‘avances en 216 | aiotecnologia Ambiental estos casos, se puede utilizar el control en cascada, que consiste en un lazo de control interno (stave loop) ysobre él un lazo de control externo (master loop). De modo que la consigna del control interno la ajusta el lazo de control externo segiin varia el proceso (Lim y Lee, 1991). Un ejemplo de aplicacidn de control en cascada es el control del oxigeno disuelto mediante el control del caudal de aireacién (Figura 18); un lazo de control puede verificar que el caudal de aireacién sea el requerido (valor consigna) mediante la apertura o cierre de una valvula (control interno) y el control externo fija el valor de consigna del caudal de aire mediante la medicién de la concentracién de oxigeno disuelto. ! op | | Sensor |p _ ! | Controlador Perturbacién interno Controtador GQ) + Controtador’ »!actuador | OD Reactor Terror Caudaimetro< -—! Figura 18. Esquema de un contro! en cascada para el oxigeno disuelto, a.iv. Control Adaptativo Cuando la dindmica del proceso cambia en el tiempo, por ejemplo al operar en zonas no lineales del proceso, o cuando las caracteristicas del proceso cambian, es necesario reajustar los parametros del con- trolador y los valores de consigna a las nuevas circunstancias. Esta tarea se puede hacer manualmente si el cambio ocurre esporadicamente, pero este no es el caso habitualmente. Una metodologia de control mas reciente, que intenta solucionar este problema, son los sistemas de control adaptativos en los que, mediante un algoritmo estimador de parametros, el controlador se sin- toniza a medida que ocurre el proceso. Dependiendo en la forma en que se realice la sintonia, los siste- mas adaptativos se pueden clasificar en: controladores autosintonizables (STR) y control con modelo de referencia (MRAS). En un controlador autosintonizable (STR), éste calcula los parametros del controlador (por ejemplo un PID) mediante el andtisis de las respuestas del proceso a pequefias perturbaciones de pulso 0 escalén generadas por el sistema de adaptacién (Lim y Lee, 1991). De este modo el controlador se va ajustando automaticamente durante el proceso (Figura 19) En un control con modelo de referencia (MRAS), se requiere un buen modelo del proceso, puesto que el controlador ajusta sus parametros en funcién del comportamiento previsto por el modelo y el com- Portamiento real del proceso. Este sistema de control adaptativo también es utilizado para mantener una trayectoria predefinida de un proceso, de modo que el controlador se autosintoniza para lograr el objetivo previsto (Wilson, 1991). En un sistema de control con modelo de referencia hay dos lazos de control, similar a un control en cascada (Figura 20). El lazo interno de control por retroalimentacién del proceso y el externo de adaptacion, que se encarga de ajustar los parametros det controlador para minimizar la diferencia entre el valor de la variable controlada y el valor previsto por el modelo o tra- yectoria (Lim y Lee, 1991). b. Control Avanzado Un sistema de control avanzado es, desde el punto de vista de su arquitectura, un control de alto nivel, es decir, estd sobre un sistema de control convencional, realizando las tareas de supervision del proceso.capitulos | 9} fosteumentacion, monitorizacion ycontro) | 77 Perturbacién “Variable ontrolada ——______________ [Sensor) —! ! Figura 19. Esquema de un lazo de control adaptivo con controlador autosintonizable (STR) | modelo de Mecanismo de >| Feferencis =| MSstaste de | parametros Perturbacién Error i | -&— |. | - 6 Controlador | Actuator, ——*| Proceso} "rahi controlada Figura 20. Esquema de un fazo de control adaptivo con modelo de referencia (MRAS). El sistema de control avanzado debers efectuar entre otras tareas: [a monitorizacién del proceso, el con- trol del proceso, la validacion de los sensores, deteccién de fallas de sensores, la diagnosis del proceso y ofrecer recomendaciones para la recuperacion del proceso en caso de fallas © la continua optimizacion del proceso (Aynsley et al., 1993) Las técnicas de control avanzado estan basadas en la experiencia de un operador de un proceso {técnicas basadas en el conocimiento), en un historial de datos de entrada/salida o en modelos de caja negra. En este tipo de control no es necesario disponer de un modelo detallado del proceso, sino mas bien de la experiencia y conacimiento acumulado por un experto o de datos histdricos de! proceso Cuando los procesos no se pueden describir mediante un