SCP Notas Curso

I SBN 607 - 477 - 126 -X
9 786074 771268
Simulación y Control de
Procesos
Por
Hector F. Puebla Núñez
Departamento de Energía
Universidad Autónoma Metropolitana

Azcapotzalco
Enero 2009
A mi esposa, padres, y
hermanos.
Índice general
1. Introducción 16
1.1. Terminología del control de procesos . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.2. Diagramas de bloques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.3. Elementos y configuraciones básicas de un sistema de control . . . . . . . . . . . . 22
1.3.1. Configuración retroalimentada . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.3.2. Configuración antealimentada . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.4. Metodología del diseño de control . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1.4.1. Objetivos y especificaciones de desempeño . . . . . . . . . . . . . . . . . . 26
1.4.2. Sensores y actuadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1.4.3. Modelado matemático dinámico . . . . . . . . . . . . . . . . . . . . . . . . 32
1.4.4. Controlador . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
1.4.5. Simulación dinámica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
1.4.6. Implementación del controlador . . . . . . . . . . . . . . . . . . . . . . . . 35
1.5. Desarrollo histórico del control de procesos . . . . . . . . . . . . . . . . . . . . . . 36
1.5.1. La revolución industrial . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.5.2. Control clásico PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
1.5.3. Control moderno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
1.5.4. Aplicaciones industriales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
1.5.5. Control post-moderno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
1.6. Diagrama de flujo del diseño de control . . . . . . . . . . . . . . . . . . . . . . . . 41
1.7. Aplicaciones de control de procesos . . . . . . . . . . . . . . . . . . . . . . . . . . 43
1.8. Referencias básicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2
2. Modelado Matemático Dinámico de Procesos 48
2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.2. Formulación de modelos matemáticos . . . . . . . . . . . . . . . . . . . . . . . . . 49
2.2.1. Balances de materia y energía . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.3. Formulación de balances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
2.4. Formulación matemática de los balances . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.1. Acumulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
2.4.2. Entrada-salida por convección . . . . . . . . . . . . . . . . . . . . . . . . . 53
2.4.3. Entrada-salida por difusión o dispersión . . . . . . . . . . . . . . . . . . . 54
2.4.4. Entrada-salida por transporte interfase . . . . . . . . . . . . . . . . . . . . 55
2.4.5. Producción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
2.5. Modelos matemáticos dinámicos de procesos . . . . . . . . . . . . . . . . . . . . . 56
2.5.1. Tanques agitados isotérmicos en serie . . . . . . . . . . . . . . . . . . . . . 56
2.5.2. Reactor lote biológico de tanque agitado . . . . . . . . . . . . . . . . . . . 57
2.5.3. Reactor semi-lote de tanque agitado . . . . . . . . . . . . . . . . . . . . . . 60
2.5.4. Reactor continuo de tanque agitado . . . . . . . . . . . . . . . . . . . . . . 61
2.5.5. Reactores continuos de tanque agitado en serie . . . . . . . . . . . . . . . . 63
2.5.6. Intercambiador de calor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.5.7. Reactor tubular flujo tapón . . . . . . . . . . . . . . . . . . . . . . . . . . 67
2.5.8. Reactor tubular con dispersión axial . . . . . . . . . . . . . . . . . . . . . 69
2.5.9. Columna de destilación binaria ideal continúa . . . . . . . . . . . . . . . . 71
3. Simulación de Procesos 75
3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3.2. Simuladores de procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
3.2.1. ChemCad1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3.2.2. Aspen Plus2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
3.3. Programas orientados a la simulación . . . . . . . . . . . . . . . . . . . . . . . . . 80
1 c 2007 ChemCad es una marca registrada de Chemstations, Inc.

°
2 c 2007 Aspen Plus es una marca registrada de Aspen Technology, Inc.
°
3
3.3.1. Matlab-Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.4. Lenguajes de programación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
3.4.1. Métodos numéricos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
3.5. Simulación dinámica de procesos con Matlab . . . . . . . . . . . . . . . . . . . . . 87
3.5.1. Sistemas de ODEs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
3.5.2. Sistemas de PDEs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
3.6. Simulación dinámica de procesos . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.6.1. Reactor lote . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.6.2. Reactor continuo de tanque agitado . . . . . . . . . . . . . . . . . . . . . . 102
3.6.3. Reactor tubular de flujo tapón . . . . . . . . . . . . . . . . . . . . . . . . . 104
3.6.4. Columna de destilación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4. Análisis de Procesos 110

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
4.2. Sistemas no-lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
4.3. Sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
4.4. Linealización de sistemas no-lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.4.1. Variables de desviación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.4.2. Proceso de linealización . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.4.3. Linealización para fines de control de procesos . . . . . . . . . . . . . . . . 116
4.4.4. Puntos de equilibrio y linealización con Matlab . . . . . . . . . . . . . . . 118
4.4.5. Puntos de equilibrio y linealización de un CSTR . . . . . . . . . . . . . . . 121
4.5. Estabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.5.1. Estabilidad de sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . 123
4.5.2. Estabilidad de sistemas no-lineales . . . . . . . . . . . . . . . . . . . . . . 125
4.5.3. Estabilidad con Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
4.5.4. Estabilidad de un CSTR . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
4.6. Clasificación de puntos de equilibrio . . . . . . . . . . . . . . . . . . . . . . . . . . 128
4.7. Plano de fase y diagrama de bifurcación . . . . . . . . . . . . . . . . . . . . . . . 130
4.7.1. Plano de fase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
4
4.7.2. Diagramas de bifurcación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.8. Comportamiento dinámico no-lineal en procesos químicos . . . . . . . . . . . . . . 132
4.8.1. Múltiples estados estacionarios . . . . . . . . . . . . . . . . . . . . . . . . . 132
4.8.2. Oscilaciones simples y complejas . . . . . . . . . . . . . . . . . . . . . . . . 137
4.8.3. Sensibilidad paramétrica y puntos calientes . . . . . . . . . . . . . . . . . . 139
4.8.4. Formación de patrones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
4.9. Transformada de Laplace en control . . . . . . . . . . . . . . . . . . . . . . . . . . 141
4.9.1. Transformada de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.9.2. Transformada de Laplace de un modelo de primer orden con forzamiento . 145
4.9.3. Transformada de Laplace de un modelo de segundo orden con forzamiento 146
4.9.4. Transformada de Laplace con Matlab . . . . . . . . . . . . . . . . . . . . . 146
4.10. Función de transferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
4.10.1. Polos y ceros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
4.10.2. Función de transferencia con Matlab . . . . . . . . . . . . . . . . . . . . . 149
4.10.3. Función de transferencia de un CSTR . . . . . . . . . . . . . . . . . . . . . 150
4.11. Respuesta de sistemas lineales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
4.11.1. Respuesta de sistemas de primer orden . . . . . . . . . . . . . . . . . . . . 152
4.11.2. Respuesta de sistemas de segundo orden . . . . . . . . . . . . . . . . . . . 154
4.11.3. Sistemas de orden  . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
4.12. Identificación empírica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
4.12.1. El método de curva de reacción . . . . . . . . . . . . . . . . . . . . . . . . 158
4.12.2. Identificación empírica de una columna de destilación . . . . . . . . . . . . 163
4.12.3. Identificación empírica de un reactor tubular . . . . . . . . . . . . . . . . . 165
4.12.4. Identificación escalón con Matlab . . . . . . . . . . . . . . . . . . . . . . . 165
5. Control Clásico de Procesos 169

5.1. Control PID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
5.1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
5.1.2. Acciones del controlador PID . . . . . . . . . . . . . . . . . . . . . . . . . 170
5.1.3. Sintonizado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
5
5.2. Implementación numérica del control PID . . . . . . . . . . . . . . . . . . . . . . 174
5.2.1. Control P y PI en Matlab . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
5.2.2. Control PID en Simulink . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.2.3. Controlador PI en un CSTR con Matlab . . . . . . . . . . . . . . . . . . . 179
5.2.4. Controlador PID en un CSTR con Simulink . . . . . . . . . . . . . . . . . 183
5.3. Función de transferencia a lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . 185
5.3.1. Función de transferencia a lazo cerrado con control P y PI . . . . . . . . . 188
5.4. Localización de raíces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
5.4.1. Plano complejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
5.4.2. Polos a lazo cerrado . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
5.4.3. Diagramas polares . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
5.4.4. Criterio de estabilidad de Routh . . . . . . . . . . . . . . . . . . . . . . . . 192
5.4.5. Diagrama de localización de raíces . . . . . . . . . . . . . . . . . . . . . . . 194
5.5. Análisis de la respuesta en frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . 195
5.5.1. Diagramas de Bode . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
5.5.2. Diagrama de Nyquist . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
5.5.3. Criterios de estabilidad de Nyquist y Bode . . . . . . . . . . . . . . . . . . 201
5.5.4. Incertidumbre y robustez: margen de fase y margen de ganancia . . . . . . 202
5.5.5. Análisis de frecuencia con Matlab . . . . . . . . . . . . . . . . . . . . . . . 204
6. Control Moderno de Procesos 210

6.1. Técnicas estado-espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
6.2. Modelos estado-espacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
6.3. Controlabilidad y observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
6.3.1. Controlabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
6.3.2. Observabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
6.3.3. Controlabilidad y observabilidad con Matlab . . . . . . . . . . . . . . . . . 214
6.3.4. Controlabilidad de un sistema de tanques agitados en serie . . . . . . . . . 215
6.3.5. Observabilidad de un sistema de tanques agitados en serie . . . . . . . . . 218
6.4. Formas canónicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
6
6.4.1. Forma canónica controlable . . . . . . . . . . . . . . . . . . . . . . . . . . 220
6.4.2. Forma canónica observable . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
6.5. Retroalimentado de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 221
6.6. Ubicación de polos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
6.6.1. Inspección directa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
6.6.2. Formula de Ackermann . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 224
6.6.3. Colocación de polos de un CSTR . . . . . . . . . . . . . . . . . . . . . . . 225
6.6.4. Colocación de polos con Matlab . . . . . . . . . . . . . . . . . . . . . . . . 227
6.7. Observadores de estados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
7. Epílogo 231
Bibliografía 233
A. Introducción a Matlab3 239
B. Introducción a Simulink4 246
C. Proyecto de Simulación y Control de Procesos 251
3 c Matlab es una marca registrada de The MathWorks, Inc. (ww.mathworks.com/trademarks)

°
4 c Simulink es una marca registrada de The MathWorks, Inc. (ww.mathworks.com/trademarks)
°
7
Índice de figuras
1-1. Elementos básicos de un diagrama de bloques. . . . . . . . . . . . . . . . . . . . . 21

1-2. Operaciones con diagramas de bloques. . . . . . . . . . . . . . . . . . . . . . . . . 23
1-3. Configuraciones básicas de control: (a) retroalimentada, y (b) antealimentada. . . 25
1-4. Diagrama de flujo del diseño de un sistema de control. . . . . . . . . . . . . . . . 42
2-1. Sistema de tanques agitados en serie. . . . . . . . . . . . . . . . . . . . . . . . . . 58

2-2. Reactor lote biológico de tanque agitado. . . . . . . . . . . . . . . . . . . . . . . . 59
2-3. Reactor semi-lote biológico de tanque agitado. . . . . . . . . . . . . . . . . . . . . 61
2-4. Reactor continúo de tanque agitado no-isotérmico. . . . . . . . . . . . . . . . . . . 62
2-5. Reactores continuos de tanque agitado en serie. . . . . . . . . . . . . . . . . . . . 64
2-6. Intercambiador de calor en paralelo. . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2-7. Reactor tubular biológico de flujo tapón. . . . . . . . . . . . . . . . . . . . . . . . 68
2-8. Reactor tubular de cama empacada. . . . . . . . . . . . . . . . . . . . . . . . . . . 70
2-9. Columna de destilación continúa ideal. . . . . . . . . . . . . . . . . . . . . . . . . 72
3-1. Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

3-2. Método de Euler . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
3-3. Simulación dinámica del modelo de Lotka-Volterra. . . . . . . . . . . . . . . . . . 92
3-4. Simulación dinámica de un reactor con dispersión axial. Perfiles espacio-temporales. 96
3-5. Simulación dinámica de un reactor con dispersión axial. . . . . . . . . . . . . . . . 101
3-6. Simulación dinámica de un reactor lote biológico. . . . . . . . . . . . . . . . . . . 102
3-7. Simulación dinámica de un CSTR no-isotérmico. . . . . . . . . . . . . . . . . . . . 104
3-8. Simulación dinámica de un reactor tubular biológico de flujo tapón. . . . . . . . . 107
3-9. Simulación dinámica de una columna de destilación continua ideal. . . . . . . . . . 107
8
4-1. Estabilidad e inestabilidad de un punto de equilibrio. . . . . . . . . . . . . . . . . 113
4-2. Estabilidad asintótica, local y global. . . . . . . . . . . . . . . . . . . . . . . . . . 124
4-3. Comportamiento dinámico de sistemas de segundo orden en el plano de fase. . . . 131
4-4. Diagrama de Van Herdeen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4-5. Plano de fase del CSTR. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
4-6. Diagrama de bifurcación del CSTR. . . . . . . . . . . . . . . . . . . . . . . . . . . 137
4-7. Oscilaciones periódicas en un CSTR con reacción autocatalítica. . . . . . . . . . . 139
4-8. Oscilaciones caóticas en un CSTR con reacción autocatalítica. . . . . . . . . . . . 140
4-9. Patrón espacio-temporal en un reactor tubular con dispersión axial. . . . . . . . . 142
4-10. Respuesta de un sistema de primer orden. . . . . . . . . . . . . . . . . . . . . . . 153
4-11. Respuesta de un sistema de segundo orden. . . . . . . . . . . . . . . . . . . . . . . 155
4-12. Parámetros de un modelo de segundo orden sub-amortiguado. . . . . . . . . . . . 156
4-13. Respuesta de un sistema de orden  . . . . . . . . . . . . . . . . . . . . . . . . . 157
4-14. Ajuste de un modelo de primer orden. . . . . . . . . . . . . . . . . . . . . . . . . . 159
4-15. Ajuste de un modelo de segundo orden sub-amortiguado. . . . . . . . . . . . . . . 161
4-16. Identificación empirica de una columna de destilación. . . . . . . . . . . . . . . . . 163
4-17. Identificación empírica de un reactor tubular biológico. . . . . . . . . . . . . . . . 166
4-18. Simulación a un cambio escalón con Matlab. . . . . . . . . . . . . . . . . . . . . . 166
5-1. Selección de elementos de una configuración retroalimentada de Simulink. . . . . . 177

5-2. Conexión de elementos de una configuración retroalimentada en Simulink. . . . . . 178
5-3. Asignación de parámetros de módulos en Simulink. . . . . . . . . . . . . . . . . . 180
5-4. Control Proporcional en un CSTR. . . . . . . . . . . . . . . . . . . . . . . . . . . 181
5-5. Control Proporcional-Integral en un CSTR. . . . . . . . . . . . . . . . . . . . . . 183
5-6. Diagrama de flujo de una perturbación escalón en Simulink. . . . . . . . . . . . . 184
5-7. Parámetros de sintonizado del método de Ziegler-Nichols para una función de trans-
ferencia de segundo orden. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
5-8. Diagrama de flujo de un controlador PID en Simulink. . . . . . . . . . . . . . . . 186
5-9. Desempeño del control PID para un sistema de segundo orden. . . . . . . . . . . . 186
5-10. Diagramas de bloques de un esquema de control retroalimentado: (a) Completo.
(b) Simplificado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
9
5-11. Estabilidad en el plano imaginario. . . . . . . . . . . . . . . . . . . . . . . . . . . 191
5-12. Diagrama de localización de raíces de un CSTR. . . . . . . . . . . . . . . . . . . . 196
5-13. Diagrama de Bode de una función de transferencia de segundo orden. . . . . . . . 200
5-14. Diagrama de Nyquist de una función de transferencia de segundo orden. . . . . . . 200
5-15. Diagrama de Nyquist para un CSTR a lazo cerrado con  = 20 . . . . . . . . . 205
5-16. Diagrama de Nyquist para un CSTR a lazo cerrado con  = 225 . . . . . . . . 206
5-17. Diagrama de Nyquist para un CSTR a lazo cerrado con  = 30 . . . . . . . . . 206
5-18. Margen de ganancia y margen de fase con Matlab. . . . . . . . . . . . . . . . . . . 207
5-19. Diagrama de Nyquist de un sistema a lazo cerrado marginalmente estable. . . . . 207
6-1. Controlabilidad de dos tanques agitados en serie. . . . . . . . . . . . . . . . . . . 216
A-1. Pantalla inicial de Matlab. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
B-1. Pantalla inicial de Simulink. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

B-2. Ventana de contrucción de un modelo en Simulink. . . . . . . . . . . . . . . . . . 248
10
Lista de Acrónimos
CSTR..............Reactor Continuo de Tanque Agitado5

MIMO............Múltiples Entradas Múltiples Salidas
ODE...............Ecuación Diferencial Ordinaria
PDE................Ecuación Diferencial Parcial
PFTR..............Reactor Tubular de Flujo Tapón
PID.................Proporcional-Integral-Derivativo
PLC................Controlador Lógico Programable
SISO...............Una Entrada Una Salida
5
Debido a su aceptación universal los acrónimos se derivan de sus siglas en ingles.
11
Prefacio
Estas notas tienen la finalidad de apoyar el curso de Simulación y Control de Procesos de

Ingeniería Química de la Universidad Autónoma Metropolitana Azcapotzalco, el cual tiene las
siguientes características:
1. Los cursos en la UAM se imparten en forma trimestral, que se componen de 12 semanas

de clases y exámenes. El periodo trimestral no permite cubrir el material que contienen
los textos de control que se usan en forma estándar en cursos semestrales de estudios de
ingeniería o bien abordar los temas con la profundidad que se desarrolla en ellos.
2. Los objetivos académicos del curso son: (i) introducir conceptos de simulación y control de
procesos, (ii) formular y simular numéricamente modelos matemáticos dinámicos de proce-
sos, (iii) introducir herramientas de análisis dinámico y (iv) diseñar, analizar e implementar
a nivel numérico controladores con técnicas de control clásico y moderno.
3. Integra los conocimientos de diferentes unidades de enseñanza aprendizaje (UEA), tales

como, matemáticas aplicadas a la ingeniería química, métodos numéricos, procesos de sepa-
ración, reactores, entre otros.
La finalidad de estas notas es cubrir los objetivos académicos del curso de simulación y control
de procesos con la profundidad necesaria para cumplir el periodo trimestral del curso. En estas
notas se incluyen herramientas de cómputo del software Matlab, con el toolbox de Simulink. Por
un lado, el uso de paquetes de software libre y comercial, así como la generalización del uso de
equipos de cómputo en cursos de licenciatura, permite a los estudiantes simplificar algunos cálculos
que se hacían en años recientes en forma manual o gráfica. Por otro lado, el uso de software
con herramientas de control de procesos, permiten asimilar y afianzar en forma más rápida los
conceptos y metodologías que se imparten en el curso de simulación y control de procesos.
12
En estas notas se ha tratado de minimizar los desarrollos matemáticos largos y las pruebas
formales de algunos conceptos de control que se presentan, sin embargo, al ser un curso que se
apoya fuertemente en el uso de modelos matemáticos, análisis dinámico y métodos de simulación,
existe un nivel de matemático mínimo que los estudiantes deben de conocer y manejar en forma
adecuada. La teoría de control se ha desarrollado por ingenieros químicos, mecánicos y eléctricos y
los principios de control siempre se expresan en forma matemática y son potencialmente aplicables
a cualquier situación concreta. Así, los conceptos y métodos de simulación y control de procesos
que se abordan en estas notas se aplican si el proceso es químico, biológico, eléctrico o mecánico. Es
importante enfatizar que el éxito en la aplicación de los principios de control automático depende
en gran medida del conocimiento básico que se tenga en el campo de aplicación potencial, ya sea
de ingeniería, física, medicina, economía, ciencias sociales, etc.
El contenido que aquí se incluye se ha proporcionado durante al menos 1 año en el curso de
simulación y control de procesos de la UAM-A, a lo largo del cual se ha mejorado con la retroali-
mentación y respuesta de los estudiantes. En el primer Capítulo se presenta un panorama general
al control de procesos y algunas aplicaciones seleccionadas. En el Capítulo 2 se presentan nociones
de modelado matemático dinámico de procesos y se ilustran con ejemplos clásicos de ingeniería
química. En el Capítulo 3 se presentan herramientas de simulación y control de procesos, haciendo
énfasis en el uso de Matlab. En el Capítulo 4 se presentan conceptos y herramientas de análisis de
sistemas lineales y no-lineales. En el Capítulo 5 se presenta el diseño, implementación numérica y
análisis del control PID. En el Capítulo 6 se presentan nociones de técnicas de control moderno.
En el Capítulo 7 se presentan comentarios finales sobre el contenido que se cubre en estas notas.
Después del Capítulo 7 se presentan las referencias que se usan a lo largo del texto, las cuales
en general no se citan dentro del texto principal por claridad en la presentación, así como otras
referencias que el autor considera de especial interés para profundizar en conceptos y herramientas
de simulación y control de procesos. Al final de cada capítulo se proporcionan además referencias
a textos básicos que se recomiendan para que el lector complemente la información que se pro-
porciona. En la sección de apéndices se presenta una breve introducción a Matlab y Simulink. El
objetivo del autor es que el material que se proporciona sea auto-contenido, interesante, entendible
y útil.
13
Contacto y Agradecimientos
Estas notas se prepararon por el profesor Héctor Puebla del Departamento de Energía de
la UAM-A. Los comentarios y preguntas sobre este documento se pueden dirigir a la dirección
electrónica hpuebla@correo.azc.uam.mx. Actualizaciones y material relacionado a las notas que se
presentan se pueden consultar en la página:
 : _
El autor agradece a la UAM la oportunidad de publicar estas notas y contribuir a la actua—

lización y mejora de la docencia en el tema de Simulación y Control de Procesos en la UAM-A.
El autor desea expresar su agradecimiento al profesor José Álvarez Ramírez por la formación
proporcionada en los estudios de posgrado y la introducción a una gran diversidad de aplicaciones
de control, al profesor Jesús Álvarez Calderón por la introducción al área del control de procesos y
a los profesores Roberto Leyva Ramos, Edgar Moctezuma y Pedro Alonso Dávila de la UASLP por
su apoyo durante las etapas iniciales de formación en estudios especializados. El autor agradece a
los revisores de la primera versión de este texto sus comentarios, los cuales ayudaron a mejorarlo
substancialmente. Por supuesto, la responsabilidad de cualquier error final es del autor. El autor
agradece a los alumnos del curso de Simulación y Control de Procesos, así como a estudiantes de
proyecto terminal, que con su respuesta y comentarios, han permitido mejorar el contenido que
aquí se presenta. Finalmente, el autor agradece a Laura Ballesteros por su comprensión y apoyo
durante la redacción de estas notas.
Héctor Puebla nació en San Luis Potosí, México en 1974. Recibió el grado de Ingeniero
Químico de la Universidad Autónoma de San Luis Potosí, el grado de Maestro en Ingeniería
Química y de Doctor en Ciencias en la Universidad Autónoma Metropolitana en 1997, 1999 y
2002 respectivamente. Su trabajo de investigación ha derivado en la publicación de alrededor
14
de 50 artículos y congresos internacionales arbitrados (Physics Letters A, Industrial Engineering
Chemistry Reserach, Chemical Engineering Science, Systems and Control Letters, IEEE Tran.
Circuits and Systems, IFAC e IEEE Conferences, etc.). El Dr. Puebla es revisor regular de revistas
internacionales (Chemical Engineering Journal, Physics Letters, Bulletin of Mathematical Biology,
etc.) y de tesis de posgrado (UAM, UNAM, IPN, etc.). Sus intereses de investigación incluyen
aplicaciones de control, análisis y control de sistemas biológicos y aplicaciones en ingeniería del
caos. De Septiembre del 2002 a Junio del 2006 el Dr. Puebla se desempeñó como investigador
científico en el Programa de Investigación en Matemáticas Aplicadas y Computación del Instituto
Mexicano del Petróleo. Desde Junio del 2006 el Dr. Puebla se encuentra laborando como profesor-
investigador en el Departamento de Energía de la Universidad Autónoma Metropolitana unidad
Azcapotzalco. Desde el 2004 pertenece al Sistema Nacional de Investigadores y desde el 2005 es
miembro regular del European Society for Mathematical and Theoretical Biology.
15
Capítulo 1
Introducción
La mayoría de procesos industriales se conciben y diseñan para operar en condiciones de estado

