag, Germany.
Song, Y. y Grizzle, J. W. (1995). The extended Kalman filter as a local
asymptotic observer for discrete-time nonlinear systems, in Journal
of Mathematical Systems, Estimation and Control, vol. 5, no. 1, pp.
5978.
Takagi, T., Sugeno, M., (1985). IEEE T. Syst. Man Cyb. 15 (1) 116.
Tanaka, K., Wang, W. O., (2001). Fuzzy control systems design and
analysis: a linear matrix inequality approach, First ed., Wiley-
Interscience, New York.
Yamuna Rani, K. y Ramachandra Rao, V.S. (1999). Control of fermenters,
Bioprocess Engineering, no. 21, pp. 7778, Springer-Verlag,
Germany.
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
Time (h)
Y
C
H
4

(
m
o
l
/
h
)


error YCH
4
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Tiempo (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Tiempo (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia
0 500 1000 1500
-0.01
0
0.01
0.02
0.03
0.04
Tiempo (h)
Y
C
H
4

(
m
o
l
/
h
)


Estimado neuronal
Trayectoria de referencia