modelo sencillo, y es necesario recurrir a mode- fos complejos y no lineales, o cuando no se cuenta con un modelo detallado del mismo, los sistemas de control basados en el conocimiento se presentan como una buena alternativa para el control avanzado de estos procesos, La aplicacién de los sistemas basados en el conocimiento ha aumentado considerab- lemente en fos Ultimos afios. Su crecimiento ha sido especialmente notable en el area biotecnolégica, siendo aplicados con cierto éxito en el campo del tratamiento de aguas residuales, produccién de ieva- duras, metabolitos y otros.ayances en 718 | piotecnologis Ambiental b.i. Configuracién de Jos sistemas basados en el conacimiento Las posibles configuraciones de sistemas de control basados en el conocimiento son miltiples, pero en general se pueden agrupar en dos tipos: control experto directo e indirecto o supervisor (Konstantinov et al, 1993) El contro! experto directo es aquel en que ef médulo de control basado en el conocimiento esta incor- porado en el |azo de control, al mismo nivel que un controlador PID, pero sin las limitaciones de estos liltimos (necesidad de un modelo del proceso, linealidad del modelo, etc) tal como se muestra en la Figura 21. Generalmente, los controladores con esta configuracién se conocen como controladores fuzzy porque normalmente estan estructurados mediante logica difusa (Reyero y Nicolas, 1995). Ultimamente también se han desarrollado controladores neuronales o hibridos (neuronales-fuzzy). Esta configuracion puede ser aplicada satisfactoriamente en lazos de control local de bajo nivel, pero su aplicacion a un nivel superior se hace més dificil (Konstantinov et al, 1993) Sistema de u control basado en ‘el eonocimiento Sensor Figura 21. Estructura de un sisterna de control experto directo, Consigna z i iG La estructura de un control experto indirecto o supervisor cuenta con dos niveles jerarquicos con una distribucién de las tareas de control, como se puede apreciar en la Figura 22. El nivel inferior est com- puesto por un lazo de control convencional, que se encarga de la medida, filtrado de datos, det contro! del proceso, etc. El nivel jerarquico superior se encuentra en el sistema de control basado en el conoc- miento, el cual se encarga de la supervision del proceso (Konstantinov et al, 1993). De este modo el control supervisor no esta directamente involucrado en el control del proceso, es decir, no genera sefiales de control, sino que supervisa el correcto funcionamiento del sistema de control de bajo nivel y lo ayuda a desarrollar bien su tarea. El sistema de control supervisor ofrece nuevas posibili dades de desarrollo de sistemas inteligentes para el control de procesas, cubriendo areas que el control clasico no pueden manejar (Konstantinov et al, 1993). Sistema de |, control basaco en | ! i el conocimiento Sistema de control 7 u convencional Proceso ‘Sensor | «———— Figura 22. Estructura de un sistema de contro! supervisor.Capitulo 6 Instrumentaciéa, moniterizacion ycontral | 77° bili. Arquitectura de implementacién de un contro! supervisor Dependiendo del modo de integrar el sistema de control basado en el conocimiento, éstos pueden ser. conectados 0 integrados (Konstantinov et al., 193). Los sistemas conectados son aquellos en que un ordenador esta dedicado a la tarea de supervisién, el cual esta conectado a un sistema de control convencional, generalmente ya existente, De este modo las dos partes son independientes, tanto en el software como en el hardware, como se puede apreciar en la Figura 23. | Sistema de — control convencional u y —+| Proceso Figura 23. Esquema de implementacién de un sistema basado en el conocimiento conectado, En los sistemas integrados, el propio ordenador realiza las dos funciones, es decir, posee el madulo de control basado en el conocimiento y los protocolos del control convencional. En la Figura 24 se presenta un esquema de este tipo de sistema. Sistema de control supervisor |. basado en cl conocimento v | Sistema de | y wet Meontrot y |, comvenctonal Figura 24. Esquema de implementacion de un sistema basado en el conocimiento integrado.Avances en 220 | Biotecnologia Ambienta 3,3, Metodologias de contro! avanzado Dentro de las metodologias de control avanzado se pueden mencionar la modelacién del proceso mediante: modelos empiricos funcionales, redes neuronales, algoritmos genéticos, légica difusa (fuzzy logic), sistemas expertos basados en el conocimiento, métodos estadisticos