estacionario con la finalidad de cumplir con parámetros de producción que están determinados
por factores de demanda del mercado y costo-beneficio del proceso. Sin embargo, es bien conocido
que en la práctica los procesos industriales no operan en estado estacionario. Algunas razones de
ello son:
Arranque del proceso: Durante el inicio de las operaciones de un proceso es necesario llevar
las unidades del proceso desde una condición inicial determinada a la condición de operación
deseable dictada por los cálculos del diseño de equipos para la producción deseada.
Operación del proceso en presencia de perturbaciones: La operación de diseño en estado

estacionario de un proceso es afectada por cambios en las condiciones ambientales, cambios
en flujos de alimentación y parámetros del proceso que varían con el tiempo e inciertos, los
cuales conduce a desviaciones respecto a las condiciones de operación de diseño.
Cambios en la demanda del producto: La variación de precios y disponibilidad de materia

prima, así como cambios en la demanda del producto conducen a modificaciones de la pro-
ducción de un proceso. El cambio de producción del proceso es una operación transitoria o
dinámica.
Paro del proceso: En muchos procesos industriales se llevan a cabo uno o dos paros del
proceso anualmente, ya sea por mantenimiento del proceso o por el descenso o aumento
16
temporal de la producción de los productos que ofrecen. El paro de un proceso es una
operación dinámica.
Los procesos industriales también presentan problemas complicados, por ejemplo:
Comportamiento dinámico no lineal. La operación de muchos procesos industriales presen-

ta comportamientos dinámicos complejos, tales como el efecto gel en reactores de polime-
rización, multiplicidad de puntos de operación en unidades de desintegración catalítica, pun-
tos calientes y sensibilidad paramétrica en reactores tubulares, etc.
Interacciones complejas entre variables del proceso. El ejemplo más simple de interacción
entre variables es la relación entre la temperatura y la concentración en reactores químicos
no-isotérmicos. Otras interacciones entre variables de un proceso se deben a reacciones auto
catalíticas y sistemas con reciclo de masa y energía.
Variables no medibles. La medición de las variables clave de un proceso puede ser un proble-
ma complicado. En muchas situaciones no es práctico o posible medir directamente variables
del proceso tales como concentraciones, parámetros mecánicos, etc.
Restricciones sobre variables del proceso. Las restricciones sobre variables del proceso están
determinadas principalmente por limitaciones físicas y mecánicas del proceso y factores de
seguridad. Las limitaciones físicas se deben a valores máximos y mínimos que pueden tomar
algunas variables del proceso, tales como concentraciones y flujos negativos. Las limitaciones
mecánicas se deben a la capacidad de equipos mecánicos de implementar en forma rápida
parámetros muy altos o bajos, tales como flujos elevados, temperaturas muy bajas, etc.
Finalmente, debido a que tanto el factor humano como el capital invertido en un proceso son
de máxima prioridad, en muchos casos es necesario imponer valores máximos permisibles
de operación en un proceso, tales como valores límites en temperaturas, concentraciones,
presiones, etc.
La tarea de un ingeniero en el campo de control de procesos (denominado de aquí en adelante

como ingeniero de control) es entender el proceso, diseñar e implementar sistemas de control
automático para tener una operación segura y eficiente del proceso, a pesar de los problemas
17
arriba mencionados. En términos muy generales, el controlar un proceso significa influenciar su
comportamiento de modo que se obtenga una meta deseada.
El control de procesos está presente en una gran variedad de ámbitos, por ejemplo, procesos in-
dustriales, procesos de transporte, procesos de generación y transmisión de energía, mecatrónica,
electrónica, medicina, economía, entre otros. El control de procesos en el ámbito industrial in-
volucra el control de variables tales como temperatura, presión, flujo, etc. Desde una perspectiva
de planeación y administración, involucra maximizar beneficios de operación, garantizar calidad
de producto, incrementar seguridad, reducir el impacto al ambiente y mejorar condiciones de
operación.
El control de procesos es fundamental para lograr:
1. Productos de mayor calidad.
2. Minimización de desperdicios.
3. Protección del medio ambiente.
4. Mayor rendimiento de la capacidad instalada.
5. Mayores márgenes de seguridad.
1.1. Terminología del control de procesos

La simulación y el control de procesos involucran el manejo de algunos términos y conceptos
que son convenientes presentar:
Señales: Una señal es una función del tiempo, que se define típicamente para tiempos mayores
o iguales a cero.
Sistema: Un sistema es un proceso físico en el cual señales de entrada se convierten a señales

de salida. También puede entenderse por sistema el conjunto de elementos interconectados
que desempeñan una tarea.
Sistema lineal: Un sistema que cumple el principio de superposición.
18
Sistema no lineal: Un sistema que contiene elementos no lineales y no satisface el principio
de superposición.
Estado estacionario: Son las condiciones de operación en las cuales no existe cambio respecto
al tiempo. Matemáticamente este corresponde a tener todas las derivadas del tiempo igual
a cero.
Estado transitorio o dinámico: El comportamiento dinámico de un sistema describe como

este cambia su respuesta a cambios en su ambiente.
Modelo: Un modelo es una descripción matemática de la realidad. Un modelo matemático

se refiere a cualquier conjunto de ecuaciones matemáticas que bajo ciertas condiciones y
para un cierto propósito proporciona una descripción adecuada de un sistema físico real. En
ingeniería de control se trata generalmente con modelos de sistemas mecánicos, eléctricos,
químicos, electrónicos, etc.
Modelo estacionario: Un modelo estacionario es un modelo que no depende del tiempo.
Modelo dinámico: Un modelo dinámico es un modelo que describe la evolución a través del
tiempo.
Perturbaciones: Son variables que fluctúan y causan que las variables de un proceso se
muevan del valor de operación deseado.
Variable manipulada o entrada de control: Una variable que se puede elegir de manera que
induzca al sistema a un comportamiento deseado.
Variable controlada: Es la variable que debe ser mantenida, o controlada, en algún valor
deseado.
Punto de referencia (set point): El valor de operación deseado.
Controlador: Es el dispositivo que recibe la información de la variable controlada y el punto

de referencia y aplica el algoritmo que determina la entrada de control a ser implementada
en el proceso.
19
Control retroalimentado: El control utiliza la medición directa de la variable (o variables) a
controlar para ajustar el valor (o valores) de la variable manipulada. Así, la información de
la variable controlada se retroalimenta a la variable manipulada.
Elemento final de control o actuador: Es un dispositivo que implementa las decisiones

tomadas por el controlador. En procesos químicos el actuador frecuentemente se trata de
una válvula de control. Otros elementos finales de control comúnmente utilizados son las
bombas de velocidad variable, los transportadores y los motores eléctricos.
Sensor: Es un dispositivo donde se produce un fenómeno mecánico, eléctrico o similar, el

cual se relaciona con la variable de proceso que se mide.
Transmisor: Comunica la salida del sensor al controlador. El sensor se conecta al transmisor,

el cual capta la salida del sensor y la convierte en una señal para transmitirla al controlador.
Planta: Es conveniente referirse al sistema que se compone por el proceso y el actuador como
la planta.
Robustez: Un comportamiento se dice que es robusto si este no se ve afectado por variaciones

externas o de parámetros internos de un proceso.
Lazo cerrado: El sistema controlado opera con control retroalimentado.
Lazo abierto: El sistema controlado no tiene conexión entre la salida del sistema y su entrada.
1.2. Diagramas de bloques

En ingeniería de control es útil la representación en términos de diagramas de bloques ya que
permiten mostrar en forma gráfica las interacciones de un proceso así como la función y estructura
de un controlador. Los elementos básicos de un diagrama de bloques son:
Líneas con flecha: Indican señales o flujo de información. La flecha indica la dirección de la
señal o el flujo de información.
Bloques: Cada bloque denota un sistema que en general se describe con un modelo matemá—
tico.
20
Sistema
Señal con dirección directa
Señal con dirección inversa

Función de saturación
Escalamiento de señal
Función rampa
Comparación de señales
Figura 1-1: Elementos básicos de un diagrama de bloques.
Símbolos especiales: Comparadores de señales (sumatoria / resta), escalamiento, integración,

restricciones o saturaciones, escalones, pulsos, rampas, etc.
La Figura (1-1) muestra los elementos básicos de un diagrama de bloques.

Algunas propiedades de los diagramas de bloques, cuando los bloques representan sistemas
lineales, se muestran en la Figura (1-2). Se tienen los siguientes casos:
2-a Un sistema  con entrada  y salida  La entrada se procesa en el sistema  y genera una
señal de salida . La señal de salida se puede expresar como  =  ∗  = 
2-b Dos sistemas, 1 y 2 , colocados en serie o cascada. En el sistema 1 entra la señal 1 y en

el de bloque 2 entra la salida del bloque 1  La salida del bloque 2 se puede expresar
como 2 = 2 ∗  = 2 ∗ 1 ∗ 1 = 2 1 1 
2-c Dos sistemas, 1 y 2 , colocados en paralelo. La señal  entra en cada uno de los sistemas,
a su vez, la salida de los dos sistemas converge a un punto de sumatoria el cual genera la
salida . En este caso  = 1  + 2 .
2-d Dos sistemas, 1 y 2 colocados en un arreglo retroalimentado. En el sistema 1 entra la

señal  la cual es la salida del sistema 2  La salida del sistema 1 se compara en forma
negativa con la señal  en un punto de sumatoria, el cual genera la entrada al sistema 2 .
La señal  = 2 ( − 1 ) en este caso se conoce como señal retroalimentada, debido a que
21
se retroalimenta a la entrada del proceso e influye en el procesamiento subsiguiente que la
produce.
1.3. Elementos y configuraciones básicas de un sistema de

control
Los elementos básicos en un sistema de control son cinco:
1. Sensor/transmisor: La medición de la variable que se controla se hace generalmente mediante

la combinación de sensor y transmisor.
2. Actuador: Los actuadores se usan para manipular alguna variable de entrada que afecte la
variable controlada.
3. Punto de referencia: El punto de referencia establece valores de operación deseados.
4. Perturbaciones: Las perturbaciones afectan el comportamiento y el punto de operación del

sistema.
5. Controlador: La función del controlador es, dada una medición y un punto de referencia,
aplicar una señal de salida del controlador adecuada, que logre que el desempeño deseado
del sistema se cumpla a pesar de perturbaciones en el sistema.
Existen dos configuraciones básicas que se usan en el diseño de esquemas de control: anteali-
mentada y retroalimentada.
1.3.1. Configuración retroalimentada
En la configuración retroalimentada una salida del proceso determina la acción de un contro-

lador para corregir el comportamiento del proceso.
Los pasos para construir una configuración retroalimentada son:
Medir la variable a controlar,
calcular la desviación o diferencia respecto a un valor deseado y
22
u y (a)
G
(b)
y1 u y2
G1 G2
(c)
G1
+ y
u
+
G2
y (d)
u +
G2
-
G1
Figura 1-2: Operaciones con diagramas de bloques.
23
ajustar la entrada de control para mantener la variable controlada en el valor deseado.
Las ventajas principales de esta configuración son:
Simplicidad,
amplio uso en procesos industriales,
usa las mediciones disponibles para el cálculo de la acción de control y
tiene buenas propiedades de rechazo de perturbaciones no medibles.
La principal desventaja es que las perturbaciones se corrigen hasta que se detectan a la salida
del proceso. La Figura (1-3-a) muestra una configuración retroalimentada básica.
1.3.2. Configuración antealimentada
En el control antealimentado la idea básica es medir posibles perturbaciones directamente e

implementar una acción de control para eliminar su impacto sobre la salida del proceso.
Los pasos para construir una configuración antealimentada son:
Contar con un modelo de perturbaciones,
medir las perturbaciones y
ajustar la entrada de control con base a la medición y el modelo de perturbaciones.
Las ventajas principales de esta configuración son:
Excelentes propiedades de rechazo de las perturbaciones medibles y
los cambios de la entrada de control se efectúan antes de que las perturbaciones afecten la
señal de salida.
Dos fuertes desventajas son el requerimiento de modelos de perturbaciones, los cuales general-
mente no están disponibles y que este tipo de configuración no tiene capacidad de posicionamiento
y seguimiento de la variable controlada. La Figura (1-3-b) muestra la configuración antealimentada
básica.
24
G5
perturbación
(a)
yref G1 G2 G3
u y
(+) controlador actuador proceso

(-)
G4
sensor
G5
perturbación
G4 (b)
sensor
yref (-)
G1 G2 G3
u y
(+) controlador actuador proceso
Figura 1-3: Configuraciones básicas de control: (a) retroalimentada, y (b) antealimentada.
25
En la práctica, es común que se combinen las dos configuraciones para el control de un proceso.
La combinación de ambas configuraciones proporciona las ventajas de las dos configuraciones con
la principal desventaja de que se requiere el diseño y operación de dos controladores.
1.4. Metodología del diseño de control

La meta de la ingeniería de control es modificar el desempeño de un sistema por la adición de
sensores, procesadores de control y actuadores. En general, el diseño de un sistema de control se
puede formular como sigue:
1. Definir el objetivo de control y especificar el comportamiento deseado.
2. Seleccionar los actuadores y sensores.
3. Modelar, analizar y simular el comportamiento del proceso real a controlar por un conjunto
de ecuaciones diferenciales.
4. Diseñar el controlador o ley de control para el sistema.
5. Implementar a través de simulación numérica y analizar el esquema de control resultante.
6. Implementar físicamente el esquema de control.
1.4.1. Objetivos y especificaciones de desempeño
Objetivos de control
Antes de seleccionar sensores, actuadores, o configuraciones de control, es importante conocer

los objetivos de control.
Desde un punto de vista de negocios o administrativo, los objetivos de control incluyen:
Maximización de rendimiento, velocidad, seguridad, etc.
Minimización de consumo de energía, producción de desechos, emisiones, etc.
Reducción del impacto de perturbaciones, ruido de medición, incertidumbres, etc.
Desde un punto de vista de ingeniería de proceso los objetivos de control pueden ser:
26
1. Regulación: Se entiende como llevar un estado del sistema controlado a algún punto de
operación o equilibrio deseado. Para un proceso que se encuentra operando en estado esta-
cionario la regulación implica que las perturbaciones o ruidos que actúan sobre el sistema
deben tener poco efecto sobre la variable regulada.
2. Posicionamiento o servo-mecanismo: El sistema de control se diseña para cambiar el valor

de una salida de acuerdo a una señal de referencia dada y además, se requiere que actúe
como un sistema con regulación.
3. Seguimiento: Se refiere a llevar un estado del sistema controlado a una trayectoria deseada.
Esto es, algunas variables en el sistema deben de responder en forma particular a señales de
referencia que dependen del tiempo.
4. Sincronización: La sincronización se entiende como la coincidencia de las variables de dos o

más sistemas. La sincronización es particularmente útil en la operación de sistemas mecánicos
y biológicos.
Especificaciones de desempeño
Uno de los principales problemas del diseño de un sistema de control es cumplir con ciertos
parámetros de desempeño con el sistema a lazo cerrado. Por un lado, si el sistema con control
reacciona con demasiado impulso pueden surgir problemas de sobre-disparos en las variables con-
troladas y en la entrada de control que se aplica, lo cual puede ser muy riesgoso. Por otro lado, si
el sistema a lazo cerrado muestra una reacción baja la variable controlada puede tardar mucho en
llegar a la referencia deseada, lo cual puede causar problemas de eficiencia en la productividad.
Aun más, es posible que con un esquema de control retroalimentado mal aplicado se produzcan
inestabilidades en un sistema que a lazo abierto era estable, surjan oscilaciones en una respues-
ta previamente monótona, o bien se genere una alta sensibilidad a ruido de medición. Así, una
tarea principal de un ingeniero de control es diseñar un sistema de control que cumpla ciertas
especificaciones de desempeño a lazo cerrado.
Las especificaciones de desempeño describen cómo debe comportarse el sistema con control
o a lazo cerrado, por ejemplo: atenuación de perturbaciones, tiempo de regulación, restricciones
en valores máximos y mínimos de la variable controlada, comportamiento transitorio, etc. En
27
secciones posteriores se revisarán especificaciones de desempeño en un contexto formal usando la
respuesta de un sistema en el dominio del tiempo y con herramientas de análisis en frecuencia.
1.4.2. Sensores y actuadores
Sensores
El ingeniero de control debe decidir cuáles señales en el sistema serán medidas y con qué sensor.
En un proceso industrial, por ejemplo el ingeniero de control debe decidir cuáles son las variables
críticas a medir. Además de elegir el tipo de transductor y el hardware para la adquisición de datos,
etc. Las señales que se miden comúnmente en procesos industriales son temperaturas, presiones,
flujos, niveles, velocidad, peso y posición.
Las propiedades deseables de los sensores son:
Confiabilidad.
Exactitud.
Sensibilidad.
Inmunidad a ruido.
No intrusividad.
Los sensores más comunes se usan para determinar estados de movimiento (posición, velocidad,
aceleración y tensión mecánica), de temperatura (temperatura y flujo de calor), de movimiento
de fluido (presión, flujo y nivel) y estados electromagnéticos (voltaje, corriente, carga, luz, flujo
magnético). En gran medida, el desempeño final de un sistema de control está determinado por la
calidad de los elementos de medición que se seleccionen. A continuación se describen los elementos
de medición más comunes en procesos químicos, recordando que la medición de la variable de
interés para fines de control se hace generalmente mediante la combinación de sensor y transmisor.
Medición de temperatura El dispositivo de medición de temperatura más simple y común

es el termómetro de mercurio. En la industria, las mediciones de temperatura se hacen por tres
métodos. El primero de estos es el termopar, donde dos metales distintos se unen en un punto
28
donde la temperatura se mide y están enlazados a un voltímetro en alguna posición remota. La
segunda forma de termómetro utiliza la variación de la resistencia con la temperatura. El tercer
tipo de termómetro se denomina pirómetro y mide la radiación emitida de una superficie caliente.
Medición de presión El dispositivo de medición de presión más común es el transductor de

presión diferencial, el cual genera una señal proporcional a la diferencia de presión entre dos
puertos. Dos variaciones de esta idea son el indicador de presión atmosférico y el medidor de
diafragma. El primero mide la presión con respecto a la atmósfera. El medidor de presión de
diafragma determina la presión al observar la deflexión de un diafragma o a través de la medición
de la fuerza necesaria de un solenoide eléctrico para mantener el diafragma en su posición original.
Medición de flujo Existen varios tipos de flujo. El flujo másico se refiere a la masa de fluido
que pasa en un punto dado por unidad de tiempo (e.g. kg/min). El flujo volumétrico se refiere al
volumen de fluido por unidad de tiempo(e.g. l/seg). En el caso de los gases compresibles, el flujo
volumétrico se referencia a ciertas condiciones de temperatura y presión. Otro tipo de flujo es la
velocidad de flujo, la cual se define como la velocidad de un fluido (e.g. m/seg). El método más
común de medición de flujo genera una caída de presión al pasar a través de una restricción en
una tubería. Cuando existe un gran volumen de flujo se utiliza un medidor de flujo de turbina. La
rotación de las hojas de la turbina se miden por un detector de posición para producir una señal
que es proporcional al flujo. El medidor de flujo de vórtice genera una señal lineal proporcional al
flujo y mide el flujo al detectar pequeños vórtices que se generan aguas abajo de una obstrucción
de un blafe en la trayectoria de flujo. Otro método para medir flujo usa una emisión ultrasónica
para medir el flujo, donde un cambio de frecuencia que se genera por un desplazamiento Doppler
(cambio de la frecuencia con la velocidad) se correlaciona con la medida del flujo. Este método
tiene la ventaja de que no presenta intrusión en la tubería.
Medición de velocidad La forma más común para medir la velocidad es un tacómetro de co-
rriente directa (DC), el cual es simplemente un generador DC con un voltaje de salida proporcional
a la velocidad de rotación.
Medición de peso Existen dos métodos básicos para calcular el peso de un objeto: peso por
tensión y el pesado por balance de fuerzas. En el primero, el objeto a ser pesado distorsiona una
29
estructura de soporte y esta distorsión se mide para dar una indicación del peso. En el segundo
tipo, el peso del objeto se balancea por alguna fuerza (eléctrica, neumática o hidráulica) que se
mide.
Medición de nivel El método más simple usa el hecho de que la indicación de presión de un
líquido es directamente proporcional a la cabeza de líquido encima de el. Otros métodos usan
flotadores (cuya posición se puede medir) y técnicas que usan fuentes radiactivas de bajo nivel.
Actuadores
Una vez ubicados los sensores para informar el estado de un proceso, el siguiente paso es
determinar la forma de actuar sobre el sistema para hacerlo ir del estado actual al estado deseado.
Es el ingeniero de proceso quien al decidir las variables a controlar debe seleccionar el tipo y la
colocación de los actuadores. La selección del elemento final de control se apoya principalmente
en manuales técnicos y especializados que el lector puede consultar con los proveedores de este
tipo de dispositivos y su discusión está fuera de los objetivos de este texto.
Algunas propiedades deseables de los actuadores son:
Potencia.
Velocidad de respuesta.
Precisión de respuesta.
Costos.
Los actuadores se pueden operar en forma electro-mecánica, neumática (los cuales se controlan
por aire a presión), o hidráulicos (los cuales se controlan por la presión de un líquido como aceite
o agua). Los actuadores más comunes en la industria son motores, válvulas, bombas, compresores
y resistencias.
Motores Un motor es una máquina capaz de transformar la energía almacenada en combustibles,

baterías u otras fuentes en energía mecánica capaz de realizar un trabajo. Se pueden clasificar en
motores térmicos (el trabajo se obtiene a partir de algunas diferencias de temperatura), eléctricos
(el trabajo se obtiene a partir de una corriente eléctrica) y motores de combustión interna (el
30
trabajo se obtiene de combustibles). A nivel industrial los tipos de motores más usados son de
inducción, continuos, sin escobetilla y paso a paso.
Válvulas Una válvula es un dispositivo que regula el flujo de líquidos, gases o sólidos al abrir,
cerrar completa o parcialmente el paso del fluido. Las válvulas se pueden operar en forma neumáti-
ca, por medio de motores, electro-neumáticamente, etc. Las válvulas de control más comunes son
las que se operan en forma neumática. Las válvulas más conocidas son la válvula de bola, válvula
check o de no retorno (que permite que el fluido pase en una sola dirección), válvula de mari-
posa (común cuando existen tuberías de gran diámetro y con un elevado flujo), válvula solenoide,
válvula de diafragma (que se usa principalmente en la industria farmacéutica), válvula de choque
(la cual controla el flujo a cierto coeficiente de flujo determinado por la apertura de la válvula),
válvula de globo, válvula de alivio (para liberar excesos de presión) y la válvula de reducción de
presión.
Bombas Una bomba es un dispositivo hidráulico que transforma la energía (generalmente

mecánica) en energía hidráulica de fluidos incompresible que se mueven. Al incrementar la energía
del fluido, se incrementa su presión, su velocidad o su altura. Las bombas se pueden clasificar
como bombas de desplazamiento positivo, en las que el principio de funcionamiento está basado
en la hidrostática y bombas roto-dinámicas, en las que el principio de funcionamiento está basado
en la hidrodinámica.
Compresores Un compresor es un dispositivo que tiene la función de aumentar la presión y

desplazar fluidos compresibles. El trabajo ejercido por el compresor se transfiere al fluido compre-
sible convirtiéndose en energía de flujo, aumentando su presión y energía cinética haciendo que
fluya.
Resistencias para calefacción La resistencia es un componente electrónico diseñado para

introducir una resistencia eléctrica determinada entre dos puntos de un circuito. Las resistencias
para calefacción producen calor por medio del efecto Joule.
31
1.4.3. Modelado matemático dinámico
El uso de modelos en ingeniería química inicio desde 1950, pero el uso de modelos dinámicos,
a diferencia de los modelos en estados estacionario que se usan para análisis y diseño de plan-
tas, es más reciente. En gran medida, la llegada de herramientas más poderosas de cómputo ha
permitido un fuerte desarrollo de modelos dinámicos. Los modelos dinámicos son indispensables
cuando se desea hacer una evaluación de seguridad en una planta, al considerar arranques, paros
y operaciones anormales del proceso, así como en estudios de control y optimización de procesos.
La aplicación del modelado y la simulación permite:
Mejorar el entendimiento de un proceso.
Ayudar en experimentación.
Realizar cálculos de diseño y control.
Entrenar y educar operadores de procesos.
Optimizar procesos.
En control de procesos, los modelos matemáticos dinámicos de procesos son útiles para:
1. Entender el proceso: Para poder lograr un diseño de control exitoso, es necesario tener una
comprensión del proceso a controlar. Esta comprensión usualmente se captura en un modelo
matemático.
2. Diseñar y evaluar sistemas de control: La teoría de control no trata con sistemas físicos reales
sino con la descripción matemática de los mismos a través de modelos matemáticos. Teniendo
un modelo, es posible predecir el impacto de distintos diseños posibles sin comprometer al
sistema real.
Dos enfoques para la construcción de modelos matemáticos dinámicos para fines de control de
procesos son:
Experimental. Se basa en considerar al sistema como una caja negra. En este enfoque se
propone una determinada estructura de modelo, a la que se varían los parámetros, ya sea
por prueba y error, o por algún algoritmo, hasta que el comportamiento dinámico del modelo
se ajusta al observado en la planta mediante ensayos.
32
Analítico. Se basa en el uso de leyes físicas (conservación de masa, energía y momento). El
modelo se obtiene a partir de las leyes fenomenológicas básicas que determinan las relaciones
entre todas las señales del sistema.
Una de las características más importantes del modelado es la necesidad de re-evaluar el modelo
físico y las ecuaciones que representan a un modelo físico con la finalidad de lograr coincidencia,
entre la predicción del modelo y el comportamiento real del proceso modelado.
1.4.4. Controlador
El objetivo del diseño de un sistema de control es construir un controlador de forma que el

sistema con control (lazo cerrado) cumpla con ciertas características deseadas. El controlador (o
ley de control) describe el algoritmo que utiliza el procesador de control para generar las señales
hacia el actuador a partir de las mediciones del sensor y de las señales de referencia que recibe. La
experiencia en ingeniería de control a mostrado que la solución más eficiente de diseño de control se
puede obtener por medio del principio de retroalimentación de señales, i.e., algoritmos de control
que usan las mediciones disponibles para calcular la acción correctiva al sistema o entrada de
control 
Los controladores varían ampliamente en complejidad y efectividad. Los controladores sim-
ples incluyen a los controladores proporcionales ( ), proporcional-derivativo ( ), proporcional-
integral ( ), proporcional-integral-derivativo ( ), los cuales son los más amplia y efectiva-
mente usados en muchas industrias. Existen muchas variaciones, pero la definición del algoritmo
PID es: Z 
() =  () +  () +  [()] (1.1)
0
donde () = ( − ())

El término  () proporciona una acción de control proporcional al error. El término integral
ajusta la salida del controlador en forma continua hasta que el error llega a cero. El término
derivativo proporciona un tipo de predicción que permite al controlador anticipar errores futuros.
Un problema de diseño de control es la elección adecuada de los parámetros del controlador,  
 y   proceso que se conoce como sintonizado del controlador PID.
33
1.4.5. Simulación dinámica
La simulación es el proceso de resolver en forma numérica un modelo matemático que repre-

senta un sistema real y realizar experimentos con este modelo con el propósito de comprender el
funcionamiento del sistema o de evaluar diferentes estrategias para la operación del sistema.
La simulación numérica involucra errores de redondeo, errores de truncación y errores de dis-
cretización. Sin embargo, estos errores de aproximación son usualmente menos severos a los errores
de modelamiento. Así, para muchos problemas de ingeniería la resolución de modelos sobre una
computadora a llegado a ser una tarea directa.
La simulación de procesos pueden ser en estado estacionario o dinámico. En el primer caso,
se deben de formular los balances de masa y energía en estado estacionario. En el segundo caso,
los balances de masa y energía deben de incluir el término de acumulación o cambio respecto
al tiempo. La simulación en estado estacionario es adecuada para estudiar problemas de diseño
de equipos y realizar cálculos de optimización del proceso. La simulación dinámica puede es una
herramienta importante para el estudio de paros y arranques de un proceso y para el diseño y
prueba de sistemas de control.
El uso de la simulación es pertinente cuando se tienen una o más de las siguientes condiciones:
Existe un modelo matemático, pero no métodos analíticos de resolución del mismo.
Existen el modelo y los métodos pero los procedimientos son arduos y laboriosos que es más
sencillo y menos costoso la simulación.
Se desea observar en el tiempo la simulación del sistema.
Se desea experimentar con el modelo antes de construir un sistema.
Es imposible experimentar sobre el sistema.
Se requiere observar un sistema de evolución muy lenta, reduciendo la escala del tiempo.
En control de procesos la simulación dinámica es indispensable para:
Estudiar la influencia de los algoritmos de control y sus parámetros.
Analizar la estabilidad y desempeño de un sistema con y sin control.
34
Realizar estudios paramétricos,  correr la simulación con diferentes valores de los paráme-
tros.
1.4.6. Implementación del controlador
La prueba a los sistemas de control puede implicar:
1. Simulaciones por computadora con un modelo matemático detallado.
2. Simulación en tiempo real del sistema con el procesador del control operando a lazo abierto.
3. Simulación en tiempo real del procesador de control conectado al sistema a ser controlado.
4. Pruebas de campo del sistema de control.
Para la implementación exitosa de un sistema de control, los eventos de medición, cálculo de

acción de control y actuación sobre el sistema, deben de ocurrir a tiempos correctos (dentro de
una tolerancia definida). El software que proporciona los resultados a tiempos específicos, o en
intervalos de tiempo específicos después de algún evento externo, se denomina software de tiempo
real.
Los algoritmos de control se implementan comúnmente en la práctica con controladores lógicos
programables (PLCs), computadoras personales (PCs) y otros controladores de propósito especi-
fico. Los PLCs son una clase de computadoras diseñadas específicamente para el uso industrial y,
tradicionalmente, se programan usando un lenguaje de programación que se conoce como de lógica
del tipo escalera. El algoritmo PID se programa en el PLC. Es posible escribir algoritmos PID en
los PLCs con cuatro funciones matemáticas básicas (suma, resta, multiplicación y división), sin
embargo, la mayoría de PLCs están equipados con una función PID en una librería del programa.
En la implementación práctica de un sistema de control se tiene que tener un especial cuidado
con:
1. Ruido de alta frecuencia: El ruido de alta-frecuencia se puede generar por amplificación

electrónica de señales de bajo nivel y por ruido eléctrico de transmisión conocido comúnmente
como interferencia electromagnética.
35
2. Comunicación: La interconexión de sensores y actuadores requieren el uso de sistemas de
comunicación. El diseño de sistemas de comunicación y sus protocolos asociados es un as-
pecto cada vez más importante de la ingeniería de control moderna. La comunicación entre
dispositivos se puede hacer en forma analógica, ya sea en forma eléctrica o neumática, o por
medio de algún sistema basado en microprocesador.
3. Conversión de señales: La señales que se generan de los diferentes sensores de un proceso

se proporcionan en forma directa. La señal directa de un sensor se convierte a alguna señal
estándar por una unidad electrónica local. Los tres tipos principales de señales en la industria
de procesos son la señal neumática, que toma valores normalmente entre 3 y 15 , la
señal eléctrica, con valores comunes entre 4 y 20  y la señal digital, que toma valores
de unos y ceros. Para hacer la conversión de señales se utiliza un transductor. Por ejemplo,
transductores de señales de corriente a señales neumática y viceversa, señales de voltaje a
neumático y viceversa, etc.
1.5. Desarrollo histórico del control de procesos

El progreso de la teoría de control está muy relacionado a problemas prácticos que ha sido nece-
sario resolver en el desarrollo de la humanidad. Los ingenieros romanos usaron una configuración
de control retroalimentada para mantener los niveles de agua de sus acueductos por medio de la
medición del nivel con válvulas de flotación que se abrían y cerraban a niveles apropiados. Otros
ejemplos de dispositivos de control incluyen los sistemas de regulación de relojes y los mecanismos
para mantener los molinos de viento orientados en la dirección del viento. Sin embargo, fue hasta
comienzo del siglo 19 que se comenzó a desarrollar en forma sistemática la teoría de control.
Los desarrollos clave de control están asociados a las siguientes cuatro etapas:
1. La revolución industrial en Europa.
2. El inicio de la comunicación masiva y la segunda guerra mundial.
3. El inicio de la etapa espacial y de cómputo.
4. El auge de aplicaciones industriales.
36
1.5.1. La revolución industrial
En la revolución industrial se comenzaron a operar en forma automática calderas, hornos,

molinos de granos y maquinas de vapor. Los controladores que se inventaron en esta etapa incluyen
los reguladores de nivel, temperatura, presión y velocidad.
Los primeros trabajos en el análisis formal de sistemas de control se realizaron en términos de
ecuaciones diferenciales que modelaban sistemas de control de velocidad. J.C. Maxwell en 1844
analizó la estabilidad de un regulador de velocidad. Su técnica consistió en linealizar las ecuaciones
diferenciales de movimiento para encontrar la ecuación característica del sistema. Maxwell estudio
el efecto de los parámetros del sistema sobre la estabilidad y mostró que si las raíces de la ecuación
característica tiene parte real negativa el sistema es estable. El trabajo de Maxwell se considera
uno de los trabajos clave en el origen formal de la teoría de control. Un trabajo complementario
al que desarrollo Maxwell se debe a E.J. Routh, quien derivo en 1877 una técnica numérica para
determinar las raíces estables de una ecuación característica. Años más, en 1892, A.M. Lyapunov
presentó resultados de análisis de estabilidad para ecuaciones diferenciales no-lineales usando la
noción de energía. El trabajo de Lyapunov es la base de muchos desarrollos de teoría de control
moderna, que iniciaron en los años 60s.
1.5.2. Control clásico PID
En 1922 N. Minorsky introdujo un controlador compuesto por tres términos, conocido pos-
teriormente como el control proporcional-integral-derivativo o PID, para el direccionamiento de
barcos. En 1927, H.S. Black y colaboradores de los laboratorios de la Bell Telephone en los Esta-
dos Unidos desarrollaron la teoría de amplificadores retroalimentados. El problema que se abordó
estaba asociado a la comunicación masiva a grandes distancias, en las cuales se requería amplificar
periódicamente la señal de voz y minimizar efectos de ruido que también se podían amplificar.
Black demostró la utilidad del uso de esquemas de control retroalimentado para reducir la distor-
sión en los amplificadores repetidores.
La característica principal de la etapa del control clásico es que el análisis y diseño de sistemas
de control se baso en el domino de la frecuencia y no en el dominio del tiempo como se hizo en
la etapa de la revolución industrial. El análisis en el dominio de la frecuencia se fundamenta en
los desarrollos matemáticos que se generaron entre 1700 y 1900 por P.-S. de Laplace, J. Fourier y
37
A.L. Cauchy y las contribuciones a inicios de 1900 por H. Nyquist y H.W. Bode. En particular,
Nyquist en 1932, formulo un criterio de estabilidad que se basa en la gráfica polar de una función
compleja. Por otro lado, Bode en 1938 investigo la estabilidad de un sistema con control a través
de la representación de gráficas de respuestas de frecuencia de magnitud y fase de una función
compleja. Todos estos desarrollos y herramientas formaron la base para la elaboración de sistemas
de control que se aplicaron durante la segunda guerra mundial, tales como baterías anti-misiles y
sistemas de control de fuego.
1.5.3. Control moderno
La mayoría de los estudios teóricos y prácticos hasta la segunda guerra mundial fueron sistemas
de una entrada-una salida (SISO), es decir, involucraban el retroalimentado de una sola señal y
la corrección de una sola variable o estado. Después de la segunda guerra mundial, con el avance
de la teoría de control se comenzaron a desarrollar técnicas poderosas que permitían abordar
problemas con más variables a controlar y más de una entrada de control (conocidos como sistemas
multivariables), sistemas variantes en tiempo, así como muchos problemas no lineales.
Con la llegada de la época espacial, el diseño de control, principalmente en los Estados Unidos,
regresó a las herramientas de análisis en el dominio del tiempo que se desarrollaron a finales de
1800, abandonando en esta época las herramientas y técnicas en el dominio de la frecuencia del
control clásico. Los principales motivos de este cambio de propuesta en el diseño de control se
debe a que los problemas de control que surgieron en la época espacial tenían múltiples variables
a controlar y múltiples entradas a manipular, así como interacciones complejas entre las variables
del proceso. La teoría de control clásico o en el dominio de la frecuencia era inapropiada para
manejar esta clase de problemas, ya que los problemas que mejor se podían abordar eran sistemas
SISO.
La mayoría de los métodos de diseño de control en esta época se basaron en resolver algunos
problemas de control en forma optima (control óptimo) que pueden expresarse en la forma de
una ley retroalimentada y en el desarrollo de métodos de cómputo eficientes para resolverlos.
En particular, el control moderno se basa en gran medida en las contribuciones de R. Bellman,
L.S. Pontryagin y R. Kalman. Bellman en 1957 aplicó técnicas de programación dinámica en el
diseño de esquemas de control óptimo. En 1958, Pontryagin desarrolló el principio del máximo,
38
el cual resuelve problemas de control óptimo utilizando cálculo de variaciones. En 1960 Kalman
y colaboradores presentaron dos conceptos fundamentales en la teoría de control moderna: la
contolabilidad y observabilidad de un sistema. Kalman proporcionó además las ecuaciones de
diseño de un controlador conocido como regulador cuadrático lineal (LQR) y la teoría de filtros
óptimos.
1.5.4. Aplicaciones industriales
El control de procesos siempre ha sido necesario en la industria química. Conforme la industria

se movió de operaciones por lotes a operación continua, los cuartos de control se fueron integrando
a las unidades del proceso. Estos cuartos de control permitían a los operadores de control tomar
decisiones en base a las características que ellos observaban del producto o de las condiciones del
proceso, tales como color, temperatura, etc. Los operadores de control reaccionaban a cambios no
esperados del proceso, pero tenían grandes limitaciones para realmente controlar el proceso.
El desarrollo de la teoría de control en los años 30s, no se vio reflejado inicialmente en procesos
industriales. Durante los años 30 y 40s, la operación de muchos procesos industriales se hacia en
forma manual y sin el uso de control automático. Sin embargo, la necesidad de operar con mayores
márgenes de seguridad, la demanda de productos con mayor calidad, el cambio de procesamiento
de lote a continuo y la necesidad de cumplir leyes ambientales más estrictas, resultaron en un
incentivo para el desarrollo e implementación de esquemas de control automático. El desarrollo del
controlador neumático y de las computadoras analógicas en los 50 impulsaron la automatización
de procesos en industrias químicas y petroleras. El control clásico, en particular el controlador
PID, a dominado las aplicaciones industriales desde los años 50s.
La teoría de control moderno, la cual se desarrolló y se usó en gran medida en las industrias
militares y aeroespaciales, no logró inicialmente un impacto importante en el control de procesos
de la industria química. El control óptimo tuvo poca aplicación industrial en los años 70s, debido a
que tiene la desventaja de estar basada en consideraciones ideales, tales como suponer un modelo
matemático perfecto y las limitaciones de hardware en esas fechas limitó la aplicación a pocos
problemas industriales. Por otro lado, los practicantes del control de procesos en la industria
química reconocieron que los desarrollos de control moderno tardaban mucho en implementarse
en la práctica y que eran difíciles de aplicar a procesos reales por las siguientes razones: ausencia
39
del entendimiento del proceso, fuertes interacciones entre las variables, no-linealidades del proceso,
pocos modelos matemáticos precisos de los procesos industriales.
1.5.5. Control post-moderno
Desde 1980 dos técnicas de control han despertado gran interés a la aplicación de sistemas
industriales: (i) el control de modo predictivo (MPC) y (ii) el control robusto.
1. Control MPC: El MPC fue desarrollado en la industria a mediados de los 70s. Con la
capacidad de predicción, un controlador puede adaptarse para prevenir restricciones en las
variables de operación o en las entradas de control, en lugar de reaccionar después de que
haya pasado, como lo hace el PID. El control predictivo esta muy relacionado al control
óptimo. El control predictivo es una metodología de control que trata con dinámica compleja,
interacciones y perturbaciones medibles y es de fácil comprensión al operador de planta.
Además, este método considera restricciones del proceso y de operación.
2. Control robusto: La teoría del control robusto se desarrolló para tomar en cuenta la in-
certidumbre del modelo y analizar el efecto sobre la estabilidad y desempeño del sistema
de control. Esto implica que el controlador se debe de diseñar de modo que las especifica-
ciones de desempeño a lazo cerrado se logren a pesar de condiciones de operación variantes
o diferencias entre el proceso y su modelo.
Otras técnicas importantes de control que surgieron entre los años de 1975 y el 2000, que se
han usado con frecuencia en el control de procesos son:
Control adaptable: El control adaptable, como su nombre lo indica, trata de ajustarse a las
condiciones cambiantes de un proceso, las cuales se reflejan en cambios en los parámetros
del proceso. El control adaptable está provisto con algoritmos que ajustan los parámetros
inciertos con base a información de salida del proceso y un modelo matemático.
Control geométrico: El control geométrico se basa en el uso de herramientas de geometría

diferencial, la cual usa un lenguaje abstracto de espacios vectoriales y transformaciones
lineales en subespacios. Un tipo de control que resulta con el uso de conceptos de geometría
diferencial es el de “linealización retroalimentada”, que consiste en encontrar una ley de
control de retroalimentación de estados, tal que el sistema a lazo cerrado sea lineal.
40
Control de modo deslizante: El control de modo deslizante forza a los estados del sistema
hacia una región, conocida como superficie de deslizamiento y trata de mantenerlos en ella.
Cualquier movimiento en la superficie deslizante es robusto con respecto a perturbaciones y
errores de modelado. El diseño del control de modo deslizante usualmente consiste de dos
pasos. Primero se diseña la superficie deslizante, de modo que el movimiento del sistema
cumple especificaciones de diseño. Posteriormente, se diseña una función de control para
forzar los estados del sistema hacia la superficie deslizante, lo cual usualmente se logra con
funciones de tipo interrupción.
Control basado en pasividad: Los sistemas pasivos se caracterizan por el hecho de que un
incremento neto en la energía almacenada, en cualquier instante de tiempo, es siempre menor
o igual a la energía entregada al sistema durante el mismo periodo. El concepto de pasividad
es un caso particular de la disipatividad de un sistema, que se define como la diferencia
entre la energía suministrada y el incremento en la energía almacenada en un sistema. El
control basado en pasividad se basa en encontrar una función de almacenamiento de energía,
de modo que el sistema a lazo cerrado sea pasivo y como una consecuencia, se obtiene la
estabilización del sistema.
1.6. Diagrama de flujo del diseño de control

El diseño de un sistema de control es una mezcla de técnica y experiencia. Sin embargo, una
metodología general se puede resumir en la Figura (1-4).
Los pasos principales del diagrama de flujo del diseño de un sistema de control son:
Inicio: Se definen el objetivo y especificaciones de desempeño deseadas.
Modelado matemático: Es necesario identificar los fenómenos más dominantes del proceso,
así como estimar los parámetros del modelo. Si el modelo matemático reproduce las obser-
vaciones experimentales se procede al siguiente paso, de otra forma se tiene que revisar el
modelo matemático.
Diseño de control: Una vez que la respuesta del modelo matemático es aceptable el siguiente
paso es definir la estrategia de control, para lo cual existen una gran variedad de algoritmos
41
Inicio
Identificar
Definir el
fenómenos y
Objetivo de
variables clave
Control y
alternativas
especificaciones
de desempeño
No
Identificar Definir y diseñar
Modelar y simular Si
fenómenos y la estrategia de
dinámicamente
variables clave control
El proceso
¿es aceptable
la respuesta
del modelo?
¿se cumple el objetivo

y especificaciones de
desempeño?
Implementar Implementar
Medir la
el control en el y simular la
respuesta
sistema real estrategia de
del sistema Si control
Modificar
la estrategia de
¿se cumple control
el objetivo y Modificar
especificaciones la estrategia de
de desempeño? control
Si No
Fin
Figura 1-4: Diagrama de flujo del diseño de un sistema de control.
42
de control, dos de las cuales se presentan en estas notas: el control clásico PID y el control
moderno con técnicas estado-espacio.
Implementación numérica del diseño de control: En este punto se implementa en forma

numérica el diseño de control seleccionado, si este funciona correctamente bajo condiciones de
operación esperadas en la práctica (perturbaciones e incertidumbres) se procede al siguiente
paso, de otra forma se tiene que elegir un diseño de control alternativo.
Implementación experimental del diseño de control: El paso final en el diseño de un sistema

de control es implementar en forma experimental el diseño de control que cumple a nivel
numérico las especificaciones de desempeño y los objetivos de control deseados. Si el diseño
de control funciona correctamente a nivel experimental el proceso finaliza, de otra forma se
tiene que mejorar el diseño de control seleccionado, o elegir un diseño de control alternativo,
hasta cumplir a nivel experimental las especificaciones de desempeño y los objetivos de
control deseados.
1.7. Aplicaciones de control de procesos