o combinacién de éstos, por ejemplo el control hibrido neuronal/fuzzy. a, Modelos funcionales empiricos Dentro de los modelos funcionales empiricos mas utilizados est el modelo lineal, de la forma Y= Prot Puy Uy + Pia Ua + Pia Us tom + Ph Un Donde: y, representa el valor de salida de una variable iy u el valor de entrada de una variable jy p, son los parametros del modelo (constantes). Este tipo de modelos es ampliamente utilizado para el estudio de sistemas en estado estacionario (Olsson y Newell, 1999). La utilizacién de este tipo de modelos esta restringido a sistemas lineales, lo que en la practica no ocurre frecuentemente. b. Redes neuronales Las redes neuronales estan basadas en capas de neuronas interconectadas, segn se muestra en la Figura 25. La primera capa de neuronas (capa de entradas) tiene una neurona por cada variable de entrada (u). Cada neurona de la capa de entrada alimenta con datos a cada una de las neuronas de la segunda capa (capa invisible). La segunda capa alimenta a otras capas invisibles. Finalmente la ultima capa invisible alimenta a la capa de salida, existiendo tantas neuronas de salida como variables de salida. El ntimero de neuronas en las capas ocultas y el numero de capas ocultas se definen de modo arbitrario. La salida de cada neurona de las capas ocultas viene dada por una expresién de la forma Donde: u, es la entrada i a la neurona j, w, es el peso de la variable i en la neurona jy s, es la suma ponderada de las variables en la neurona j Finalmente la salida de la neurona j (y), viene determinada por una ecuacién denominada funcién de activacién sigmoidal. 1 Tees Todos los valores de w,, son los parémetros del modelo. En un principio se asignan pesos aleatorios (w,) a las variables y luego se comienza a entrenar la red neuronal, modificando estos pesos en un proceso iterativo, hasta hacer converger los datos entrada-salida reales con los del modelo neuronal. Una vez finalizado el proceso de aprendizaje, el sistema esta listo para ser aplicado a casos nuevos. La ventaja de esta técnica es que puede utilizarse con sistemas lineales o no lineales, pueden representar relaciones dinamicas 0 estacionarias y no se requiere de un modelo del proceso, sin embargo se requiere de una serie de datos histéricos, los que en ocasiones no se pueden tener. En el entrenamiento de la red neuronal se requiere determinar una gran cantidad de parémetros que no cuentan con significado fisico (Olsson y Newell, 1999), pero una vez que la red esta entrenada, la aplicacién del modelo en plantas similares es muy sencitla por lo que la implementacién en varias instalaciones industriales se hace muy econémicaCapitulo 6 Instrumentacion, monitorizacién yeontret | 22" Entradas capa de capa capa de sitrades oeulta ‘lida Figura 25. Estructura de una red neuronal con una capa oculta, «. Sistemas expertos basados en logica difusa (Fuzzy logic) Los sistemas expertos son une metodolagia de control basado en una serie de reglas de operacién pre- viamente descritas por un operador con alta experiencia en el proceso, es lo que se denomina unsistema basado en el conocimiento (SBC) o knowledge based system (KBS). Por lo general las reglas responden a una estructura del tipo “si...y... 0... entonces..." (if... and... Or... then...) El numero de reglas se define arbitrariamente, segtin la cantidad de conocimiento que se quiera transferir al modelo. En el sujeto de la regla estan indicadas las variables de entrada del modelo (u) y en el predicado las variables de salida (V), por ejemplo, “SI la temperatura es baja ENTONCES conectar la calefaccion". La forma de incorporar los valores de las variables controladas al conjunto de reglas puede hacerse por égica difusa o por légica booleana, En este Ultimo caso se analizan los valores de estas variables medidas para determinar si pertenecen 0 no a un subconjunto definido, por ejemplo bierv/mal o verdadero/falso, es decir, se determina el valor de pertenencia, (3), de la variable medida, u, a un subconjunto definido previamente, asignando un valor de 0 sino pertenece y 1 si pertenece. Matematicamente se representa por la siguiente relacion, donde A representa el subconjunto analizado: 1xEA was {eo Enel caso de la logica difusa, los valores de las variables medidas se descomponen en una serie de estados o subconjuntos, denominados etiquetas linguisticas y se determina el grado de pertenencia de cada variable a cada etiqueta linguistica, generando una respuesta