En esta sección se presentan algunos ejemplos de sistemas de control con el objetivo de clarificar
los conceptos de control que se han introducido en este capítulo.
Temperatura y flujo de una regadera
Un ejemplo practico y cotidiano muy útil para ilustrar los elementos principales de un sistema
de control es la toma de un baño. En este sistema se tienen dos corrientes de entrada de agua, una
caliente y otra fría. Las corrientes se mezclan para producir una corriente de salida a cierto flujo
y temperatura. Las variables manipulables o entradas de control son los flujos de las corrientes de
agua fría y caliente, las perturbaciones al proceso son las temperaturas de ambas corrientes y las
variables a regular pueden ser la temperatura o el flujo de la corriente que se mezcla. Para regular
el flujo y la temperatura de la corriente de salida se utilizan como actuadores las válvulas de las
corrientes de entrada. A través de las terminales nerviosas de la piel, las cuales envían una señal
al cerebro, es posible inferir el nivel de la temperatura de la corriente de salida. Los flujos de las
43
corrientes de entrada se pueden medir con sensores de flujo o en el caso más simple a través de la
sensación de presión de la corriente sobre el cuerpo.
Nivel en un tanque agitado
Otro ejemplo típico de textos de control de procesos consiste en el control de nivel de líquido
en un tanque continuo agitado isotérmico. En este caso, el tanque continuo agitado isotérmico
recibe una corriente de entrada a ciertas condiciones de flujo y densidad. La corriente de salida del
tanque tiene una densidad, que en general es idéntica a la que existe dentro del tanque debido a la
agitación en el tanque. Otra consideración que es valida en muchas situaciones es que la densidad
de entrada es idéntica a la densidad de salida. Si el flujo de alimentación es idéntico al flujo de salida
el nivel de líquido en el tanque permanecerá constante. Sin embargo, los cambios en la demanda
del flujo de salida del tanque agitado provocan que exista un cambio en el nivel del líquido en el
tanque. Así, un objetivo de control es regular el nivel de líquido a un valor deseado. Para medir el
nivel en el tanque el dispositivo más sencillo y económico es un flotador. Un controlador determina
la entrada de control, que es el flujo de entrada al tanque agitado, el cual se puede medir con un
sensor de flujo. La implementación de la acción calculada por el controlador se lleva a cabo con
una válvula que regula la entrada de flujo al tanque agitado.
Concentración en un reactor continuo de tanque agitado isotérmico
Los reactores continuos de tanque agitado isotérmico son comunes en aplicaciones que involu-
cran reacciones biológicas. La operación isotérmica permite que los microorganismos presentes
en este tipo de reactores no experimenten cambios bruscos de temperatura, los cuales afecten la
actividad de los mismos. Para el caso de un rector biológico para tratamiento de aguas residuales
la alimentación al CSTR isotérmico consiste en un flujo con contaminantes, denominados común-
mente como substratos. Los substratos se degradan por la presencia o adición de microorganismos
en el reactor. La regulación de la concentración de algún substrato o contaminante a un valor
deseado se considera como el principal objetivo de control. La entrada de control es el flujo de
alimentación al reactor. La principal perturbación es el cambio en la concentración de alimentación
de substrato al CSTR. La medición de substrato se puede hacer a través de toma de muestras y
análisis en laboratorio cada cierto tiempo. El actuador es una válvula para regular el flujo a la
44
entrada del CSTR isotérmico.
Temperatura en un reactor continuo de tanque agitado no isotérmico
Se considera ahora un CSTR no isotérmico, el cual se alimenta por una corriente rica en
reactante , a ciertas condiciones de concentración y flujo de alimentación. Dentro del CSTR se
lleva a cabo una reacción exotérmica  →  → . El reactante  se convierte al producto , pero
a altas temperaturas el producto  experimenta una reacción adicional que conduce al producto
. El CSTR se enfría por medio de una chaqueta de enfriamiento. El objetivo de control es regular
la concentración de salida del CSTR a un valor de referencia deseado. Debido a la relación directa
entre la temperatura del reactor y la concentración, este objetivo de control se puede reformular
como la regulación de la temperatura de salida del CSTR a un valor de referencia deseado y así
aprovechar que la medición de temperatura es más rápida y económica. La variable manipulable
es el flujo de líquido de enfriamiento a la chaqueta de enfriamiento. Posibles perturbaciones al
proceso son cambios en la concentración y temperatura de la corriente de alimentación. Para
medir la temperatura dentro del CSTR se puede usar un sensor de temperatura. Para medir los
flujos de entrada y salida se usan sensores de flujo. El actuador es una válvula que modifica la
entrada de flujo a la chaqueta de enfriamiento.
Intercambiador de calor
El propósito de un intercambiador de calor es calentar / enfriar una corriente de proceso a cierta

temperatura de referencia por medio de una corriente de servicio. En el caso de calentamiento es
común usar vapor de condensación y la energía que gana el fluido de proceso es igual al calor que
libera el vapor, siempre y cuando no haya pérdidas de calor en el entorno, esto es, el intercambiador
de calor y la tubería tienen un aislamiento perfecto, en este caso, el calor que se libera es el calor
latente en la condensación del vapor. En el caso de enfriamiento se utilizan flujos de agua fría a
altas velocidades en la corriente de servicio. En este proceso existen muchas variables que pueden
cambiar, tales como el flujo y la temperatura de alimentación de la corriente de proceso, lo cual
ocasiona que la temperatura de salida se desvíe del valor deseado. La entrada de control es el flujo
de la corriente de servicio, la cual se manipula a través de una válvula. Las temperaturas en el
proceso se pueden medir con sensores de temperatura.
45
Columna de destilación
Se considera una columna de destilación binaria, donde una mezcla binaria se alimenta con un
flujo variable y se tienen corrientes de salida en el fondo y en el domo de la columna. La corriente
en el domo de la columna pasa por un condensador y posteriormente a un tambor de destilado,
donde una parte se retorna al domo de la columna para su enriquecimiento adicional y otra parte
sale hacia otras unidades del proceso con una determinada composición de destilado. Parte de la
corriente que sale en el fondo de la columna se vaporiza y alimenta en el fondo de la columna. El
objetivo de control más simple es mantener la composición de destilado a un valor deseado cuando
la columna está sujeta a cambios en el flujo y la composición de alimentación. Para cumplir con
el objetivo de control la variable manipulable es la velocidad de flujo de reciclo a la columna. Las
composiciones de la columna se miden con sensores de composición y los flujos con sensores de
flujo.
Cadenas de suministro
Una cadena de suministro en la industria química se define como el conjunto de organizaciones

o procesos que, combinados en un flujo de productos y materia prima, se transforman en productos
finalizados con las propiedades requeridas de calidad, a través de una serie de procesos de manu-
factura en diferentes etapas. En cada cadena de suministro se requiere una coordinación apropiada
entre las unidades de producción y distribución para evitar situaciones de falta de inventario o
sobre-estimación de la producción que incremente los costos y reduzca la satisfacción del cliente.
Un objetivo de control puede ser el mantener los inventarios en un valor deseado. La variable a
manipular es la velocidad de producción. Una posible perturbación es la variación en la demanda.
Dosificación de drogas
El diseño de políticas de administración de drogas se ha abordado en años recientes a través

del diseño de esquemas de control para muchos sistemas biomédicos. El diseño de políticas de
administración de drogas con base a esquemas de control permite: (i) apoyar a los médicos en
evitar sobre y sub-dosificaciones de drogas en sus pacientes, (ii) proporcionar guías de adminis-
tración de drogas para múltiples escenarios de posibles perturbaciones, manejo de restricciones y
minimización del uso de drogas y (iii) suprimir la variabilidad interindividual de los pacientes.
46
El ejemplo más conocido del uso de esquemas de control es el tratamiento de la Diabetes tipo 1,
la cual se caracteriza por una deficiencia de la producción de insulina. El objetivo de control se
puede plantear como la regulación del nivel de glucosa en el plasma a través de la administración
de insulina externa. Las perturbaciones en este caso están asociadas al consumo de alimentos que
modifica los niveles de glucosa. La medición de glucosa en la sangre se realiza a través de sensores
de glucosa y la insulina externa se manipula a través de una bomba de dosificación de insulina.
1.8. Referencias básicas

La mayor parte del contenido de este capítulo es más o menos estándar en los libros de control
automático de procesos. El lector puede consultar las siguientes referencias para complementar la
información que se presenta en este capítulo:
Smith C.A. y Corripio, A.B. (2001). Control Automático de Procesos, Teoría y Práctica.
Limusa.
Ogata, K. (2004). Ingeniería de Control Moderna. Prentice-Hall.
Luyben, M.L., Luyben, W.L. (1997). Essentials of Process Control. McGraw-Hill.
Stephanopoulos, G. (1984). Chemical Process Control: An Introduction to Theory and Prac-

tice. Prenctice-Hall.
47
Capítulo 2
Modelado Matemático Dinámico de

Procesos
2.1. Introducción
Existen varios tipos de modelos disponibles y la naturaleza del sistema a ser descrito indicará
que elección de modelo proporcionará la representación más confiable de la realidad. Los modelos
se pueden clasificar como:
Dinámicos o estáticos: Los modelos dinámicos son los que varían con el tiempo y se usan
principalmente para fines de optimización dinámica y control de procesos. Los modelos
estáticos o en estado estacionario no dependen del tiempo y se usan principalmente en
cuestiones de diseño.
Distribuidos o agrupados: Los modelos distribuidos dependen de dos o más variables (ge-
neralmente tiempo y posiciones) y se representan comúnmente por ecuaciones diferenciales
parciales. Los modelos agrupados dependen de una sola variable (e.g., tiempo en modelos
dinámicos) y se representan por ecuaciones diferenciales ordinarias.
Estocásticos o determinísticos: Los modelos estocásticos son aquellos que contienen ele-
mentos aleatorios y el comportamiento futuro total no se puede predecir, pero si es posible
determinar las propiedades promedio. Los modelos determinísticos son sistemas en los cuales
su comportamiento futuro se determina por su pasado (sistemas causales), el pasado se re-
48
sume usualmente en el estado, es decir, se pueden describir a través de modelos matemáticos
derivados de principios de conservación.
No-lineales o lineales: Los modelos no-lineales son aquellos que contienen elementos no-
lineales y que no cumplen el principio de superposición. Los modelos lineales cumplen el
principio de superposición.
Continuos o discretos: Los modelos continuos son los que contienen variables y funciones
continuas y se describen comúnmente por ecuaciones diferenciales ordinarias o parciales.
Por otro lado, los modelos discretos contienen variables que están discretizadas en intervalos
definidos. En ingeniería de control es común trabajar con modelos discretos, debido a que la
implementación de un diseño de control se hace a través de dispositivos digitales, que hacen
uso de variables discretas, en ciertos intervalos de tiempo (muestreo).
Las etapas del modelado matemático se pueden resumir en cinco pasos:
1. La definición adecuada del problema y de las metas y objetivos del estudio.
2. Colección de conocimiento disponible del problema a ser evaluado.
3. Formular en términos matemáticos la descripción del problema y resolver el modelo matemáti-

co resultante.
4. Validar los resultados de la simulación del modelo desarrollado.
5. Uso del modelo para el fin especifico, por ejemplo, para diseño, control, o cualquier otro
propósito.
2.2. Formulación de modelos matemáticos

La formulación de las ecuaciones de un modelo generalmente consiste en expresar las leyes
físicas o principios de conservación en símbolos apropiados. Los principios de conservación para
problemas físicos son usualmente los de balances de masa, momentum o energía. Al generalizar
estos conceptos al caso de sistemas de flujo, se obtiene un conjunto de ecuaciones diferenciales de
cambio para la transferencia de energía, masa y momentum.
49
2.2.1. Balances de materia y energía
Los principios básicos del modelado matemático de procesos son la aplicación de las ecuaciones
de conservación de masa y energía.
Balance de materia total
El balance de materia o masa total se puede expresar como:
(acumulación de masa) = (entrada de masa) − (salida de masa) (2.1)
El término de velocidad de acumulación representa la velocidad de cambio en la masa total del

sistema, con respecto al tiempo. En estado estacionario, este término es cero.
Balance de componentes
Para sistemas que tienen más de un componente o especie química el balance de masa se aplica
a cada componente. En este caso, cuando ocurre una transformación química, este cambio se debe
tomar en cuenta. Así, en el caso de masa que se produce por reacción el balance de componentes
se escribe como:
(acumulación de masa de ) = (entrada de masa de ) − (salida de masa de )
+(producción de masa de ) (2.2)
Balance de energía
Los balances de energía son necesarios siempre y cuando ocurran cambios importantes de
temperatura. Por ejemplo, cuando el calor de reacción provoca un cambio en la temperatura del
reactor. Los balances de energía son más complejos que los balances de masa, debido a que son
varios los procesos que pueden provocar cambios en la temperatura. Los balances de energía son
un enunciado de la primera ley de la termodinámica. El balance de energía se puede escribir como:
(acumulación de energía) = (entrada de energía) − (salida de energía) (2.3)
+(producción de energía)
50
2.3. Formulación de balances
Los pasos para establecer formalmente los balances de energía y masa son:
1. Elección de una región de balance: Se debe de elegir una región de balance donde las variables
del sistema sean constantes o cambien poco dentro del sistema. En este punto es muy útil
dibujar un esquema de la región de balance. La región de balance puede variar en forma
significante, dependiendo del área particular de interés del modelo. Por ejemplo en un reactor
tanque agitado la región de balance puede ser la mezcla reactante del tanque, debido a las
condiciones homogéneas dentro del sistema en cualquier instante de tiempo. En el caso de
un reactor tubular, la región de balance es un elemento diferencial de volumen dentro del
reactor.
2. Identificar corrientes que cruzan la frontera del sistema: Las corrientes que cruzan la frontera
de un sistema se pueden deber a convección, difusión, o procesos de transporte de energía y
masa en interfases.
3. Escribir los balances de masa en forma textual: Los balances de masa y energía se puede
abreviar en este paso como:
(acumulación) = (entrada) − (salida) + (producción) (2.4)
Aquí se pueden despreciar algunos términos del balance. Por ejemplo, si el sistema es dinámi-
co o en estado estacionario, si tiene entradas y salidas y si existe producción en el sistema.
4. Expresar cada término del balance formulado en el punto anterior en forma matemática con
variables medibles.
5. Introducir relaciones adicionales: En general, se requieren especificar relaciones matemáticas

adicionales para definir un modelo matemático completo. Por ejemplo, (i) relaciones este-
quiométricas, (ii) velocidades de reacción como una función de concentración y temperatura,
(iii) ecuaciones de estado, (iv) ecuaciones hidráulicas, (v) relaciones de equilibrio, etc.
51
2.4. Formulación matemática de los balances
2.4.1. Acumulación
El término de acumulación representa el cambio de una cantidad respecto al tiempo. Para el

caso de la acumulación de masa de componentes se tiene:
µ ¶

(acumulación de masa de i) = (2.5)

donde  está dado en  o  y el tiempo , está dado en  mı́n o  La ecuación (2.5) en
términos de variables medibles se puede expresar como:
  
= (2.6)
 
donde  es el volumen de la región de balance y  es la concentración del componente  que se

expresa en unidades de masa por volumen (e.g., 3 ).
Para sistemas en fase gas, suponiendo comportamiento ideal de los gases, la acumulación se
puede escribir como:
     
= ( ) (2.7)
  
donde  es la fracción mol del componente  en la fase gas y  es la presión total del sistema.
El término de acumulación para el balance de masa total está dado por:
  
= (2.8)
 
donde  es la densidad de la región de balance.

El término de acumulación de energía se puede expresar comúnmente de acuerdo a la ecuación:
 
=   (2.9)
 
donde  es la capacidad calorífica () y  es la temperatura ().

Para el caso de sistemas que dependen de la posición, tales como los reactores tubulares, los
balances se aplican a un incremento diferencial de volumen  = ∆. Al tomar el límite a cero
del incremento diferencial, los términos de acumulación de masa y energía se escriben como:
52
() ( )
  (2.10)
 
donde  es el elemento diferencial de volumen.
2.4.2. Entrada-salida por convección
El término de entrada-salida por convección esta asociado a la masa o energía que entra y
sale del sistema por transporte convectivo. Para el caso de la masa de componentes el término se
escribe como:
0 0 −   (2.11)
donde  (3 ) es el flujo volumétrico. Para la masa total del sistema se escribe como:
0 0 −   (2.12)
El término de flujo de energía convectivo entrada-salida se escribe como:
0 0 0 0 −     (2.13)
Donde los subíndices 0 y  se refieren a las condiciones de entrada y salida del sistema respecti-
vamente. Así, el primer término de las ecuaciones anteriores es la entrada y el segundo término
representa la salida.
Para los sistemas distribuidos los términos de convección de masa y energía están dados por:
(0 −  ) (2.14)
 (0 −  ) (2.15)
donde  es la velocidad de flujo () que se expresa en unidades de distancia por tiempo, 
es el área transversal de transferencia y los subíndices 0 y  se refieren a la entrada y salida del
elemento diferencial Al tomar el límite a cero del incremento diferencial se obtienen las expresiones
53
conocidas de los términos convectivos:
( )  ( )
−  −  (2.16)
 
El signo negativo en las ecuaciones anteriores surge por la definición de la derivada.
2.4.3. Entrada-salida por difusión o dispersión
Debido a las variaciones de flujo y de velocidad local, efectos de pared y de turbulencia, algunas
moléculas se desplazarán más rápido que otras, de modo que es posible la presencia de dispersión
en el fluido. Para muchos procesos en ingeniería la dispersión es unidireccional, es decir sólo es
importante en una dirección. La contribución por difusión de flujo en procesos de ingeniería se
expresa usualmente por la ley de Fick:

 = − (2.17)

donde  es el coeficiente de difusión que se expresa en unidades de área por unidad de tiempo
(e.g., 2 ). Por otro lado, la difusión de energía se expresa de acuerdo a la ley de Fourier:

 = − (2.18)

El signo negativo en las ecuaciones anteriores se refiere a que la difusión ocurre en la dirección de
concentración o temperatura decreciente.
Los procesos difusivos ocurren solo en sistemas distribuidos, de modo que al formular el balance
entrada-salida por difusión en un elemento diferencial  y tomar el límite se llega a las expresión
de difusión para la masa y la energía:
 2  2
   (2.19)
 2  2
Para el transporte difusivo que involucra sólidos porosos es común sustituir el coeficiente de
difusión por un coeficiente de dispersión equivalente, el cual incluye las características de los sólidos
porosos.
54
2.4.4. Entrada-salida por transporte interfase
El transporte de masa interfase es también una posible entrada o salida de masa o energía del
sistema. Comúnmente, el término de transporte en la interfase tiene la estructura:
(velocidad de transporte) = (coeficiente de transporte) (2.20)
(área de la interfase)(gradiente)
de modo que el transporte de masa se escribe como:
 =  (∆) (2.21)
donde  es la velocidad de transferencia de masa total,  es el área interfacial total para

transferencia de masa (2 ), ∆ es el gradiente de concentración (3 ) y  es el coeficiente
de transferencia de masa global. Es importante observar que el gradiente de concentración se re-
presenta por la diferencia entre la concentración del sistema y el valor correspondiente en equilibrio
en la interfase.
Considerando el caso de transferencia de energía debido a un medio de enfriamiento a una
temperatura 0 , el transporte de energía interfase se escribe como:
 =  (0 −  ) (2.22)
donde  es la velocidad de transferencia de energía,  es el coeficiente de transferencia de calor

global (2 ),  es el área de transferencia de calor y  es la temperatura de la región de
balance.
2.4.5. Producción
El término de producción más común en procesos químicos es el que se debe a la producción

o consumo de masa o energía por reacción química. El término de producción de masa se puede
expresar como:
 =   (2.23)
55
donde  es la velocidad de reacción del componente  por volumen y es positivo para productos y
negativo para reactantes Para expresar el término de producción de energía por reacción sólo se
multiplica el término de producción de masa (2.23) por el calor de reacción, ∆ es decir:
 ∆ = ∆  (2.24)
∆ es negativo para reacciones exotérmicas y positivo para reacciones endotérmicas.
2.5. Modelos matemáticos dinámicos de procesos

En esta Sección se presentan ejemplos de modelos matemáticos dinámicos de procesos comunes
en la ingeniería química.
2.5.1. Tanques agitados isotérmicos en serie
Un ejemplo clásico para ilustrar diseños de control es el caso de tanques conectados en serie.
Aquí se considera el caso más simple de dos tanques agitados isotérmicos conectados en serie
como se muestra en la Figura (2-1). En el tanque 1 entra una corriente a una velocidad de flujo
volumétrico 10 y una densidad 1  El tanque 1 tiene una altura de líquido 1  La corriente de
salida del tanque 1 1  entra al tanque 2 con una velocidad de flujo volumétrico 20 = 1  con
una densidad 2  El tanque 2 tiene una altura de líquido 2 y el flujo volumétrico de salida es 2 .
La densidad del sistema se considera constante por lo que 1 = 2 =  Los balances de masa se
escriben como:
(1 1 )
= 10  − 1  (2.25)

(2 2 )
= 20  − 2 

donde el volumen de cada tanque se expresa como  =   ( = 1 2) y  es la sección transversal

de los tanques.
Los flujos de salida de cada tanque se expresan de acuerdo a la ley de Torriceli (la cual define
que el flujo a través de una válvula es proporcional a la raíz cuadrada de la presión, la cual es
56
proporcional al nivel y a su sección transversal  ):
√ √ √
 =     =   (2.26)
donde  es una constante y  es la aceleración de la gravedad. Se considera además que el área de

la sección transversal de cada tanque es constante de modo que el modelo (2.25) se puede escribir
como:
1 10 1 p
= − 1 (2.27)
 1 1
2 1 p 2 p
= 1 − 2
 2 2
Para completar la descripción del modelo, además de asignar valores a los parámetros del
modelo   1   es necesario asignar condiciones iniciales a los estados 1 y 2  es decir:
1 (0) = 1
2 (0) = 2
Para el caso de operación en estado estacionario (,   = 0), el modelo anterior se reduce a:
p
10 = 1 1 (2.28)
p p
1 1 = 2 2 = 10
lo cual establece que en estado estacionario, a densidad y área transversal constante, el flujo de
entrada al tanque 1 debe ser igual al flujo de salida del tanque 2.
2.5.2. Reactor lote biológico de tanque agitado
El segundo ejemplo que se considera es el de un reactor lote biológico de tanque agitado como
el que se muestra en la Figura (2-2). Los reactores lotes se utilizan comúnmente en procesos que
requieren volúmenes pequeños de procesamiento o producción a pequeña escala de alto valor, tales
como los productos farmacéuticos, poliméricos, así como en muchas reacciones biológicas.
57
Corriente de
entrada tanque 1
Nivel en el
tanque 1, h1
Corriente de
salida tanque 1
Corriente de
entrada tanque 2
Nivel en el
tanque 1, h2
Corriente de
salida tanque 2
Figura 2-1: Sistema de tanques agitados en serie.
58
Tiodioglicol +
microorganismos
+ productos
Figura 2-2: Reactor lote biológico de tanque agitado.
Se considera la degradación de tiodiglicol con la cultura pura de Alcalígenos xylosoxydans ssp.

xylosoxydans (conocida como SH91), una bacteria gram-negativa que consume el tiodiglicol como
su única fuente de carbón. El tiodiglicol es un producto de la hidrólisis del azufre mostaza, el cual
se usó en la primera guerra mundial como agente químico. El tiodiglicol es miscible con agua y no-
tóxico pero está listado como un promotor de armas químicas y por lo tanto debe de ser degradado
en un proceso de mineralización del azufre mostaza. El proceso total incluye la hidrólisis seguida
por la degradación de los productos de la hidrólisis.
Los reactores biológicos obedecen los mismos balances de materia y energía que se han discutido
previamente para sistemas químicos. Las principales diferencias entre ambos tipos de reactores es
la descripción del término de velocidad de reacción y de las concentraciones de los componentes
en términos de culturas de microorganismos y el reactante principal como substrato. En procesos
biológicos, el término de velocidad de reacción está dado comúnmente por expresiones de velocidad
tipo Michaelis-Menten.
Matemáticamente, el crecimiento de la cultura de A. xylosoxydans SH91  () y el consumo
de substrato  () (tiodiglicol), se expresan por el modelo:

= () −   (0) =  (2.29)

 1
= − () (0) = 
 
59
donde  es la constante de velocidad de muerte de los microorganismos (1),  es el factor
de producción aparente y () es la cinética enzimática, la cual está descrita por un modelo de
inhibición de substrato del tipo Andrews (Andrews, 1968):
máx
() = (2.30)
1 +   + 
donde máx es la velocidad máxima de crecimiento específica (1),  es la constante de satu-

ración de substrato () y  es la constante de inhibición de substrato (). Otros modelos
básicos disponibles para describir el crecimiento durante la fermentación microbiana son el mo-
delo de Monod y el modelo de Contois. El modelo de Contois considera limitaciones por difusión
debido a densidades celulares elevadas. El modelo de Monod presenta una función de crecimiento
monotónica con la concentración de substrato. Por otro lado, la mayoría de reactores biológicos se
operan en forma isotérmica, debido a que las colonias de microorganismos ven afectada en forma
apreciable su actividad por cambios de temperatura.
2.5.3. Reactor semi-lote de tanque agitado
Los reactores semi-lote se usan principalmente en la producción de químicos finos, especializa-

dos y de alto valor agregado. Este tipo de reactor es particularmente importante para reacciones
en las cuales es necesario dosificar un reactivo con la finalidad de tener un mejor control en el
reactor.
Se considera un reactor semi-lote de tanque agitado para la biosíntesis de penicilina que se
muestra en la Figura (2-3). El proceso se modela por las siguientes ecuaciones diferenciales:
 
= ( ) −  (2.31)
 
 
= () −   − 
 
 1 1   
= − ( ) − () −  + ( − )
    +  

= 

donde  es el volumen,  es la concentración de biomasa,  es el producto (penicilina) y  es

el substrato,  es la velocidad de alimentación de substrato,  es la constante de velocidad de
60
Substrato
Microorganismos
+ substrato +
penicilina
Figura 2-3: Reactor semi-lote biológico de tanque agitado.
muerte de los microorganismos,  es el factor de producción aparente de substrato a biomasa,

 es el factor de producción aparente de substrato a producto, ( ) es la velocidad específica
de crecimiento de biomasa y () es la velocidad específica de producción de producto, las cuales
están dadas por:
1máx 
( ) = (2.32)
  + 
2máx 
() =
 + (1 +  )
donde 1máx es la velocidad específica máxima de crecimiento de biomasa, 2máx es la velocidad

máxima específica de producción,  es la constante de saturación del crecimiento de biomasa,
 es la constante de saturación de producción,  es la constante de inhibición de producción
y  es la constante de saturación para el mantenimiento del consumo. Las condiciones iniciales
del modelo son (0) =    (0) =   (0) =  y  (0) =  
2.5.4. Reactor continuo de tanque agitado
Un tipo de reactor que se usa ampliamente en la industria es el de tanque agitado, en el cual

existe un flujo continuo del material reactante y de productos. Este reactor se conoce como reactor
continuo de tanque agitado (CSTR). Por lo general, se considera que un CSTR es homogéneo y
por lo tanto se modela sin variaciones espaciales en la concentración, temperatura o velocidad de
61
Reactivo A
Entrada del
liquido de
Enfriamiento Chaqueta de
enfriamiento
Salida del liquido

Productos de Enfriamiento
Figura 2-4: Reactor continúo de tanque agitado no-isotérmico.
reacción en todo el recipiente.

Se considera un CSTR en operación no-isotérmica que se muestra en la Figura (2-4), en el cual
se produce ciclopentanol () a partir de ciclopentadieno () a través de la adición de agua en
una solución diluida. Debido a la fuerte reactividad del reactivo  y del producto  se produce en
forma lateral diciclopentadieno () por una reacción Diels-Alder y ciclopentanediol () como un
producto consecutivo por la adición de otra molécula de agua. El esquema de reacción, conocido
como cinética de Van de Vusse es:
5 6 + 2  → 5 7 
5 7  + 2  → 5 8 ()2 (2.33)
25 6 → 10 12
Considerando densidad constante los balances de masa para los componentes  y  son:
 
= (0 −  ) − 1  − 3 2 (2.34)
 
 
= −  + 1  − 2 
 
donde 0 es la concentración de entrada del componente   es la velocidad de flujo volumétrico,
62
 es el volumen del reactor y  son las constante cinéticas de reacción que están dadas por
expresiones del tipo Arrenihus:

 = 0 exp(− )  = 1 2 3 (2.35)

donde 0 es el factor pre-exponencial y  es la energía de activación.

El reactor está provisto por una chaqueta de enfriamiento para mantener la temperatura dentro
del reactor a una temperatura constante. Considerando que el medio de enfriamiento y el reactor
obedecen una ley de enfriamiento del tipo Newton, los balances de energía se escriben como:
  1 1
= (0 −  ) − ∆1 1  − ∆2 2 
   
1 
− ∆3 3 2 + ( −  ) (2.36)
  
  1
= ( −  ) + 
    
donde ∆ es la entalpía de reacción,  es la densidad de la mezcla reactante,  y  son las
capacidades caloríficas de la mezcla reactante y del fluido de enfriamiento respectivamente, 
es el coeficiente de transferencia de calor global,  es el área de transferencia de calor entre el
reactor y el medio de enfriamiento, 0 es la temperatura de entrada,  es la masa del fluido de
enfriamiento y  es el calor que se remueve por el medio de enfriamiento. Las condiciones iniciales
son  (0) =    (0) =    (0) =  y  (0) = 
2.5.5. Reactores continuos de tanque agitado en serie
La configuración de CSTRs en serie permite obtener algunas de las características de la op-

eración de un CSTR (económico y de fácil control y mantenimiento) con un desempeño cercano a
la operación de reactores tubulares.
Se considera una configuración de 3 reactores en cascada como se muestra en la Figura (2-5).
El reactor 1 recibe una corriente con velocidad de flujo volumétrico  y concentración de entrada
0  El reactor 2 recibe como alimentación la descarga del reactor 1 y descarga y alimenta al
reactor 3 Considerando que la cinética sigue la ley de acción de las masas, los balances de masa
63
Corriente de
entrada reactor 1
Reactor 1
Reactor 2
Reactor 3
Corriente de
salida reactor 3
Figura 2-5: Reactores continuos de tanque agitado en serie.
64
para una reacción  →  en cada uno de los reactores se pueden escribir como:
1
1 =  (0 − 1 ) − 1 (2.37)

2
2 =  (1 − 2 ) − 2

3
3 =  (2 − 3 ) − 3

donde  es la constante de velocidad de reacción de primer orden y  son los volúmenes de los
reactores  ( = 1 2 3).
Generalizando las ecuaciones anteriores se obtiene:

 =  (−1 −  ) −  (2.38)

que describe los balances de masa para  reactores en serie. En este caso el reactor  recibe como
alimentación la descarga del reactor anterior, es decir  − 1 y descarga y alimenta al reactor  + 1
2.5.6. Intercambiador de calor
Los intercambiadores de calor se usan ampliamente en todo tipo de industrias con la finalidad
de aumentar o disminuir temperatura a corrientes de fluidos. Con las necesidades de integración de
energía de los procesos industriales, los intercambiadores de calor se usan además para intercambiar
temperaturas entre corrientes del proceso.
La descripción dinámica de intercambiadores de calor se puede hacer de dos formas: (i) modelos
de parámetros agrupados (i.e. descritos por ODEs) y (ii) modelos de parámetros distribuidos (i.e.
descritos por PDEs). Debido a que las variaciones de los estados, i.e. temperaturas, ocurren no solo
en el tiempo sino además a lo largo de la posición espacial, los modelos de parámetros distribuidos
se ajustan mejor a la naturaleza de los intercambiadores de calor.
El uso de PDEs para describir a modelos de parámetros distribuidos complica el análisis,
la simulación y el diseño de esquemas de control, debido a que la teoría para PDEs es más
compleja de aplicar que la que existe para ODEs. De esta forma, en muchos casos se prefiere
usar la aproximación de modelos de parámetros agrupados para la descripción de la dinámica de
intercambiadores de calor.
65
Correinte del fluido
de servicio, v2
Corriente del fluido

de proceso, v1
T1=f(t,z)
T2=f(t,z) Salida del fluido

de proceso
Salida del fluido

de servicio
Figura 2-6: Intercambiador de calor en paralelo.
El proceso que se considera es un intercambiador de calor en paralelo o co-corriente que se

muestra en la Figura (2-6), en el cual la corriente de proceso a una temperatura 1 y una velocidad
de fluido 1 se enfría/calienta por una corriente de servicio a una temperatura 2 y una velocidad
de fluido 2  En las dos corrientes se desprecian gradientes difusionales de temperatura, de forma
que el flujo se puede describir como flujo tapón. Las dos corrientes están conectadas por el área
de transferencia () de calor entre ellas.
Los balances de energía sobre cada una de las corrientes conducen a las siguientes ecuaciones:
1 1 
= −1 + (2 − 1 ) (2.39)
  1 1
2 2 
= −2 − (2 − 1 )
  2 2
donde  es el coeficiente de transferencia de calor global, 1 y  son las capacidades caloríficas
y las masas totales de las corrientes  ( = 1 2) respectivamente.
Para completar la descripción del modelo es necesario establecer las condiciones frontera y
condiciones iniciales. Las condiciones frontera más comunes son condiciones frontera de Dirichlet:
 ( ) = 0 (2.40)
66
de Newmann:
 ( )
=0 (2.41)

y de Danckwerts:
 ( )
 ( ) −  = 0 (2.42)

En este caso las condiciones frontera para los términos convectivos están dadas por:
1 (0 ) = 10 2 (0 ) = 20 (2.43)
y las condiciones iniciales por:
1 ( 0) = 1 () 2 ( 0) = 2 () (2.44)
2.5.7. Reactor tubular flujo tapón
Los reactores tubulares son de los más importantes para las industrias biotecnológicas, de
refinación del petróleo y poliméricas. Un reactor tubular es cualquier recipiente cilíndrico a través
del cual los reactantes fluyen y ocurre una reacción química o bioquímica en su interior. Es decir,
es una operación continua en la cual hay un movimiento constante de uno o de todos los reactivos
en una dirección espacial promedio y en el que no se hace intento alguno por inducir el mezclado
entre los elementos del fluido en ningún punto a lo largo de la dirección de flujo.
El uso de reactores tubulares biológicos de cama empacada (i.e. enzimas o microorganismos
inmovilizados) para algunas reacciones bioquímicas permite mayor estabilidad térmica, uso de un
mayor volumen celular, más eficiencia en la extracción de productos y velocidades de flujo mayores
respecto a otro tipo de reactores. Algunos ejemplos son la remoción de contaminantes de efluentes
industriales, la producción de antibióticos y la producción de etanol.
Se considera un reactor biológico tubular isotérmico de cama empacada como el que se muestra
en la Figura (2-7), donde se llevan a cabo dos reacciones, una de crecimiento autocatalítico de
microorganismos y la otra de desactivación de microorganismos:
 →   →  (2.45)
67
Productos +
Substrato microorganismos
desactivados
z=0 z=L
Cama de microorganismos
Figura 2-7: Reactor tubular biológico de flujo tapón.
donde  es la concentración de microorganismos inmovilizados en algún soporte y los cuales

permanecen dentro del reactor,  es la concentración de substrato fluyendo a través del reactor y
 es la concentración de microorganismos desactivados. Para formular el modelo se considera que
se tiene flujo tapón y que los microorganismos desactivados son expulsados del reactor mediante el
flujo convectivo. Desde un enfoque matemático los reactores tubulares se modelan como sistemas
de parámetros distribuidos en estado dinámico. En estado estacionario pueden estar descritos por
ecuaciones diferenciales parciales o por ecuaciones diferenciales ordinarias.
Los balances de componentes conducen a las ecuaciones:

= ( ) −  

  
= − − 1 ( ) (2.46)
  
  
= − +  
  
donde el término   representa la rapidez de desactivación de biomasa,  es el flujo de al-

imentación al reactor,  es el área de sección transversal del reactor y ( ) es la cinética
enzimática, la cual está dada por una expresión tipo Contois:
máx 
( ) = (2.47)
  + 
las condiciones iniciales están dadas por:
(0 ) =  (0 ) =  (2.48)
68
y condiciones frontera tipo Dirichlet:
( 0) =   ( 0) = 0 (2.49)
2.5.8. Reactor tubular con dispersión axial
El mecanismo por el cual el calor o la masa se dispersan en una cama empacada a través de la
cual un fluido está fluyendo ha sido objeto de una gran atención. Se ha supuesto que la dispersión
de calor y masa en la dirección axial y radial es un proceso difusivo sobre-impuesto al flujo
convectivo, de esta forma el efecto global se describe por un conjunto de ecuaciones diferenciales
parciales parabólicas. Los reactores tubulares en los cuales es importante el término de dispersión
son principalmente los reactores catalíticos de cama empacada. Algunos ejemplos del uso de este
tipo de reactores son la síntesis de amoníaco, la producción de ácido sulfúrico y muchos procesos
de refinación del petróleo.
Los modelos seudo-homogéneos son los más simples para el modelado del reactor de cama
fija catalítico. La consideración básica que se hace es que el reactor puede describirse como una
entidad que consiste solamente de una fase simple. En el modelo se supone que toda la superficie
catalítica está totalmente expuesta a las condiciones del medio y que tiene las mismas condiciones
a las del fluido y puede entonces ser completamente descrito por las variables del medio (tempe-
ratura, concentración, presión). Esto es estrictamente válido cuando el factor de efectividad (i.e., la
relación de la velocidad de reacción con resistencias difusionales sobre la velocidad de reacción a las
condiciones del medio) es igual a la unidad ( = 10) para todas las reacciones y/o componentes.
Esto permite que las velocidades intrínsecas de reacción se usen en el modelo de reacción sin
ninguna modificación.
El sistema que se considera se muestra en la Figura (2-8) y es un reactor tubular no isotérmico
en el cual se lleva a cabo una reacción exotérmica de primer orden irreversible  →  En términos
de los parámetros adimensionales de la Tabla 1, los balances de materia y energía están dados
por: ½ ¾
1 1  2 1 1 2
= − + (1 − 1 ) exp (2.50)
  1  2   1 + 2 
69
Fluido de enfriamiento
x2w, Temperatura de enfriamiento
Reactivo A Productos
z=0 z=L
Cama de Catalizador
Figura 2-8: Reactor tubular de cama empacada.

−0       +(1− ) 
1 = =  1 =  =
³ 0 ´ 0    
 −0  p     (−∆)0 
2 = 0 0
=  
 2 = 
=   0
³ ´
 −0  p (1− )0 exp(−) 4
2 = 0 0
= 
 = 
=    
Cuadro 2.1: Parámetros adimensionales del reactor tubular con dispersión axial
½ ¾
2 1  2 2 1 2  2
= 2
− + (1 − 1 ) exp (2.51)
  2       1 + 2 

+ (2 − 2 )

donde 1 y 2 representan la concentración adimensional del reactivo  y la temperatura adimen-

sional,  1 y  2 son los números de Peclet de masa y calor,  es el número de Damkholer, 
es el calor de reacción adimensional y  es el número de Lewis.
Para el reactor tubular con dispersión axial, la condición frontera a la entrada del reactor es
del tipo Danckwerts:
¯
1 (0 ) ¯¯
=  1 (1 (0 ) − 10 ) (2.52)
 ¯=0
¯
2 (0 ) ¯¯
=  2 (2 (0 ) − 20 )
 ¯=0
70
y de no deslizamiento o de Newmann a la salida del reactor:
¯
1 ( ) ¯¯
= 0 (2.53)
 ¯=
¯
2 ( ) ¯¯
= 0
 ¯=
2.5.9. Columna de destilación binaria ideal continúa
El último ejemplo que se presenta es el caso de una columna de destilación binaria ideal
continua. La destilación es una de las operaciones unitarias más comunes en la industria del
petróleo. En la columna de destilación una mezcla que entra a la columna se separa en forma de
vapor (el componente más volátil o con menor punto de ebullición) y se eleva a lo largo de la
columna hasta llegar al domo. Parte de la alimentación (el componente menos volátil) desciende
a lo largo de la columna hasta alcanzar el fondo. El vapor en el domo de la columna, que es más
rico en el componente más volátil, se envía a un condensador. Para aumentar la calidad de los
componentes que se separan, es común que parte del vapor que se condensa en el domo de la
columna se recicle a la columna, así como parte del líquido se recicla a la columna en forma de
vapor después de pasar por un re-hervidor.
Se considera el modelo clásico presentado por Luyben de una columna continua de destilación
binaria ideal como se muestra en la Figura (2-9). La columna tiene  platos teóricos ideales. Una
mezcla binaria con flujo molar  y composición de alimentación  se alimenta en el plato  .
En el fondo de la columna (etapa  + 1) se tienen  moles con fracción mol de líquido   La
corriente del líquido del fondo se separa en una parte que envía a un re-hervidor que alimenta a
la columna con vapor a una velocidad de flujo  y composición  y otra parte que sale con una
velocidad de flujo  y composición   El vapor en el domo de la columna (etapa 1) pasa por un
condensador total y el condensado se envía a un tambor de reflujo, el cual tiene una retención de
líquido  con composición de líquido   Parte del condensado se envía al plato 1 de la columna
como un reflujo a una velocidad 0 y una composición   El producto del tambor de condensado
se remueve con una composición  y una velocidad  La retención de líquido en cada plato 
de la columna es  con composición de líquido  y composición de vapor correspondiente  
Algunas simplificaciones para formular el modelo matemático son: (i) presión constante, (ii)
el sistema es ideal, con el equilibrio descrito por una volatilidad relativa constante, (iii) no existen
71
Corriente
liquida de
entrada
Corriente de
Corriente de destilado
alimentación
Corriente de vapor
de entrada
Corriente
liquida de
salida Fondos
Figura 2-9: Columna de destilación continúa ideal.
72
pérdidas de calor, (iv) los platos de la columna tienen 100 % de eficiencia y se comportan como
platos teóricos y (v) el reflujo y la alimentación están saturados (  = 1 donde  es la calidad
de la alimentación). Las ecuaciones del modelo de la columna de describen a continuación.
En el tambor de reflujo se tiene:

 =  1 − ( + ) (2.54)

en la sección de enriquecimiento ( = 1 2   ):

 = (−1 −  ) +  (+1 −  ) (2.55)

 = 
 = ( + 1)
en el plato de alimentación:

 =   +  −1 − 0  +   +1 −  0  (2.56)

0 =  +  =  + 
 0 =  − (1 − ) = 
en la sección de agotamiento ( =  +1   +2   ):

 = 0 (−1 −  ) +  0 (+1 −  ) (2.57)

en el re-hervidor:

 = 0  −   −  0  (2.58)

 = 0 −  0
73
El equilibrio entre las fases líquida y gas para cada plato  ( = 1 2  ) se expresa como:

 = (2.59)
1 + ( − 1)
donde  es la volatilidad relativa.

El lector puede consultar las siguientes referencias para complementar la información que se
presenta en este capítulo:
Luyben W.L. (1991). Process. Modelling, Simulation and Control for Chemical Engineers.
McGraw Hill.
Aris, R. (1994). Mathematical Modelling Techniques. Dover Publication Inc.
Ingham, J. (2007). Chemical Engineering Dynamics: An Introduction to Modeling and Com-

puter Simulation. Wiley-VCH.
74
Capítulo 3
Simulación de Procesos
3.1. Introducción
La simulación de procesos es la representación de un proceso por medio de un modelo matemáti-
co y su solución numérica para obtener información sobre el comportamiento del proceso.
La simulación de procesos se utiliza en:
Investigación y desarrollo: Un programa de simulación con un mínimo de datos se puede

usar para probar la factibilidad económica de diferentes procesos.
Evaluación de alternativas de proceso: En esta etapa se pueden evaluar diferentes configu-

raciones de un proceso y condiciones de operación.
Pruebas de planta piloto: El uso de simuladores puede ayudar a obtener buenas estimaciones
de las condiciones de operación del proceso real a partir de datos obtenidos en plantas piloto.
Diseño de equipos: El simulador de procesos proporciona los datos requeridos para el diseño
detallado de diferentes equipos.
Simulación de plantas existentes: La simulación de una planta existente puede ser útil si
existe la necesidad de cambiar las condiciones de operación.
La simulación de procesos también puede ser útil para encontrar la mejor estrategia para
elevar o disminuir la producción, aumentar la eficiencia de la operación a través de la integración
75
de energía, reconfigurar la planta para diferentes materias primas o requerimientos de productos
con diferentes composiciones.
La simulación de procesos se puede formular en 5 pasos:
1. Identificar el problema. En este paso se debe de definir las características del problema a
ser estudiado. Si es un problema de diseño y optimización aquí se define que se trata de
una simulación en estado estacionario. Por otro lado, si se trata de un problema de control
de procesos se tiene que realizar una simulación dinámica. En general, los modelos que se
usan para diseño de equipos son muy detallados y los modelos que se usan para control de
procesos pueden ser simples para no hacer muy complejo el problema del diseño de control.
2. Localizar los datos necesarios. Para completar la descripción de un modelo matemático de

un proceso es necesario contar con los datos de todos los parámetros que intervienen en el
modelo. En los problemas de diseño de equipos y procesos, la localización de datos puede
incluir obtener propiedades termodinámicas, datos cinéticos, calores de reacción, entre otros.
Actualmente, la mayoría de simuladores comerciales cuentan con técnicas de estimación de
muchos datos de componentes. Para problemas de control de procesos, la localización de
datos no es tan complicada, debido al uso de modelos simples, que en general cuentan con
pocos parámetros y en muchos casos se consideran constantes para el rango de condiciones
de operación que se requiere.
3. Seleccionar la plataforma de simulación: Para los ingenieros químicos, existen tres platafor-
mas principales para realizar la simulación de un proceso,
Lenguajes de programación. En los lenguajes de programación, tales como Visual For-

tran, Visual Basic, o C, las ecuaciones del modelo matemático se simulan a través de la
escritura del modelo en un lenguaje que sigue ciertas reglas y del uso o programación
de métodos numéricos para resolver las ecuaciones del modelo matemático.
Programas orientados a la simulación. Los programas orientados a simulación tienen

como objetivo común el minimizar el tiempo y el esfuerzo de la escritura de métodos
numéricos para resolver modelos matemáticos. En general el aprendizaje de este tipo
de programas requiere sólo unas pocas horas y son ambientes amigables al usuario.
76
Los programas orientados a simulación más conocidos son el Mathematica, Matlab,
Berkley-Madonna y Polymath.
Simuladores de procesos. Un simulador se puede definir como una herramienta que

reproduce la operación de un proceso con cierto grado de fidelidad. Los componentes
principales de un simulador de procesos son: (i) un módulo de librerías con modelos
matemáticos de operaciones unitarias, (ii) bases de datos de propiedades físicas y ter-
modinámicas y (iii) una interfase interactiva donde se representa el proceso en forma
gráfica como un diagrama de flujo. Los simuladores de procesos más conocidos son:
Aspen Plus de Aspen Plus Technology (Cambridge, Mass.), ChemCad de Chemstations
Inc. (Hosuton) y Pro/II de Simulation Sciences Inc. (Brea, Calif.).
4. Utilizar los recursos de cómputo adecuados. La selección de la plataforma de simulación

determina en gran medida las necesidades de cómputo para la simulación del proceso. Los
simuladores de procesos como Aspen Plus y Pro/II requieren procesadores de alto desempeño
y con buenas capacidades de visualización gráfica. Se debe tener en cuenta también que la
simulación dinámica es más complicada y más demandante en tiempo de cómputo que la
simulación en estado estacionario.
5. Analizar los resultados obtenidos. Es común que al comenzar a usar alguna plataforma de
simulación se generen errores en la alimentación de las ecuaciones del modelo y la asignación
de parámetros, si esto ocurre, es probable que no se generen resultados de la simulación.
Por otro lado, si los resultados que se obtienen no tienen sentido físico, en este punto se
pueden identificar posibles errores e inconsistencias en los modelos y datos alimentados. La
evaluación formal de los resultados que se obtienen de una simulación se puede completar
con las herramientas descritas en el siguiente capítulo.
3.2. Simuladores de procesos

Muchos proyectos de desarrollo e investigación sobre procesos que se llevan a cabo a nivel
industrial y centros de investigación se apoyan en el uso de simuladores de procesos.
Algunas características de los simuladores de procesos son:
77
Puede usarse para modelar procesos típicos a los encontrados en las industrias químicas y
petroleras.
Se basan en modelos de diagrama de flujo.
Se pueden usar para el desarrollo, diseño de procesos y la operación de la planta.
Permite predecir el comportamiento de un proceso empleando relaciones básicas de ingeniería

tales como balances de energía y masa, equilibrio de fase, equilibrio químico y la cinética de
las reacciones.
Proporcionan datos termodinámicos confiables, condiciones de operación reales y modelos

rigurosos de equipo.
Dos de los simuladores de procesos de mayor uso son el Aspen Plus y el ChemCad.
3.2.1. ChemCad1
ChemCad permite calcular caídas de presión en redes de tuberías, encontrar la composición

y masa de efluentes de vapor, formular modelos matemáticos rigurosos de una planta completa,
entre otras tareas específicas.
Los módulos principales de ChemCad son:
CC-Steady State: El cual incluye una base de datos de componentes químicos, métodos
termodinámicos y operaciones unitarias que permiten realizar la simulación en estado esta-
cionario de procesos químicos.
CC-Dynamics: Permite realizar la simulación de procesos en estado dinámico. Con este

módulo se pueden hacer pruebas de controladores clásicos PID, así como entrenamiento de
operadores.
CC-Flash: Permite el cálculo riguroso de las propiedades físicas de componentes puros y el

equilibrio de fase de mezclas físicas.
1 c 2007 ChemCad es una marca registrada de Chemstations, Inc.