continua en todo el intervalo [0,1], es decir: bX) = € [0,1] De este modo la légica booleana es una simplificacién dela légica difusa, cuando las etiquetas linguisticas son dos y las funciones de pertenencia son cuadradas como se puede apreciar en la Figura 26.Avances en 222 | diotecnoiagia Ambiental 5 5 zou a Ba 5 § 08 a 3 06 i bajo alto i on 3 g 0.2 & & valor de la variable valor de la variable a b Figura 26. Funciones de pertenencia para una variable analizada mediante \6gica booleana (a) y !agica difusa (b) Las funciones de pertenencia en la l6gica difusa. pueden ser cuadradas, triangulares, gausianas o de una forma arbitraria. La aplicacion de la ldgica difusa ( motor de inferencia), consta de cinco partes: fuzzificacién de las varia- bles de entrada, aplicacién de los operadores fuzzy (y-o 0 AND-OR), implicacién del sujeto al predicado de la regla, agregacién de los resultados de las implicaciones a través de todas las reglas y desfuzzificacion del resultado. En los siguientes apartados se explicarén cada una de estas etapas, En resumen la légica difusa es una herramienta que permite expresar matematicamente, de una forma relativamente sencilla, fa experiencia y el conocimiento humano (complicados e intuitivos), algo que resulta imposible mediante e! control convencional basado en el anélisis cientifico moderno, La uti lizacién de un lenguaje natural © humano permite ademas un faci! entendimiento del control difuso por parte del operador de /a planta o incluso por parte de personas ajenas a la misma, puesto que el efecto o resultado de cada regla es facilmente interpretable. La inferencia difusa permite ademas dirigir operaciones en paralelo y simultaneamente mediante fa ejecucién de varias reglas de manera que el proceso sea mas rapido, ci. Fuzzificacion El proceso de calculo para transformar los valores numéricos de las variables de entrada en valores lingiisticos se denomina fuzzificacién y consiste en determinar el grado de pertenencia de la variable a cada subconjunte v etiqueta lingiiistica, de este modo, una variable puede pertenecer en distintas proporciones a varias etiquetas lingiisticas, por ejemplo en la Figura 27, se puede ver que un valor de ‘oxigeno disuelto de 45% de saturacién es: 25% bajo, 75% adecuado y 0% alto, lo que se denomina vector de posibilidad (Olsson y Newell, 1999) grado de perteneneia 20 40 60 80 100 oxigeno disuelto (porcentaje de saturacién) Figura 27. Fuzzificacién de una variable.Copitulo 6 Instrumentacién, maniterizacian yeantral | U3 il. Aplicacién de operadores fuzzy Como se dijo anteriormente la logica difusa es una extencién de la légica boofeana, lo que también es valido para la utilizacion de operadores ldgicos, Por ejemplo el operador “y” o interseccion (Ay 8), en l6gica difusa es el operador min(A,8) que determina el minimo entre das subcanjuntos. El operador “0” o unién en la légica booleana (A 0 B) es el operador max(A.B) en la logica difusa, que determina el valor maximo entre dos subconjuntos A y B. En la Tabla 9 se presentan las equivalencias entre la logica booleana y la légica difusa, Tabla 9. Equivalencia entre los operadores de la légica booleana y aifusa. ‘Operador Logica booleana Logica difusa | Interseccion Y AnA min (A.B) Unidn oO AvB max (A,B) I Complemento. NOT A 1A | Aplicando los operadores fuzzy en el sujeto de la regla se determina el valor de verdad del sujeto. Por ejemplo si la regla dice “si el nivel de oxigeno disuelto es bajo y la aireacién es baja, entonces abrir valvula de aireacién” y, usando los valores del ejemplo anterior, el nivel de oxigeno disuelto es bajo en un 25% y suponiendo que la aireacién es baja en un 60%, entonces el sujeto de la regla se cumple en un 25%, es decir, min (25,60). Aplicacién del sujeto al predicado de la regia La regla general es que si un sujeto se cumple en cierto grado, esto implica que el predicado se cumple también en un cierto grado. Siguiendo el ejemplo anterior, si el sujeto se cumple en un 25%, entonces el predicado (“abrir valvula de aireacién”) se cumple parcialmente. £! operador légico para esta impli- cancia es la funcién min(A,B), donde A es valor de verdad del sujeto y B es la funcion de respuesta del predicado. En la Figura 28 se ilustra este ejemplo, el area sombreada corresponde a min(25,abrin), es decir, al operador min de 25% y de la funcién "abrir". Por lo tanto el area sombreada corresponde al valor de verdad de la regla estudiada para las condiciones dadas. 