°
78
3.2.2. Aspen Plus2
Aspen Plus puede ser muy útil para diseñar mejores plantas e incrementar la producción en
plantas existentes, se pueden cambiar especificaciones, tales como la configuración del diagrama
de flujo, condiciones de operación y composición de la alimentación, para correr nuevos casos y
analizar alternativas y para analizar los resultados, se puede generar gráficas, reportes y archivos
extendidos.
Además de las características generales de los simuladores comerciales, con Aspen Plus se
pueden ejecutar un amplio rango de tareas adicionales. Entre ellas: (i) Realizar análisis de sensi-
bilidad y casos de estudio. (ii) Generar gráficas y tabular los resultados. (iii) Cálculo y regresión
de propiedades físicas. (iv) Evaluar los costos de la planta. (v) Optimizar procesos. (vi) Obtener
parámetros de diseño de equipo.
Aspen Plus además contiene datos, propiedades, modelos de operaciones unitarias, reportes
y otras características y capacidades desarrolladas para aplicaciones especificas a varios tipos de
industrias. Por ejemplo, para aplicaciones de simulación dinámica y control de procesos se tienen
los módulos de Aspen Dynamics y Aspen HYSYS Dynamics.
Aspen Dynamics. Este módulo esta dirigido a la simulación dinámica y la optimización de

procesos químicos. Aspen Dynamics extiende los modelos en estado estacionario de Aspen
Plus a modelos dinámicos, lo que permite el diseño y la verificación de esquemas de control
de procesos, estudios de seguridad, evaluar políticas de arranque, cambios de producción
y paros de un proceso. Las herramientas de optimización y estimación permiten estimar
parámetros, reconciliación de datos y optimización dinámica de procesos.
Aspen HYSYS. Este módulo esta dirigido para la simulación dinámica de procesos de la
industria del petróleo, procesamiento de gas y refinación. Aspen HYSYS tiene una base de
datos muy completa para el cálculo preciso de propiedades físicas, propiedades de transporte
y comportamiento de fase para las industrias del petróleo y refinación. Los modelos de las
operaciones unitarias son escalables y permiten múltiples niveles de detalle en geometría de
equipos para aumentar el nivel de fidelidad de las aplicaciones. Aspen HYSYS incluye varias
herramientas para el monitoreo y control de procesos, tales como diferentes controladores y
2 c 2007 Aspen Plus es una marca registrada de Aspen Technology, Inc.

°
79
operaciones lógicas.
3.3. Programas orientados a la simulación

Los simuladores comerciales permiten realizar la simulación de procesos químicos a través de
bases de información de datos termodinámicos, unidades de procesos con modelos rigurosos y
diagramas de flujo amigables al usuario. Sin embargo, para completar la descripción de un caso
de estudio en un simulador de procesos en muchos casos se requiere contar con parámetros de
diseño y condiciones de operación que en muchas ocasiones no están disponibles. Los programas
orientados a la simulación de procesos son programas que son relativamente simples de usar y
tiene mucha flexibilidad para resolver sistemas de ecuaciones simples que describen un proceso y
que son particularmente útiles para estudios de control y optimización de procesos.
En los programas orientados a la simulación de procesos el usuario alimenta las ecuaciones en
una forma simple y proporciona valores específicos a los parámetros del sistema y las ecuaciones
se resuelven a través de métodos numéricos que están disponibles en librerías del programa. Los
resultados que se generan se pueden desplegar en forma de gráficas y tablas en las cuales se puede
hacer un análisis de los datos que se obtienen.
La ventaja de los programas orientados a la simulación es que no es necesario programar
métodos numéricos, la cual no obstante también es una de sus principales desventajas, ya que el
usuario esta sujeto a las limitaciones de los métodos numéricos disponibles, los cuales en casos
de cierta complejidad pueden presentar problemas de convergencia. Los programas orientados a
la simulación de procesos más conocidos son el Polymath, Berkeley Madonna, Matlab-Simulink,
Mathematica, entre otros.
Mathematica permite realizar cálculos simbólicos, gráficos y numéricos de alto nivel. Las ca-
pacidades básicas de Mathematica permiten hacer cálculos numéricos de ingeniería y en un nivel
más avanzado es posible realizar programas específicos a través de lenguaje de programación. Otros
cálculos que se pueden hacer incluyen: resolver conjuntos de ecuaciones algebraicas y diferenciales
en forma analítica y numérica, variación de parámetros, representación gráfica de datos, etc.
80
3.3.1. Matlab-Simulink
Matlab fue creado originalmente para resolver problemas matriciales, sin embargo, actualmente
es posible resolver prácticamente cualquier problema numérico de ciencias e ingeniería a través de
paquetes específicos (toolboxes), así como visualizar datos en una gran diversidad de presentaciones
gráficas. Matlab tiene además capacidades para escribir programas en un lenguaje de programación
sencillo, que comparte muchas características con otros lenguajes de programación, tales como
Visual Fortran, Visual Basic y C.
Para resolver sistemas de ecuaciones diferenciales que describen a un proceso en Matlab se
tienen dos opciones: (i) solución con librerías de métodos numéricos para resolver ODEs. (ii)
solución con la programación de los métodos numéricos.
Uno de los paquetes de herramientas de Matlab que es de gran utilidad para realizar cálculos
de simulación y control de procesos es el Simulink, el cual es un programa dirigido principalmente
a la simulación de sistemas dinámicos, ya que cuenta con características adicionales para sistemas
dinámicos que complementan las herramientas de objetivo general de Matlab. En Simulink el
usuario puede alimentar las ecuaciones diferenciales directamente, o bien a través del uso de iconos
gráficos para determinadas funciones (derivada, integración, sumatoria y funciones determinadas,
tales como cambios escalón y pulso, entre otras) y enlazarlas en un diagrama de flujo en forma
lógica.
3.4. Lenguajes de programación

Los lenguajes de programación permiten realizar la simulación de un proceso a través de
la escritura de las ecuaciones del modelo y de los métodos numéricos a utilizar, por medio de
una estructura e instrucciones definidas por el lenguaje de programación. Estos métodos tiene
la ventaja principal que el usuario tiene un mayor control sobre las propiedades de convergencia
y un manejo más sencillo de los datos de las solución de un modelo. La desventaja principal es
que se requiere una mayor inversión de tiempo, respecto a otras opciones de simulación, para
familiarizase con el lenguaje de programación, escribir las ecuaciones del modelo y programar los
métodos numéricos.
Los lenguajes de programación de mayor uso son el Visual Fortran y el C. En el caso del Visual
81
Fortran se dispone del paquete IMSL que es una biblioteca que contiene más de 1000 subrutinas
de análisis numérico escritas en Fortran, entre las que se encuentran solución a sistemas lineales,
sistemas de valores y vectores propios, interpolación y aproximación, integración y diferenciación,
ecuaciones diferenciales, ecuaciones no lineales, optimización. La librería IMSL cuenta además con
funciones especiales de amplio uso en cálculos de ciencias e ingeniería.
3.4.1. Métodos numéricos
En esta Sección se presentan los fundamentos de tres métodos numéricos que se usan común-
mente en el análisis y la simulación de procesos: (i) El método de Newton-Raphson, (ii) el método
de Euler y (iii) el método de Runge-Kutta. El método de Newton-Raphson se usa para encontrar
las raíces o puntos de equilibrio de un modelo. Los métodos de Euler y de Runge-Kutta son méto-
dos para la solución numérica de ecuaciones diferenciales ordinarias o problemas de valor inicial.
Se presenta además el método de discretización por diferencias finitas, el cual forma la base de
los tres métodos numéricos mencionados, así como para resolver en forma numérica sistemas de
ecuaciones diferenciales parciales.
Diferencias Finitas
El método de diferencias finitas trata con puntos específicos dentro un intervalo o dominio,
denominados puntos malla. El dominio está dividido en intervalos equidistantes, aunque tal con-
sideración de intervalos iguales no es necesaria. Si se supone que se tiene una función continua
() al usar una expansión de Taylor se pueden deducir fórmulas en diferencias para la primer
y segunda derivada involucrando solamente los valores en −1   y +1  donde  indica el punto
malla de la discretización.
Desarrollando la serie de Taylor para  (+1 ) y (−1 ) con un incremento de discretización
∆ se obtiene:
( ) ∆2 2 ( ) ∆3 3 ( )

(+1 ) = ( ) + ∆ + + +  (3.1)
 2! 2 3! 3
 ( ) ∆2 2  ( ) ∆3 3 ( )

(−1 ) =  ( ) − ∆ − − +  (3.2)
 2! 2 3! 3
al reordenar las ecuaciones (3.1-3.2) y dividir por ∆ se obtienen dos expresiones para la primer
82
derivada:
(+1 ) −  ( ) ( ) ∆ 2 ( )
= + +  (3.3)
∆  2! 2
 ( ) −  (−1 ) ( ) ∆ 2  ( )
= − +  (3.4)
∆  2! 2
cada expresión es correcta hasta el orden de ∆ También se pueden sumar las ecuaciones (3.3) y
(3.4), reordenar y dividir por ∆ con lo que se obtiene:
(+1 ) − (−1 ) ( ) ∆ 3 ( )

= + +  (3.5)
2∆  3! 3
La cual es correcta hasta el orden de ∆2  Si se restan las ecuaciones (3.4) y (3.3), reordenan y
dividen por ∆2 se obtiene una expresión para la segunda derivada:
(+1 ) − 2 ( ) +  (−1 ) 2  ( ) 2∆2 3 ( )

= + +  (3.6)
∆2 2 4! 3
Despreciando los términos de alto orden en las expresiones (3.5) y (3.6) se obtiene:
( ) (+1 ) −  (−1 )

= (3.7)
 2∆
2 ( ) (+1 ) − 2( ) +  (−1 )
= (3.8)
2 ∆2
las cuales son las formas conocidas como primer y segunda derivada centradas, las cuales utilizan
información de puntos de discretización antes y después del punto de evaluación.
El método de diferencias finitas tiene la ventaja de su fácil formulación, sin embargo es necesario
en algunos casos un elevado número de puntos malla para obtener una buena precisión.
Método de Newton-Raphson
El método de Newton-Raphson es un algoritmo eficiente para encontrar aproximaciones de los

ceros o raíces de una función real. También se puede usar para encontrar el máximo o mínimo de
una función, encontrando los ceros de su primera derivada.
Para resolver una función no-lineal () el algoritmo se basa en una versión linealizada de  ()
83
y
f(x) df(x)/dx
x
x* x2 x1 x0
Figura 3-1: Método de Newton-Raphson
en un punto discreto +1 :
 ( )
 (+1 ) ≈  ( ) + (+1 −  ) (3.9)

el proceso se puede repetir hasta que converge a un punto fijo o raíz, en donde se cumple que
(+1 ) = 0 El algoritmo que se obtiene es:
∙ ¸−1
( )
+1 =  − ( ) (3.10)

La idea del método es comenzar con una punto de inicio cercano a la raíz, se reemplaza la
función por la recta tangente en ese valor, se iguala a cero y se despeja y se aplican las iteraciones
que se deseen. La Figura (3-1) muestra la aproximación numérica del método de Newton-Raphson
a la raíz ∗ de una función  = ().
Método de Euler
El método de Euler es el método más simple para resolver problemas de valor inicial de la
forma general:

= ( ) (0 ) = 0 (3.11)

84
dxn+2/dt
dxn+1/dt
y
dxn/dt
f(x)
t
tn tn+1 tn+2
Figura 3-2: Método de Euler
en un intervalo de [0   ] dada una condición inicial 0  El método en términos generales consiste
en tres pasos: (i) discretizar la derivada del tiempo  , (ii) representar () en los puntos de
discretización, ( ) y (iii) aproximar la derivada  en cada punto de discretización usando
los valores de () actuales y anteriores, ( ). La Figura (3-2) muestra las aproximaciones
numéricas que se hacen con el método de Euler en los puntos de discretización a una función ()
Una forma de obtener el algoritmo es a partir del desarrollo de Taylor de +1 en términos del
incremento de tiempo de discretización ∆ :
 ∆ 2 2 
+1 ≈  + ∆ + +  (3.12)
 2! 2
despreciando los términos de orden superior se obtiene:

+1 ≈  + ∆ para  = 0 1 2   − 1 (3.13)

donde:

= (   ) (3.14)

La idea es iniciar el algoritmo (3.13) con el valor inicial que se conoce 0 , con lo cual se ob-
tienen valores actualizados +1 . El incremento de tiempo de la discretización se debe seleccionar
85
cuidadosamente y comúnmente depende del compromiso entre la precisión deseada y el costo com-
putacional. En problemas prácticos el método de Euler no es muy útil porque para obtener una
precisión razonable se necesita un paso ∆ muy pequeño.
Método de Runge-Kutta
La diferencia principal del método de Runge-Kutta respecto al método de Euler en el uso de

valores de la primer derivada en varios puntos en lugar de derivadas sucesivas en un sólo punto.
Como una consecuencia, los métodos de Runge-Kutta tratan de obtener mayor precisión que el
método de Euler con un incremento de tiempo no tan pequeño .
El algoritmo de Runge-Kutta es:
X

+1 ≈  + ∆    (3.15)
=1
donde:
 = ( + ∆    +   ∆)  = 1 2   (3.16)
y  ,   ,   son constantes propias del esquema numérico. Los esquemas Runge-Kutta pueden ser
explícitos o implícitos dependiendo de las constantes  del esquema.
Para el método de Runge-Kutta de cuarto orden, el cual es el algoritmo más usado para resolver
numéricamente un sistema de ecuaciones diferenciales ordinarias se tiene:
∆
+1 =  + (1 + 22 + 23 + 4 ) (3.17)
6
donde:
1 =  (   )
∆ ∆
2 =  ( + 1   + )
2 2
∆ ∆
3 =  ( + 2   + )
2 2
4 =  ( + ∆3   + ∆)
En el algoritmo (3.17) el valor +1 está determinado por el valor presente  más el producto
86
del tamaño del intervalo de tiempo ∆ por un promedio ponderado de pendientes.
3.5. Simulación dinámica de procesos con Matlab

Para fines de análisis y diseño de control de procesos es necesario llevar a cabo la simulación
numérica de modelos matemáticos, generalmente no-lineales, que describen la evolución dinámica
de los procesos químicos. En esta Sección se presentan las bases para la simulación numérica de
sistemas de ecuaciones diferenciales ordinarias y de ecuaciones diferenciales parciales por medio
de Matlab.
3.5.1. Sistemas de ODEs
Para resolver sistemas de ecuaciones diferenciales no-lineales en Matlab se tienen dos opciones:
(i) Solución con librerías de métodos numéricos para resolver ODEs. (ii) Solución con la progra-
mación de los métodos numéricos.
Soluciones con librerías
Para resolver sistemas de ecuaciones diferenciales ordinarias es conveniente crear dos archivos
desde el editor de Matlab, conocidos como archivos m por la extensión que utilizan. En el primero de
ellos se definen los parámetros y las ecuaciones a resolver. En el segundo se escriben la instrucción
que llama a la librería del método numérico a utilizar, las condiciones iniciales, el tiempo de
integración y se le proporciona formato a los resultados de la solución numérica.
Matlab cuenta con varios integradores de ecuaciones diferenciales ordinarias, los de mayor uso
son el 45 y el 23, los cuales se basan en métodos de Runge-Kutta por parejas. El 45
se recomienda para problemas en los cuales no existe rigidez numérica y se desea una precisión
moderada con bajo costo computacional. El 23 es adecuado para problemas que presentan
problemas de rigidez numérica elevada.
Para ilustrar la solución de sistemas de ODEs en Matlab considere el ejemplo modelo de Lotka-
Volterra, el cual se origino en los trabajos independientes de Lotka y Volterra en los años 20. El
matemático italiano Volterra estudio los registros de las pesquerías del Mar Adriático Superior y
observó que cuando la pesca había disminuido drásticamente, la proporción de los depredadores
87
había aumentado. Este hecho lo llevo a estudiar ese problema de una manera más general, lo
cual derivó en la primer teoría sistematizada de la dinámica de poblaciones. El modelo de Lotka-
Volterra se puede describir por las siguientes reacciones hipotéticas:

 →1  + 

 +  →2  +  (3.18)

 →3 
donde  y  son poblaciones de presas y predadores y  es la población de predadores muertos.

Si los pasos en el esquema de reacción (3.18) se describen por la ley de acción de las masas se
obtienen las expresiones para las poblaciones de presas y predadores:

= 1  − 2  (3.19)


= 2  − 3 2

al tomar parámetros adimensionales se obtienen las ecuaciones conocidas del modelo de Lotka-
Volterra:
1
= 1 1 − 2 1 2 (3.20)

2
= 3 1 2 − 4 2

donde los parámetros  son positivos. Para completar la descripción del modelo se definen las
condiciones iniciales como:
1 (0) = 1 (3.21)
2 (0) = 2
con el rango de integración de  a   .

Para los valores de los parámetros 1 = 4 = 10 2 = 3 = 20 1 = 10 2 = 20
 = 00 y   = 500 la estructura de los archivos m es:
Archivo de escritura de ecuaciones: ()
88
function  = ( );
% asignación de parámetros
 1 = 10;  2 = 20; 3 = 20; 4 = 10;
% crear un arreglo matricial de  renglones por 1 columna
% con la estructura dx=zeros(número de ecuaciones,1);
 = (2 1);
% ecuaciones del modelo de lotka-volterra
(1) =  1 ∗ (1) −  2 ∗ (1) ∗ (2);
(2) =  3 ∗ (1) ∗ (2) − 4 ∗ (2);
Archivo de solución de ecuaciones: ()
% instrucción para resolver las ecuaciones en nombre.m ()
% con la estructura [t,x]=solver(@nombre, [   ], [1 2 ]);
[ ] = 45(@ [0 50] [01 03]);
% presentación de resultados en forma gráfica
figure(1);
( (: 1)  (: 2)), (’Presas, x_1, Predadores x_2’), (’Tiempo, t’)
% grabar los datos en código ascii
 = [ (: 1) (: 2)];
   −
Solución con métodos numéricos
La solución que ofrece Matlab con los resolvedores que tiene programados en algunos casos
presentan problemas de convergencia. Aún más, al usar los métodos de Matlab no es sencillo
almacenar y presentar resultados de variables que no son los estados del sistema. Una alternativa
para tales casos es usar las capacidades de programación de Matlab y programar rutinas de métodos
numéricos de integración de ODEs. Uno de los métodos más eficientes para tal efecto es el Runge-
Kutta de cuarto orden.
Para el ejemplo del modelo de Lotka-Volterra, la estructura de los archivos m es la siguiente:
89
Archivo de ecuaciones: ()
function  = ( )
% asignación de parámetros
 1 = 10;  2 = 20; 3 = 20; 4 = 10;

% crear un arreglo matricial de  renglones por 1 columna.
 = (2 1);
% modelo de lotka-volterra
(1) = 1 ∗ (1) −  2 ∗ (1) ∗ (2);
(2) = 3 ∗ (1) ∗ (2) − 4 ∗ (2);
Archivo de solución de ecuaciones: ()
% borrar todas las variables actuales del espacio de trabajo
 
% asignar condiciones iniciales
(1) = 05; (2) = 10;
% asignar paso y tiempo de integración
 = 0001;  = 50;
% método de runge-kutta cuarto orden
   = 1 : 
() =  ∗ ;
1 =  ∗ (@  ());
2 =  ∗ (@  + 12 ());
3 =  ∗ (@  + 22 ());
4 =  ∗ (@  + 3 ());
 = ();
   = 1 : 2
90
() = () + (1() + 2 ∗ 2() + 2 ∗ 3() + 4())6;

1() = (1);
2() = (2);

% presentación de resultados en forma gráfica,
figure(1)
( 1  2), (’Presas, x_1, Predadores x_2’), (’Tiempo, t’)
% grabar los datos en codigo ascii
 = [ 1 2];
   − 
La Figura (3-3) muestra la simulación numérica de la dinámica de la población de presas y

predadores respectivamente. La dinámica oscilatoria que despliegan las variables del modelo (3-3)
se puede explicar de acuerdo a una interpretación biológica de interacción de presas y predadores.
Los predadores consumen a las presas disponibles en el medio hasta llegar a un valor mínimo
de población de presas, cuando esto ocurre, los predadores en ausencia de presas comienzan a
morir, como una consecuencia las presas vuelven a crecer y el ciclo se repite en forma continua.
El fenómeno de oscilaciones se discutirá a mayor detalle en secciones posteriores.
3.5.2. Sistemas de PDEs
Para resolver sistemas de ecuaciones diferenciales parciales en Matlab se tienen dos opciones:
(i) Solución con librerías de métodos numéricos para resolver PDEs. (ii) Solución con librerías
de métodos numéricos para resolver ODEs con la discretización de derivadas con el método de
diferencias finitas.
91
2.5
Presas, x1, Predadores x2
1.5
0.5
0
0 5 10 15 20 25 30 35 40 45 50
Tiempo, t
Figura 3-3: Simulación dinámica del modelo de Lotka-Volterra.
Solución con librerías
La solución con librerías de Matlab se puede usar para resolver un sistema de PDEs de la
forma: µ ¶ µ µ ¶¶ µ ¶
  −    
    =      +     (3.22)
    
para:
0     (3.23)
 ≤  ≤ 
sujeto a las condiciones iniciales:

( 0 ) = 0 () (3.24)
y a las condiciones frontera:

µ ¶

(  ) + ( )    =0 (3.25)

dos condiciones que deben de cumplirse son: (i) los elementos de la diagonal de la matriz  de la
ecuación (3.22) deben ser todos cero o todos positivos y (ii) los elementos de la matriz  de la
92
ecuación (3.25) deben ser todos cero o todos tomar valores diferentes de cero.
La sintaxis de la instrucción para resolver sistemas de PDEs es la siguiente:
 = (0 0 0 0 0 0  [1  2    ] [1  2    ])
Los argumentos dentro de la instrucción anterior son;
 = 0 corresponde a coordenadas rectangulares,  = 1 corresponde a coordenadas cilíndri-

cas,  = 2 corresponde a coordenadas esféricas.
 es una sub-función m donde se definen las ecuaciones principales y tiene la

sintaxis:  [  ] = (   )
 es una sub-función m donde se definen las condiciones iniciales y tiene la sintaxis:
  0 = ()
 es una sub-función m donde se definen las condiciones frontera y tiene la sintaxis:
  [   ] = (    ) Los subíndices  y  se refieren a las
condiciones a la entrada y salida del sistema.
Se considera el ejemplo del reactor tubular con dispersión axial, descrito en la Sección 2.5, que
se modela por las ecuaciones (2.50)-(2.53). En términos de la estructura general de solución con
librerías de Matlab. Si se toma 1 = 1 y 2 = 2 las ecuaciones (2.50)-(2.53) se pueden escribir
como:
⎡ ⎤ ⎡ ⎤ ⎡ ⎤
1
1 1 (1 )
⎣ ⎦  ⎣ ⎦ =  ⎣  1 ⎦+
1  2  1
 2 
(2 )
⎡ ⎤
−1 +
⎢ ⎥
⎢ ⎥
⎢ (1 − 1 ) exp( 1+22  ) ⎥
⎢ ⎥ (3.26a)
⎢ 1 ⎥
⎢ −  2  +  (1 − 1 ) ⎥
⎣  ⎦

exp( 1+22  ) +  (2 − 2 )
⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤
1 − 10 − 11 1  0
⎣ ⎦+⎣ ⎦⎣ ⎦ = ⎣ ⎦ (3.26b)
2 − 20 − 12 2  0
⎡ ⎤ ⎡ ⎤⎡ ⎤ ⎡ ⎤
0 1 1  0
⎣ ⎦ + ⎣ ⎦⎣ ⎦ = ⎣ ⎦ (3.26c)
0 1 2  0
93
La estructura de los archivos m para los valores de los parámetros  1 = 50  2 = 50
 = 1  = 0158  = 110  = 00  = 200 2 = 00 10 = 00 20 = 00 y condiciones
iniciales cero es:
% archivo general
  
 = 0;
% definir los puntos malla de presentación de resultados en posición y tiempo
 = [0 : 005 : 1];
 = [0 : 05 : 10];
% instrucción para resolver las ecuaciones del sistema
 = ( @ @ @  );
% re-asignar variables
1 = (: : 1); 2 = (: : 2);
% presentación de resultados en forma de superficie espacio-temporal
(2 1 1); (  1) (’Posicion, x’), (’Tiempo, t’), (’Concentracion,

x_1’);
(2 1 1); (  2) (’Posicion, x’), (’Tiempo, t’), (’Temperatura,

x_2’);
% sub-función m de escritura de ecuaciones del modelo
  [  ] = (   )
% parámetros del modelo
 1 = 50;  2 = 50; 1 = 1 1; 2 = 1 2;  = 1;  = 0158;
 = 110;  = 00;  = 200; 2 = 00; 10 = 00; 20 = 00;
% estructura del modelo
 = [1; 1];
94
 = [1 ∗ (1); 2 ∗ (2)];
1 = −(1) +  ∗ (1 − (1)) ∗ ((2)(1 + (2)));
2 = −(2) +  ∗  ∗ (1 − (1)) ∗ ((2)(1 + (2)))
+ ∗ (2 − (2));
 = [1; 2];
% sub-función de escritura de condiciones iniciales
  0 = ()
0 = [00; 00];
% subfuncion de escritura de condiciones frontera
  [   ] = (    )
% parámetros de las condiciones frontera
10 = 00; 20 = 00;  1 = 50;  2 = 50; 1 = 1 1; 2 = 1 2;
 = [(1) − 10; (2) − 20];
 = [−1; −2];
 = [0; 0];
 = [1; 1];
% finalización de programa
La Figura (3-4) muestra la evolución en la posición y en el tiempo de la concentración 1 y

temperatura 2 del reactor con dispersión axial. Después de un transitorio inicial las variables del
reactor se establecen en valores que no cambian respecto al tiempo o valores en estado estacionario.
Solución con métodos numéricos
Para utilizar las librerías de Matlab de solución de ODEs en la solución de PDE se utilizan
esquemas de diferencias finitas. Para el ejemplo del reactor tubular con dispersión axial (2.50)-
(2.53), la discretización de las segundas derivadas por esquemas en diferencias finitas centradas y
95
Concentracion, x 1
0.5
0
10
0.8 1
5 0.6
0.2 0.4
0 0
Tiempo, t Posicion, x
20
Temperatura, x2
10
0
10
0.8 1
5 0.6
0.2 0.4
0 0
Tiempo, t Posicion, x
Figura 3-4: Simulación dinámica de un reactor con dispersión axial. Perfiles espacio-temporales.
96
de las primeras derivadas por esquemas de diferencias finitas retrasadas de las variables 1 y 2
están dadas por:
2 1 1+1 − 21 + 1−1 1 1 − 1−1

2
= = (3.27)
 ∆2  ∆
2
 2 2+1 − 22 + 2−1 2 2 − 2−1
2
= = (3.28)
 ∆2  ∆
de forma que las ecuaciones y condiciones frontera discretizadas son:
1 1 1+1 − 21 + 1−1 1 − 1−1

= − + (1 − 1 )
  1 ∆2 ∆
µ ¶
2
exp (3.29)
1 + 2 
2 1 2+1 − 22 + 2−1 1 2 − 2−1 
= 2
− + (1 − 1 )
  2  ∆  ∆ 
µ ¶
2
exp + (2 − 2 ) (3.30)
1 + 2 
¯ ¯
11 − 10 ¯¯ 21 − 20 ¯¯
¯ =  1 (10 − 11 ) ¯ =  2 (20 − 21 ) (3.31)
∆ =0 ∆ =0
¯ ¯
1 +1 − 1 ¯¯ 2+1 − 2 ¯¯
¯ = 0 ¯ =0 (3.32)
∆ = ∆ =
donde  = 1 2   y  es el número de puntos de discretización.

Para resolver las ecuaciones resultantes es conveniente escribir las variables del modelo en un
sólo vector de modo que para el ejemplo se tiene:
 = 1  + = 2 (3.33)
La estructura de los archivos al utilizar las librerías de solución de ODEs es:
Archivo de escritura de ecuaciones: ()
   = ( )
% definir el número de nodos como variable global
 
97
% definir los parámetros del modelo
 1 = 5;  2 = 5;  = 1;  = 20;  = 0158;  = 225;  = 11; 2 = 0;
% definir el incremento diferencial en posicion
 = 1;
% definir el número de ecuaciones
% las ecuaciones del nodo 1 a N corresponden a la variable x1
% las ecuaciones del nodo N+1 al nodo N+N corresponden a la variable x2
 = ( ∗ 2 1);
% definir las ecuaciones para el nodo 1
10 = (1) − (1) ∗  1 ∗ ;
20 = ( + 1) − ( + 1) ∗  2 ∗ ;
1 = () ∗ (1 − (1)) ∗ (( + 1)(1 + (( + 1))));
2 = (( ∗ )) ∗ (1 − (1)) ∗ (( + 1)(1 + (( + 1))))
−() ∗ ( + 1) + () ∗ 2;
11 = ((1) − 10);
12 = (( + 1) − 20);
21 = ((2) − 2 ∗ (1) + 10)ˆ2;
22 = (( + 2) − 2 ∗ ( + 1) + 20)ˆ2;
(1) = 21 1 ∗  − 11 + 1;
( + 1) = 22 2 ∗  − 22 + 2;
% definir las ecuaciones del modelo en los nodos 2 a N-1
   = 2 :  − 1
1 = () ∗ (1 − ()) ∗ (( + )(1 + (( + ))));
2 = (( ∗ )) ∗ (1 − ()) ∗ (( + )(1 + (( + ))))
−() ∗ ( + ) + () ∗ 2;
98
11 = (() − ( − 1));
12 = (( + ) − ( +  − 1));
21 = (( + 1) − 2 ∗ () + ( − 1))ˆ2;
22 = (( +  + 1) − 2 ∗ ( + ) + ( +  − 1))ˆ2;
() = 21 1 ∗  − 11 + 1;
( + ) = 22 2 ∗  − 22 + 2;

% definir las ecuaciones del modelo en el nodo N
1 = ();
2 = ( + );
% definir las ecuaciones del modelo en los nodos N y N+N
1 = () ∗ (1 − ()) ∗ (( + )(1 + (( + ))));
2 = (( ∗ )) ∗ (1 − ()) ∗ (( + )(1 + (( + ))))
−() ∗ ( + ) + () ∗ 2;
21 = (−() + ( − 1))ˆ2;
22 = (−( + ) + ( +  − 1))ˆ2;
() = 21 1 ∗  + 1;
( + ) = 22 2 ∗  + 2;
% fin del programa
Archivo de solución de ecuaciones: ()
% definir el número de nodos
 
 = 50;
% definir las condiciones iniciales para todos los nodos
   = 1 : 
99
0() = 0; 0( + ) = 0;

% definir el incremento y el tiempo de integración
 = (0 25 1000);
% resolver las ecuaciones resultantes con el resolvedor ode45
[ ] = 45(@  0);
% presentar los resultados de los perfiles de tiempo
figure(1)
( (: ))
figure(2)
( (:  + ))
% finalización del archivo tubularsim.m
La Figura (3-5) muestra los perfiles en el tiempo de la concentración 1 y temperatura 2

para diferentes posiciones del reactor tubular con dispersión axial. Conforme los perfiles de con-
centración y temperatura se aproximan a la posición de salida del reactor, la conversión y tempe-
ratura en el reactor se incrementan, lo cual se debe a que conforme los reactivos se desplazan a lo
largo del reactor ocurre un mayor avance del grado de reacción y un incremento de temperatura
debido a la reacción exotérmica.
3.6. Simulación dinámica de procesos

En esta Sección se presenta la programación de modelos matemáticos que se presentaron en
el Capítulo 2, de acuerdo a las ideas presentadas en la sección anterior. Se discuten además
brevemente los resultados que se generan de la simulación dinámica correspondiente.
3.6.1. Reactor lote
Se considera el modelo del reactor lote biológico presentado en la Sección 2.5.2 que se describe
por las ecuaciones (2.29-2.30). Los parámetros del modelo son máx = 0227  = 604  = 998
100
1.5
Concentracion
1
x=L
0.5
x = L/2
x=0
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo, t
15
Temperatura
10
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo, t
Figura 3-5: Simulación dinámica de un reactor con dispersión axial.
 = 78 × 10−3   = 028  = 01 y 2 = 38 Los archivos  de la simulación dinámica
son:
Archivo de ecuaciones: ()
   = ( )
% x1 = concentración de microorganismos, x2 = concentración de substrato
 = 0227;  = 604;  = 998;  = 78 − 3;  = 028;
 = ;
 = 10 + (2) + (2);
 = ;
 = (2 1);
(1) =  ∗ (1) −  ∗ (1);
(2) = − ∗ (1);
101
1
Microorganismos, x1
0.8
0.6
0.4
0.2
0
0 10 20 30 40 50 60 70 80 90 100
Tiempo, t
3
Substrato, x2
0
0 10 20 30 40 50 60 70 80 90 100
Tiempo, t
Figura 3-6: Simulación dinámica de un reactor lote biológico.
Archivo de solución de ecuaciones: ()
[ ] = 45(@ [0 100] [01 38]);
(2 1 1); ( (: 1)) (0Perfil de microorganismos0) (0x0) (0tiempo0);
(2 1 2); ( (: 2)) (0Perfil de substrato0) (0s0) (0tiempo0);
La Figura (3-6) muestra la evolución dinámica de los microorganismos y del substrato dentro
del reactor. Como se puede observar, la degradación biológica del substrato (tiodiglicol) se alcanza
en un tiempo aproximado de 80 unidades de tiempo y debido a los efectos combinados de la
cinética tipo Andrews y la desactivación de microorganismos, la cultura de microorganismos (A.
xylosoxydans SH91) alcanza un crecimiento máximo alrededor de 50 unidades de tiempo.
3.6.2. Reactor continuo de tanque agitado
Se considera el modelo del reactor continuo de tanque agitado con cinética de Van de Vusse
presentado en la Sección 2.5.4 que se describe por las ecuaciones (2.34-2.36). Los parámetros para la
simulación son  =  = 8256 1 = 51000 3 = 1049 10 = 1287 × 1012  20 = 9043 × 106 
102
20 = 9043 × 106  ∆1 =  1 = 42 ∆2 =  2 = −110 ∆3 =  3 = −4185   =
 = 86668   =  = 308285 1  =  = 01 1 =  = 3522 × 10−4  1  =
97583 2  = 85600 3  = 85600  = −6239 1 = 10000 2 = 5000 3 = 900
y 4 = 1000
Los archivos  de la simulación dinámica son:
Archivo de ecuaciones: ()
   = ( )
% x1 = concentración de A, Ca, x2 = Concentración de B, Cb, x3 = temperatura del reactor,

x4 = temp. chaqueta
 = 8256; 1 = 51000; 3 = 1049; 10 = 128712; 20 = 90436; 30 = 90439;
1 = 42; 2 = −110; 3 = −4185;  = 86668;  = 308285;  = 01;
 = 3522 − 4; 1 = 97583; 2 = 85600; 3 = 85600;  = −6239;
 = (4 1);
1 = 10 ∗ (−1((3) + 27315));
2 = 20 ∗ (−2((3) + 27315));
3 = 30 ∗ (−2((3) + 27315));
 = − ∗ (1 ∗ ((1) ∗ 1 + (2) ∗ 2) + 
3 ∗ 3 ∗ (2)ˆ2);
(1) =  ∗ (1 − (1)) − 1 ∗ (1) − 3 ∗ (1)ˆ2;
(2) = − ∗ (2) + 1 ∗ ((1) − (2));
(3) =  ∗ (3 − (3)) +  +  ∗ ((4) − (3));
(4) =  ∗  +  ∗ ((3) − (4));
Archivo de solución de ecuaciones: ()
[ ] = 23(@ [0 3] [10000 5000 1000 500]);
(2 1 1); ( (: 1)  (: 2)) (0Concentraciones, x_1, x_20) (0Tiempo0)
(2 1 2); ( (: 3)  (: 4)) (0Temperaturas, x_3, x_40) (0Tiempo0)
103
3000
Concentraciones x1, x2
x1
x2
2000
1000
0
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tiempo, t
120
Temperaturas, x3, x4
100
x3
80 x4
60
40
0 0.2 0.4 0.6 0.8 1 1.2 1.4 1.6 1.8 2
Tiempo, t
Figura 3-7: Simulación dinámica de un CSTR no-isotérmico.
La Figura (3-7) muestra la evolución dinámica de las concentraciones de  y  y las tem-

peraturas del reactor  y del medio de enfriamiento  del CSTR. Se observa que el reactivo
se consume y el producto crece hasta alcanzar valores en estado estacionario. Por otro lado las
temperaturas del reactor y del medio de enfriamiento rápidamente alcanzan valores en equilibrio.
3.6.3. Reactor tubular de flujo tapón
Se considera el modelo del reactor continuo biológico de flujo tapón que se presentó en la
Sección 2.5.7 que se describe por las ecuaciones (2.46-2.49). Las PDE del modelo se discretización
en la posición espacial por el método de diferencias finitas, lo cual conduce a un conjunto de ODEs
dadas por:
 máx 
=  −   (3.34)
   + 
   − −1  
=− − 1 máx  (3.35)
  ∆   + 
104
Para obtener resultados de simulación con una precisión satisfactoria con diferencias finitas, podría
ser necesario un elevado número de puntos malla. Los valores numéricos de los parámetros que se
usan en la simulación son los reportados por Dochain et al., los cuales corresponden a un reactor
planta piloto anaerobio para tratamiento de aguas residuales:  = 0022  1 = 04  = 005
−1   = 0002 3  máx = 035 −1   = 04  = 02489   = 3734   A
través de simulaciones numéricas se encontró que 100 nodos o puntos malla son suficientes para
reproducir los resultados obtenidos por Dochain et al. al utilizar colocación ortogonal.
Archivo de ecuaciones: ()
   = ( )
 
 = 002; 1 = 04;  = 005;  = 04;  = 035; 2 = 50;  = 0002;
 = 1;
 = ( ∗ 2 1);
% nodo 1
 = (( ∗ ( + 1))( ∗ (1) + ( + 1)));
1 = (( + 1) − 2);
(1) =  ∗ (1) −  ∗ (1);
( + 1) = −() ∗ 1 − 1 ∗  ∗ (1);
% nodo 2 - N
   = 2 : 
 = (( ∗ ( + ))( ∗ () + ( + )));
1 = (( + ) − ( +  − 1));
() =  ∗ () −  ∗ ();
( + ) = −() ∗ 1 − 1 ∗  ∗ ();

105
Archivo de solución de ecuaciones: ()
 
 
 = 100;
   = 1 : 
0() = 41758;
0( + ) = 02784;

 = (0 300 1000);
[ ] = 23(00  0);
(2 1 1); ( (: )) (0Tiempo, t0) (0Microorganismos, X0)
(2 1 2); ( (:  + )) (0Tiempo, t0) (0Substrato, S0)
La Figura (3-8) muestra la evolución dinámica de los microorganismos y del substrato en

dos posiciones del reactor. Se puede observar que conforme el substrato se consume o las aguas
residuales se degradan los microorganismos crecen hasta alcanzar un valor en estado estacionario
donde el crecimiento y la desactivación de los microorganismos se encuentran en equilibrio.
3.6.4. Columna de destilación
Se considera el modelo de la columna de destilación continua binaria ideal que se presentó en

la Sección 2.5.9 que se describe por las ecuaciones (2.54-2.59), con  = 20 platos teóricos ideales
y que la alimentación entra al plato  = 6. Los parámetros del modelo son:  = 1000  = 03
 = 10  = 2000  = 4000,  = 500  0 = 15750  = 225 y  = 246
Archivo de ecuaciones: ()
function dx = destil(t,x)
  = 6;  = 20;  = 1000;  = 1;  = 03;
106
20
Microorganismos, X
15
x=L
10 x = L/2
0
0 50 100 150
Tiempo, t
4
Substrato, S
0
0 50 100 150
Tiempo, t
Figura 3-8: Simulación dinámica de un reactor tubular biológico de flujo tapón.
0.8
Composicion plato 1
0.6
R = 2.25
0.4
R = 3.25
R = 1.25
0.2
-0.2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo, t
-5
x 10
10
8
Composicion plato 20
0
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
Tiempo, t
Figura 3-9: Simulación dinámica de una columna de destilación continua ideal.
107
 = 200;  = 400;  = 50;  1 = 1575;  = 225;  = 246;
 =  1 + (1 − ) ∗  ;
 =  ( + 1);
 =  ∗ ;
1 =  +  ∗  ;
 = 1 −  1;
% relación de equilibrio
   = 1 : 
() =  ∗ ()(1 + ( − 1) ∗ ());

 = ( 1);
% balance de masa en el condensador y en el tambor de reflujo
(1) = ( ∗ (2) − ( + ) ∗ (1));
% balances de masa en la zona de enriquecimiento
   = 2 :   − 1
() = ( ∗ (( − 1) − ()) +  ∗ (( + 1) − ()));

% balance de masa en el plato de alimentación
( ) = ( ∗  +  ∗ ( − 1) − 1 ∗ () +  ∗ (( + 1) − ()));
% balances de masa en la zona de agotamiento
 =  + 1;
   =  :  − 1
() = (1 ∗ (( − 1) − ()) +  ∗ (( + 1) − ()));

% balance de masa en el fondo de la columna (rehervidor)
108
() = (1 ∗ ( − 1) −  1 ∗ () −  ∗ ());
Archivo de solución de ecuaciones: ()
[ ] = 45(@ [0 10] [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]);
(2 1 1); ( (: 1)) (0Composicion plato 10) (0Tiempo, t0)
(2 1 2); ( (: 20)) (0Composicion plato 200) (0Tiempo, t0)
La Figura (3-9) muestra la evolución dinámica de la composición en el domo y en el fondo de
la columna para diferentes relaciones de reciclo. Se puede observar que al aumentar la relación de
reciclo se incrementa la composición de destilado que se obtiene. Esto se debe a que se logra un
mayor enriquecimiento del vapor que se condensa en el domo de la columna.

En el Apéndice de este texto el lector puede consultar una breve introducción a Matlab. Algunas
referencias importantes para complementar la información que se presenta en este capítulo son:
Baez-Lopez, D. (2006). Matlab con Aplicaciones a la Ingeniería, Fisica y Finanzas. Al-

faomega, Mexico, DF.
Bequette B.W. (2003). Process Control: Modelling, Design and Simulation. Upper Saddle
River, Prentice Hall.
Farlow, S.J. (1993). Partial Differential Equations for Scientists and Engineers. Dover Pu-
blications, Inc. New York.
McGraw Hill.
109
Capítulo 4
Análisis de Procesos
4.1. Introducción
El análisis de procesos tiene el objetivo de caracterizar las soluciones analíticas o numéricas de
los modelos matemáticos que describen un proceso.
Para modelos lineales, algunas herramientas para caracterizar las soluciones son:
Transformada de Laplace.
Trasformada de Fourier.
Álgebra lineal (valores propios, determinantes, etc.).
Para modelos no-lineales las herramientas son más complejas y se basan principalmente en el
uso de métodos numéricos:
Soluciones numéricas.
Planos de fase.
Linealización.
Diagramas de bifurcación.
Exponentes de Lyapunov.
Exponentes fractales.
110
Las soluciones analíticas de un modelo matemático proporcionan la máxima cantidad de infor-
mación acerca del proceso que se modela, sin embargo, solo son posibles para modelos matemáticos
lineales y pocos modelos no-lineales. Para modelos matemáticos no-lineales es posible obtener solu-
ciones numéricas para algún conjunto de condiciones, lo cual conduce a una menor información
del proceso.
La caracterización de las soluciones de un modelo que describe un proceso es útil en simulación
y control de procesos por dos razones principales:
1. Entender la operación del proceso: Para llevar a cabo una operación eficiente de un proceso
es primordial conocer los comportamientos posibles del proceso que se está analizando.
2. Diseñar en forma exitosa un sistema de control: Para llevar a cabo un diseño de control exi-
toso es indispensable entender la operación del sistema a ser controlado, así como determinar
el comportamiento dinámico del proceso a lazo cerrado.
Para caracterizar la dinámica de un sistema es importante estudiar la estabilidad y los puntos

de equilibrio, así como identificar algunos comportamientos dinámicos que presentan los sistemas
no-lineales tales como múltiples estados estacionarios, sensibilidad paramétrica, ciclos límite y
caos.
4.2. Sistemas no-lineales

Los modelos matemáticos de muchos procesos químicos consisten en sistemas de ecuaciones
no-lineales. Los sistemas no-lineales se caracterizan por la presencia de términos que dependen de
dos o más variables de estado, funciones trascendentales, multiplicación entre variables de estado,
etc. Un sistema dinámico no lineal se puede representar por un conjunto de ecuaciones de la forma:
•
 =  ( ) (4.1)
donde  ( ) es una función vectorial no lineal y  es un vector de estados de dimensión  × 1

donde  es el número de estados del sistema y se denomina el orden del sistema.
111
Las ecuaciones de diseño de sistemas de control se pueden representar de la forma:
•
 = (  ) (4.2)
 = (  )
donde () es un vector de variables de estado,  un vector de observaciones o mediciones y  un

vector de variables de control. El control retroalimentado busca una función  = () que logre
ciertas metas. La teoría de control óptimo se ocupa de encontrar el control  que maximice o
minimice alguna funcionalidad de la trayectoria o una función del estado final.
Es importante introducir algunas definiciones:
El sistema no lineal (4.2), se dice que es autónomo si y sólo si  no depende explícitamente

del tiempo, i.e., si la ecuación de estado del sistema se puede describir como:
•
 = () (4.3)
de otra manera, el sistema es llamado no autónomo.
Una solución () de la ecuación (4.2) usualmente corresponde a una curva en el espacio de
estados (el espacio vectorial que se forma de los estados del sistema) conforme  va desde
cero a infinito. Esta curva se refiere generalmente como trayectoria del estado o trayectoria
del sistema.
Otro concepto fundamental en el estudio de sistemas descritos de la forma (4.2) es la estabi-

lidad, la cual trata con la naturaleza a largo plazo de las soluciones del sistema. Es decir, trata
de caracterizar el comportamiento que exhiben las soluciones del sistema (4.2) en los puntos de
equilibrio conforme el tiempo tiende a infinito.
Formalmente, se tienen las siguientes definiciones:
Punto de equilibrio: un estado ∗ es un punto de equilibrio (o estado de equilibrio) del

sistema (4.2) si una vez que () es igual a ∗  éste permanece igual a ∗ para todo tiempo
futuro.
112
Figura 4-1: Estabilidad e inestabilidad de un punto de equilibrio.
Punto de equilibrio estable:  se denomina un punto de equilibrio estable, si la trayectoria

() permanece cercana a un punto de equilibrio si la condición inicial 0 es cercana al punto
de equilibrio
Punto de equilibrio inestable: si la trayectoria () diverge del punto de equilibrio si la

condición inicial 0 es cercana al punto de equilibrio
La estabilidad se refiere a lo que sucede cuando un punto de equilibrio se perturba. Un sistema

estable retornará a su punto de equilibrio después de ser perturbado. La Figura (4-1) ilustra el
concepto de estabilidad e inestabilidad de un punto de equilibrio. En el caso estable, si el sistema
se perturba alrededor del punto de equilibrio, que corresponde a la posición en el fondo de la
cuenca, el sistema eventualmente regresa al punto de equilibrio. En el caso inestable, el sistema al
ser perturbado alrededor del punto de equilibrio, que en este caso corresponde a punto más alto
de la cresta, el sistema diverge del punto de equilibrio.
4.3. Sistemas lineales

Los sistemas lineales se pueden escribir como:
•
 = () (4.4)
113
donde () es una matriz de  ×  Un sistema es lineal si satisface dos condiciones:
() = () (4.5)
(1 + 2 +  +  ) =  (1 ) + (2 ) +  + ( ) (4.6)
La primera condición es la propiedad de escalamiento. La segunda condición se conoce como el

principio de superposición, el cual establece que la respuesta que se produce por la aplicación
simultánea de varias funciones con entradas diferentes es la suma de las respuestas individuales.
Por lo tanto, para el sistema lineal, la respuesta a varias entradas se calcula tratando una entrada
a la vez y sumando los resultados.
Otras definiciones importantes son:
Los sistemas lineales se clasifican como variantes o invariantes en tiempo, dependiendo si la

matriz  en (4.4) varía con el tiempo o no.
Los sistemas invariantes en tiempo también se les llama autónomos y los sistemas variantes
en tiempo como no-autónomos.
4.4. Linealización de sistemas no-lineales