1 _— 08 0.6. Cerrar Abrir od ner, 0.2 ° a Bo ‘ante 0 20 40 60 80 100 apertura de la valvula de atreacion, grado de pertenencia Figura 28. Aplicacién de la implicacién de! sujeto en el predicado. cli, Agregacién de los predicados a través de todas las reglas Supongamos que el motor de inferencia utilizado, posee tres regtas, como la mencionada anteriormente. Una vez realizado los pasos 1, 2 y 3 para cada regla, obtendremos que cada regla se cumple en distinta medida, y el resultado seran tres esquemas como los de la Figura 29. La agregacién de predicados con-Awances en 221 | placecnologia Ambiental siste en sumar las respuestas, generando una respuesta que englobe las tres reglas, es decir se aplica el ‘operador max(A,8,C) donde A, By Cson los subconjuntos de respuestas de los predicados de cada una de las reglas Por ejemplo, supangamos que las tres reglas son. 1. siel nivel de oxigeno disuelto es bajo entonces abrir valvula de aireacién, 2. siel nivel de oxigeno es adecuado, entonces mantener la valvula de aireai 3. sie! nivel de oxigeno es alto, entonces cerrar la valvula de aireacién. ge ‘ 2 08 206 Abrir | Regla 1 min(25, abrir) B04) an ’ Boa) eee a 200 nee ang noes = 0 2% 40 60 80 100 & apertura de la valvula de alreacién g 1 . Boa. = 06 Abric Regla 2: min(75, mantener) 2 04 mantener g 02 s 8 0% Pees ee # 9 2 40 60 80 100 apertura de la valvula de aireacién q4 ¢ 5 08 = 06 Regia 3: min(0, cerrar) E04 ¥ 02 So sc — 0 20 40 60 80 100 apertura de la valvula de aireacion go . £08 Agregacién de los Max (regla 1, £06 Mi: Abrir predicados: regla 2, regla 3) Roa tantener) 3 02 g ol. i £0 2 40 60 80 100 apertura de la valvula de aireacion Figura 29. Resultado de la aplicacién de tres regias y de la agregacién de los predicadoscapitulo & Instrumentacin, moniterizacion y eantrot Si suponemos, como en el ejemplo anterior, que fa condicidn de operacién es de un 45% de saturacion del oxigeno disuelto, entonces el vector de posibilidad es de (25; 75; 0). Al analizar los tres sujetos, los valores de verdad de cada uno de ellos es (25; 75; 0). Ya que no hay operaciones légicas en los sujetos de fas regias, ef valor de verdad es igual al vector de posibilidad, Aplicando estos valores de verdad de los sujetos a los predicados se obtienen las Figuras 29-a, b y c, Finalmente se aplica el operador max, para realizar la agregacion de los predicados, obteniendo la Figura 29-4 civ, Desfuzzificacion La ultima etapa en la maquina de inferencia es la desfuzzificacion, que consiste en transformar el sub- canjunte resuitado de la agregacién de predicados a un valor numérico, La metodologia mas utilizada es la del centroide, que consiste en determinar el punto central del area bajo la curva de respuesta. Esto implica realizar una integraciGn a traves de la curva respuesta para determinar el punto medio. En la Figura 30 se presenta e! ejemplo anterior, se puede ver que e! centroide determina una apertura de [a valvula de aireacion de un 60%, es decir, para las condiciones dadas, de un 45% de saturacion de oxigeno Gisuelto, el motor de inferencia propone una abertura de la valvula de aireacién al 60%: gy —_ E og centrowe i § 06 ~~ / Mantener Abrir & O.4) “ 2 02 a er = 20 0 20 40 609 80 100 apertura de la vélvula de atreacion Figura 30. DeterminaciGn del centroide de una curva respuesta de la agregacion de predicados. Come se puede apreciar, se ha desarrollado un sistema de control para el nivel de oxigeno disuelto, sin la necesidad de un modelo del proceso, sino mediante el conocimiento de! mismo y de la experiencia que un experto pueda entregar para desarrollar las funciones de pertenencia y para elaborar el listado de reglas. La ventaja de esta técrtica es que se aprovecha af maximo fa experiencia del operador y se facilita la interaccién operador-maquina ai utilizar valores lingisticos, propios del razonamiento humano (Zadeh, 1965). Los sistemas expertos basados en logica difusa se presenta como una gran alternativa para procesos en los cuales existe una alta experiencia operacional y cuando el proceso es muy complejo © los modelos son demasiado complejos y no lineales (Olsson y Newell, 1998). 4. CONTROL Y MONITORIZACION DE PROCESOS DE TRATAMIENTO ANAEROBIO DE AGUAS RESIDUALES 4.1. Aspectos generales £I tratamiento anaerobio es un proceso complejo en el que intervienen diferentes microorganismos y rutas metabdlicas (Lema et ai, 1991; Renard et al, 1988), que constituye una tecnologia valida para el tratamiento de aguas residuales concentradas (Fernandez et al., 1995; Steyer et al,, 1995), sin embargo, ef control aplicado a pracesos anaerobios esta practicamente resttingido al control de las variables am- bientales, como pH, temperatura, etc, (Heinzle et al, 1993), empleando controladores simples de tipo ‘on-off o PID (proporcional integral derivativo).vances en 226 | Biotecnologia Ambiental En este sentido se han propuesto alternativas de control empleando un numero de variables limitadas y con estrategias simples de actuacin. Buffiére et al. (1995) emplearon el pH y el caudal de gas para operar un lecho fluidizado, consiguiendo un incremento de la VCO desde 35 hasta 105 kg DQO/m*d en menos de 5 dias sin desestabilizar el reactor, y permitiendo al sistema adaptarse a los cambios en la concentracién del influente. El problema de automatizacién de los procesos biotecnolégicos se debe a que los analizadores on-line de variables fundamentates del proceso, como la DQO o la alcalinidad, no existen en el mercado, o bien son sistemas con un coste demasiado alto para su aplicacién de forma extensiva, Por otro lado, resulta dificil obtener una medicién fiable del estado o de la concentracion de microorganismos presentes en el reactor, con lo que solamente se pueden establecer fas condiciones de operaci6n éptimas de forma empirica. Estas pueden ser las razones de que en los tiltimos tiempos se haya dedicado una importante actividad investigadora al desarrollo y mejora de sistemas de monitorizacién, diagnosis y en general control de procesos anaerobios (Henze, 1997; Lorenzo et al, 1998; Pufial, 1999a; Pufial et af, 1999b, Pufial et al., 2001a; Ruiz et a/., 2005; Ruiz, 2005). Los sistemas de control de procesos empleados a escala industrial son de tipo simple como se mencioné anteriormente y, en la mayoria de los casos, se opera de forma manual. Sin embargo, las plantas de tratamiento de aguas residuales pueden ser operadas adecuadamente por expertos familiarizados con el proceso, lo que indica que se trata de una tarea de conocimiento intensivo (Pural et a/, 2002). En este sentido, es importante disponer de un sistema que tenga capacidad para aportar toda la informacion posible sobre el estado de la planta, Esta informacion permitiria establecer las bases del sistema de diagnosis y las consiguientes acciones de supervision y control en lazo cerrado, La mayoria de las estrategias. de control se basan en la monitorizacién de un numero de indicadores del proceso que suministran informacién complementaria (Switzenbaum et al, 1990; Vanrolleghem, 1995; Ruiz, 2005). Durante los uiltimos afios, se hicieron una serie de esfuerzos para encontiar mejores indicadores de la monitorizacién del proceso (Denac et al, 1988; Switzenbaum et al,, 1990; Guiot et al, 1995; Guwy et af, 1995; Vanrollenghem, 1995), haciendo especial hincapié en las vatiables que aportan informacion sobre la fase gas (Ruiz et af, 2005). Un indicador ideal seria aquel que fuese facil de medir, que estuviese disponible en tiempo real y en una base on-line y, por supuesto, que tenga un significado intrinseco que refleje el estado metabélico del sistema en el momento de medida (Switzenbaum et al, 1990). De acuerdo con eso, la informacién fiable sobre el sistema para poder llevar a cabo el control, resulta de la combinacién de los datos disponibles on-line, de las medidas intermitentes off-line y de un mayor conocimiento y entendimiento de los mecanismos microbianos (Hickey et al., 1991). Un acercamiento al examen de los posibles indicadores del estado del sistema y de los parémetios de control podria basarse en la fase de proceso a la que corresponden los mismos. a. Fase solida Las medidas de la fase sélida, como la determinacién de los parametros cinéticos de a biomasa o los tests de actividad metanogénica serian de gran importancia, ya que estan estrictamente relacionados con el comportamiento de la biomasa, pero desafortunadamente su determinacién no se puede llevar a cabo on-line ni en una base de tiempo real (Switzenbaum et al,, 1990; Hickey et al, 1991) b, Fase liquida Los parémetros de la fase liquida son los mas cominmente empleados (Soto et al,, 1993a; Soto et al, 1993b. Las medidas de pH, AGV, y alcalinidad permiten identificar desestabilizaciones del sistema y su capacidad tampon. La concentracién de substrato, expresada como COT 0 DQO, no esta considerada como de suficiente poder discriminatorio para poder detectar un estado de inestabilidad (Weiland y Rozzi, 1991)