Los procedimientos para encontrar soluciones a problemas que involucran sistemas no lineales
son muy complicados. Debido a la dificultad matemática inherente de los sistemas no lineales,
es conveniente introducir sistemas lineales “aproximados” de los sistemas no lineales. El proce-
dimiento para derivar una aproximación lineal de una función no-lineal se denomina linealización.
La idea de la linealización es que el comportamiento de muchos sistemas cercanos a un punto de
equilibrio se puede aproximar por un modelo linealizado. El procedimiento de linealización más
común es el que se basa en la expansión de la función no lineal en series de Taylor, alrededor de
un punto de operación, que comúnmente es un punto de equilibrio y la retención sólo del término
lineal o de primer orden.
114
4.4.1. Variables de desviación
En ingeniería de control, una operación normal del sistema puede ocurrir alrededor de un
punto de operación, de modo que es conveniente introducir variables de desviación respecto al
punto de operación. Así, si la condición de operación normal corresponde al punto (∗   ∗ ) las
variables de desviación son, ̄ =  − ∗ y ̄ =  −  ∗ . El punto de operación normal (∗   ∗ ) puede
variar dependiendo de la aplicación específica. En el contexto de diseño u optimización de procesos
pueden ser las condiciones de operación promedio de operación o el valor de diseño nominal del
proceso. En el contexto de control de procesos se relaciona a los valores de operación deseados o
puntos de referencia. El uso de variables de desviación proporcionan las bases para la linealización
de modelos.
4.4.2. Proceso de linealización
El procedimiento de linealización es el siguiente:
1. Se considera una función no-lineal, con entrada () y salida (). La relación entre () y
() se obtiene mediante:
 = () (4.7)
2. Si la condición de operación normal corresponde al punto (∗   ∗ ) la expansión en series de

Taylor de la función (4.7) se escribe como:
¯ ¯
2 ¯2
 ¯ 1  
 () ≈  (∗ ) + ¯ ( − ∗ ) + ¯ ( − ∗ )2 +  (4.8)
 ¯∗ 2! 2 ¯∗
donde las derivadas se evalúan en  = ∗ .
3. Si la variación  − ∗ es pequeña, es posible despreciar los términos de orden superior en

 − ∗  de modo que la ecuación (4.8) se escribe como:
¯
 ¯¯
∗
≈ + ( − ∗ ) (4.9)
 ¯∗
donde  ∗ =  (∗ ).
115
4. La ecuación (4.9) se puede escribir en términos de las variables de desviación ̄ =  − ∗ y
̄ =  −  ∗ como: ¯
 ¯¯
̄ = ̄ (4.10)
 ¯∗
lo cual indica que ̄ es proporcional a ̄.
La ecuación (4.10) es un modelo matemático lineal para la función no lineal (4.2) cerca del
punto de operación en términos de variables de desviación (̄ ̄)
La expansión en series de Taylor se puede generalizar para un sistema de funciones no-lineales
de la forma (4.2), por medio de la siguiente aproximación:
⎡ ⎤
1 1 1

⎢ 1 2 ⎥
⎢ 2 2 2⎥
⎢ 1  ⎥
=⎢
⎢
2 ⎥
⎥ (4.11)
⎢     ⎥
⎣ ⎦
 
1
   ∗ ∗
donde la matriz  se conoce como el Jacobiano del sistema no-lineal (4.2). La aplicación del
Jacobiano al sistema (4.2) conduce a un sistema lineal de la forma:
•
 =  (4.12)
4.4.3. Linealización para fines de control de procesos
La aplicación del procedimiento de linealización en un sistema no-lineal para fines de control

de la forma:
•
 = ( ) (4.13)
 = ( )
116
conduce a las matrices    y :
⎡ ⎤ ⎡ ⎤
1 1 1 1 1 1
 
⎢ 1 2 ⎥
 ⎢ 1 2 ⎥
⎢ 2 2 2 ⎥ ⎢ 2 2 2⎥
⎢ 1   ⎥ ⎢ 1  ⎥
 = ⎢
⎢
2 ⎥
⎥ =⎢
⎢
2 ⎥
⎥
⎢     ⎥ ⎢     ⎥
⎣ ⎦ ⎣ ⎦
   
1
   1
  
⎡ ⎤ ⎡ ⎤
1 1 1 1 1 1
  
⎢ 1 2  ⎥ ⎢ 1 2 ⎥
⎢ 2 2 2 ⎥ ⎢ 2 2 2⎥
⎢ 1   ⎥ ⎢ 1  ⎥
 = ⎢
⎢
2 ⎥
⎥ =⎢
⎢
2 ⎥
⎥
⎢     ⎥ ⎢     ⎥
⎣ ⎦ ⎣ ⎦
   
1
   1
  
de modo que un modelo lineal para fines de control está dado por:
•
 =  +  (4.14)
 =  + 
En muchos casos, solo se manipula una entrada de control y la medición  es comúnmente una
función lineal de los estados, además de que no se ve afectada por la entrada de control. Así, es
común que la matriz de la entrada de control  sea un vector columna, la matriz de mediciones 
sea un vector renglón y que la matriz de entrada de control afectando las mediciones  sea cero.
Es conveniente clarificar dos puntos:
Los modelos lineales sirven para predecir el comportamiento local (o en una zona donde
es valida la linealización), de un sistema no-lineal. Esto es, los modelos linealizados no son
útiles para estudiar el comportamiento lejos del punto de linealización.
La dinámica que despliega un sistema no lineal es mucho más rica que la de un sistema lineal,
debido a la presencia de fenómenos no lineales tales como múltiples puntos de equilibrio,
ciclos límite, caos, etc.
117
4.4.4. Puntos de equilibrio y linealización con Matlab
Con Matlab es posible calcular los puntos de equilibrio de un sistema no-lineal (o las raíces de
un sistema de ecuaciones algebraicas no-lineales) y realizar la linealización de un sistema no-lineal.
Puntos de equilibrio
En el punto de equilibrio las derivadas respecto al tiempo son cero, de forma que las ecuaciones
de un modelo no-lineal se pueden expresar de la forma general:
1 (1  2    ) = 0 (4.15)
2 (1  2    ) = 0
 = 
 (1  2    ) = 0
donde () son funciones no-lineales de los estados  Por ejemplo, para el modelo de Lotka-
Volterra descrito por la ecuación (3.20) se tiene:
1 (1  2 ) = 1 1 − 2 1 2 = 0 (4.16)
2 (1  2 ) = 3 1 2 − 4 2 = 0
y es fácil mostrar que el modelo de Lotka-Volterra tiene dos puntos de equilibrio: (i) la solución
trivial  = (0 0) y (ii)  = (4   1 2 )
Para encontrar la solución  (o puntos de equilibrio), para un sistema de la forma (4.15) en
Matlab se utilizan las funciones solve y fsolve.
solve:
1. Escribir variables simbólicas (variables que no tienen un valor numérico asignado).
2. Escribir la instrucción: [1  2    ] = solve(0 1 (1  2    ) = 00 0 2 (1  2    ) =

00 0  = 0 0  (1  2    ) = 00 ).
fsolve:
118
1. Escribir en un archivo  las funciones no lineales a resolver en la forma,
   = nombre()
 = [1 (1  2    ); 2 (1  2    );
 = ;  (1  2    )];
2. Proporcionar un vector columna con condiciones iniciales de búsqueda,
0 = [10 ; 20   0 ];
3. Escribir la instrucción,   =  ( 0)
Para el modelo de Lotka-Volterra se tiene:
solve:
1. Variables simbólicas,  1  2  3  4
2. Instrucción: [1  2 ] = solve(0 1 1 − 2 1 2 = 00 0 3 1 2 − 4 2 = 00 
fsolve, con parámetros 1 = 4 = 1 2 = 3 = 2 y 10 = 20 = 1
1. Archivo  ():
  = ()
1 = 1; 2 = 2; 3 = 2; 4 = 1;
 = [1 1 − 2 1 2 ; 3 1 2 − 4 2 ];
2. Vector columna con condiciones iniciales de búsqueda:
0 = [1; 1];
3. Instrucción:   = ( 0)
La solución que produce Matlab en el primer caso es 1 = (0 4  ) y 2 = (0 1 2 ) y en el
segundo caso es  = (05 05)
119
Linealización
Con Matlab es posible calcular el Jacobiano:

⎡ ⎤
1 1 1
...
⎢ 1 2 1 ⎥
⎢ 2 2 2 ⎥
⎢ 1 ... ⎥
 =⎢
⎢
2  ⎥
⎥ (4.17)
⎢  ... ... ... ⎥
⎣ ⎦
  
1 2
...  ∗1 ∗2 ∗
por medio de la función  a través del siguiente procedimiento.
1. Escribir las funciones no lineales en un vector columna:
   1  2  
[1 (1  2    ); 2 (1  2    );
  =
;  (1  2    )];
2. Escribir en un vector renglón los estados del sistema:
  = [1  2    ];
3. Escribir la instrucción:  = ( ).
Para el ejemplo del modelo de Lotka-Volterra se tiene:
1. Funciones no lineales en un vector columna:
   1  2  3  4  1  2
   = [1 1 − 2 1 2 ; 3 1 2 − 4 2 ; ]
2. Estados del sistema:

  = [1  2 ];
3. Instrucción   = ( ).
120
El resultado que se obtiene es:
⎡ ⎤ ⎡ ⎤
1 1
1 − 2 2 −2 1
 =⎣ 1 2 ⎦ =⎣ ⎦ (4.18)
2 2
1 2
3 2 3 1 − 4
∗1 ∗2 ∗1 ∗2
el cual se puede verificar directamente.
4.4.5. Puntos de equilibrio y linealización de un CSTR
Se considera el modelo del CSTR con cinética de Van de Vusse descrito por las ecuaciones
(2.34)-(2.36). Las funciones no-lineales de un modelo para fines de control,  ( ) están dadas
por:
 1 3 2
1 ( ) = (10 − 1 ) − 01 exp(− )1 − 03 exp(− ) (4.19)
 3 3 1
 1 2
2 ( ) = − 2 + 01 exp(− )1 − 02 exp(− )2
 3 3
 1 1 1 2
3 ( ) = (30 − 3 ) − ∆1 01 exp(− )1 − ∆2 02 exp(− )2 −
  3  3
1 3 2 
∆3 03 exp(− )1 + (4 − 3 )
 3  
 1
4 ( ) = (3 − 4 ) + 
   
donde  = (      ) son los estados del CSTR y  =  es la variable manipulable o entrada
de control. En CSTRs no-isotérmicos es común elegir el medio de enfriamiento como la variable a
manipular, con la finalidad de regular la temperatura dentro del reactor, lo cual en forma indirecta
permite regular la concentración de salida en el reactor.
Con los parámetros de la simulación dinámica de la Sección 3.6.2, el punto de equilibrio que
se obtiene a través de Matlab es, ∗ = (1810 10591 1106 1106).
La linealización del CSTR está dada por:
⎡ ⎤ ⎡ ⎤
1 1 1 1 1
⎢ 1 2 3 4 ⎥ ⎢  ⎥
⎢ 2 2 2 2 ⎥ ⎢ 2 ⎥
⎢ ⎥ ⎢ ⎥
=⎢
⎢
1 2 3 4 ⎥
⎥ =⎢
⎢
 ⎥
⎥
3 3 3 3 3
⎢ ⎥ ⎢ ⎥
⎣ 1 2 3 4 ⎦ ⎣  ⎦
4 4 4 4 4
1 2 3 4 ∗1 ∗2 ∗3 ∗4  ∗1 ∗2 ∗3 ∗4
121
lo cual conduce a:
⎡ ⎤
1 1
0 0
⎢ 1 3 ⎥
⎢ 2 ⎥
⎢ 01 exp(− 
1
) −  − 02 exp(− 2
) 0 ⎥
=⎢
⎢
3 3 3 ⎥
⎥ (4.20)
3 3
⎢ − 1  ∆2 02 exp(− 
2
)  ⎥
⎣ 1 3 3   ⎦

0 0  
− 
  ∗1 ∗2 ∗3 ∗4
⎡ ⎤
0
⎢ ⎥
⎢ ⎥
⎢ 0 ⎥
=⎢
⎢
⎥
⎥ (4.21)
⎢ 0 ⎥
⎣ ⎦
01
∗1 ∗2 ∗3 ∗4
donde:
1  1 3

= − − 01 exp(− ) − 203 exp(− )1 (4.22)
1  3 3
3 1 1 1 3
= ∆1 01 exp(− )−2 ∆3 03 exp(− )1
1  3  3
1 1 1 3 3 2
= −  exp(−
2 01
)1 −  exp(−
2 03
)
3 3 3 3 3 1
2 1 1 2 2
=  exp(−
2 01
)1 −  exp(−
2 02
)2
3 3 3 3 3
3  1 1 1 2 1 2
= − − 2
∆1 01 exp(− )1 − 2
∆2 02 exp(− )2
3  3  3 3  3
3 1 3 2 
− 2
∆3 03 exp(− )1 −
3  3  
substituyendo los parámetros de la simulación dinámica del CSTR y eligiendo el punto de linea-
lización como el punto de equilibrio, se obtiene el modelo lineal:
⎡ ⎤
−8256 0 ∼0 0
⎢ ⎥
⎢ ⎥
⎢ ∼0 −8 256 ∼0 0 ⎥
=⎢
⎢
⎥
⎥ (4.23)
⎢ ∼0 ∼0 −39 085 308285 ⎥
⎣ ⎦
0 0 86668 −86668
122
donde los términos menores a 1 × 10−20 se han tomado como cero.
4.5. Estabilidad
La estabilidad es un concepto clave en la operación y control de un proceso. La razón principal
es que los resultados de una operación inestable son impredecibles, con posibles daños a equipo
de proceso e incluso afectando el bienestar de los trabajadores. Para sistemas con control es
importante evaluar la estabilidad por las siguientes razones:
La adición de un controlador a un sistema estable a lazo abierto puede volverlo inestable a

lazo cerrado.
Un controlador puede hacer estable un sistema que a lazo abierto es inestable.
Los sistemas de control deben de ser estables bajo todas las condiciones de operación posibles.
Las siguientes definiciones de estabilidad son útiles en estas notas:
1. Estabilidad asintótica: La estabilidad asintótica se presenta cuando las trayectorias se apro—

ximan al punto de equilibrio conforme  → ∞
2. Estabilidad local. Las trayectorias que inician dentro de cierta región del espacio de estados
se mantienen dentro de esta región para todo tiempo futuro.
3. Estabilidad global. Las trayectorias que inician en cualquier región del espacio de estados se
mantienen dentro del espacio de estados para todo tiempo futuro.
La Figura (4-2) ilustra los tres conceptos de estabilidad arriba descritos. Las flechas continuas
son trayectorias estables, las flechas punteadas indican trayectoria inestables, la curva cerrada con
una línea punteada es una región local del sistema y las curvas cerradas es el espacio de estados
donde las variables del sistema existen.
4.5.1. Estabilidad de sistemas lineales
Para sistemas lineales la estabilidad se puede determinar de los valores propios de la matriz 
del sistema (4.12). En particular, se tienen los siguientes resultados:
123
Figura 4-2: Estabilidad asintótica, local y global.
Un sistema lineal de la forma:

•
 =  (4.24)
se dice que es estable, con respecto al punto de equilibrio ∗  si todos los valores propios de
la matriz  tienen parte real no positiva. El sistema es estable asintóticamente, si todos los
valores propios de  tienen parte real negativa. En el último caso, la matriz  se denomina
Hurwitz.

•
 =  +  (4.25)
se dice que es estable asintóticamente alrededor del punto de equilibrio:
∗ = −−1  (4.26)
•
si k() − ∗ k → 0 conforme  → ∞ Si la matriz  es Hurwitz, el sistema lineal  =  + 
es estable asintóticamente.

•
 =  + () (4.27)
tiene como solución:

Z 
() = exp()(0) + exp(( − )) () (4.28)
0
124
Si la matriz  es Hurwitz, existen dos números positivos  y Λ tal que:
kexp()(0)k ≤  k(0)k exp(−Λ) (4.29)
Es decir, las trayectorias del sistema lineal (4.27) permanecen acotadas conforme  → ∞.
4.5.2. Estabilidad de sistemas no-lineales
La propuesta más útil para estudiar la estabilidad de un sistema no-lineal se debe al trabajo de
Lyapunov, el cual incluye dos métodos para el análisis de la estabilidad: el método de linealización
y el método directo.
1. En el método directo de Lyapunov se determinan las propiedades de estabilidad de un sis-

tema no lineal construyendo funciones escalares “tipo-energéticas” para el sistema, conocidas
como funciones de Lyapunov y examinado su variación respecto al tiempo. En un sistema
estable la función de Lyapunov disminuye a lo largo de las trayectorias del sistema. Desafor-
tunadamente, para la mayoría de sistemas no-lineales no es sencillo encontrar una función
de Lyapunov.
2. El método de linealización, que se basa en un modelo linealizado, conduce a conclusiones

acerca de las propiedades de estabilidad local, de la aproximación lineal de un sistema no
lineal, alrededor de un punto de equilibrio.
Método de linealización de Lyapunov
El método de linealización de Lyapunov se ocupa de la estabilidad local de un sistema no-lineal

y sirve como justificación al uso de técnicas de control lineal en la práctica, es decir, muestra que
el diseño de un control lineal estable garantiza la estabilidad del sistema físico original localmente,
es decir alrededor del punto de linealización.
Los resultados del método de linealización de Lyapunov se pueden resumir como sigue:
Si el sistema linealizado es estrictamente estable (i.e., si todos los valores propios de  tienen
parte real negativa), entonces el punto de equilibrio del sistema no-lineal es asintóticamente
estable.
125
Si el sistema linealizado es inestable (i.e., si al menos un valor propio de  tiene parte real
positiva), entonces el punto de equilibrio del sistema no-lineal es inestable.
Si el sistema linealizado es marginalmente estable (i.e., si todos los valores propios de 

tienen parte real no positiva, pero al menos uno de ellos tiene parte real cero), entonces no
se puede concluir nada para la aproximación lineal (el punto de equilibrio puede ser estable,
asintóticamente estable, o inestable para el sistema no-lineal).
Para sistemas de la forma:
•
 = ( ) (4.30)
 = ( )
una definición alternativa de la estabilidad es la siguiente:
El sistema (4.30) es estable si la respuesta del sistema  esta acotada en magnitud cuando el
sistema se sujeta a una entrada de control  acotada. Un sistema que exhibe una respuesta
no acotada a una entrada de control acotada es inestable. Una función de entrada acotada es
una función del tiempo que siempre se mantiene dentro de ciertos límites conforme transcurre
el tiempo. Por ejemplo, la función sinusoidal y la función escalón son entradas acotadas.
Un sistema con tal propiedad se dice que es de entrada acotada-salida acotada o BIBO. Aun
más, se pude probar que un sistema que es estable asintóticamente es además BIBO estable.
4.5.3. Estabilidad con Matlab
Para sistemas lineales de la forma:
•
 =  (4.31)
•
 =  +  (4.32)
126
la estabilidad se puede obtener con Matlab del cálculo de valores propios de la matriz :
⎡ ⎤
   1
⎢ 11 12 ⎥
⎢ ⎥
⎢ 21 22  2 ⎥
=⎢
⎢
⎥
⎥ (4.33)
⎢     ⎥
⎣ ⎦
1 2  
de la siguiente forma:
1. Escribir los componentes de la matriz  (4.33):
  = [11 12  1 ; 21 22  2 ; ; 1 2   ; ]
2. Escribir la instrucción:  ()
3. Si todos los valores propios de la matriz  son negativos, el sistema (4.31) o (4.32) es estable,
de otra forma es inestable.
4.5.4. Estabilidad de un CSTR
Para evaluar la estabilidad del modelo del CSTR se tiene,
1. Componentes de la matriz :
   = [−8256 0 0 0; 0 − 8256 0 0;
0 0 − 39085 308285; 0 0 86668 − 86668]
2. Instrucción:  ()
3. Se obtiene como resultado  = (−8256 −119779 −5974 − 8256) por lo tanto el modelo
linealizado del CSTR, en el punto de equilibrio ∗  es estable.
127
4.6. Clasificación de puntos de equilibrio
Para clasificar los puntos de equilibrio de un sistema no-lineal, es conveniente estudiar los
puntos de equilibrio de un sistema de segundo orden de la forma:
•
1 = 1 (1  2 ) (4.34)
•
2 = 2 (1  2 )
al linealizar el modelo (4.34) en el punto de equilibrio (∗1  ∗2 ) se obtiene el modelo lineal de
segundo orden: ⎡ ⎤
1 1
•
=⎣ 1 2 ⎦  =  (4.35)
2 2
1 2 ∗1 ∗2
Los puntos de equilibrio del sistema no-lineal (4.34), se pueden clasificar por el comportamiento
dinámico de las trayectorias del sistema lineal de segundo orden (4.35), el cual esta dictado por
los valores propios de la matriz 
La clasificación de los puntos de equilibrio de  de acuerdo a los valores propios, 1  2 es:
Nodo estable, si ambos valores propios son reales y negativos,  1  2  0 Por ejemplo el
sistema:
•
1 = −21 − 32 (4.36)
•
2 = −1 − 22
tiene valores propios 1 = −3732 2 = −0286
Nodo inestable, si ambos valores propios son reales y positivos,  1  2  0 Por ejemplo
el sistema:
•
1 = 21 − 32 (4.37)
•
2 = −1 + 22
tiene valores propios 1 = 3732 2 = 0286
128
Silla, si ambos valores propios son reales y un valor propio es negativo y otro positivo,
 1  0  2 . Por ejemplo el sistema:
•
1 = 2 (4.38)
•
2 = 1 + 2
tiene valores propios 1 = −0618 2 = 1618
Foco estable, si los valores propios son complejos,  =  ±  y la parte real es negativa,
 1   2  0 Por ejemplo el sistema:
•
1 = −1 − 2 (4.39)
•
2 = 1 − 2
tiene valores propios  = −10 ± 
Foco inestable, si los valores propios son complejos y la parte real es positiva,   1   2  0
Por ejemplo el sistema:
•
1 = 1 − 2 (4.40)
•
2 = 1 + 2
tiene valores propios  = 10 ± 
Centro, si los valores propios son complejos y la parte real es cero,   1 =  2 = 0 Por
ejemplo el sistema:
•
1 = −2 (4.41)
•
2 = 1
tiene valores propios  = ±
129
4.7. Plano de fase y diagrama de bifurcación
Con la finalidad de visualizar las propiedades dinámicas de los puntos de equilibrio y de un
sistema, es útil introducir el plano de fase y el diagrama de bifurcación.
4.7.1. Plano de fase
La solución de ecuaciones diferenciales puede ser descrita, en forma algebraica como una función
del tiempo, o en forma gráfica por una curva, que indica la evolución en el tiempo de dos estados del
sistema a partir de sus condiciones iniciales. A excepción de algunos casos especiales, las soluciones
algebraicas no se pueden derivar en términos de funciones simples, de modo que la descripción
gráfica es una mejor opción. Estas gráficas se conocen como planos de fase.
Los planos de fase se dibujan en el espacio fase, el cual es un sistema coordenado con un eje
para cada variable (para sistemas de dimensión mayor a tres se grafican en combinaciones de
solo dos estados). A partir de un conjunto de condiciones iniciales, las soluciones evolucionan a
lo largo de alguna curva en el espacio fase. La dinámica que ocurre, antes de que las trayectorias
se establezcan en un estado estacionario, se denomina la dinámica transitoria de la trayectoria.
El plano de fase se puede dividir en zonas en las cuales se despliegan diferentes propiedades. Las
fronteras de estas zonas se denominan separatrices.
El concepto de estabilidad en el plano de fase se deduce del comportamiento de las trayectorias
y como convergen a un punto de equilibrio. Por ejemplo, si la trayectoria se establece en algún
punto fijo se tiene un comportamiento estable. En el comportamiento inestable las trayectorias
divergen al acercarse al punto de equilibrio.
La Figura (4-3) muestra las trayectorias dinámicas de los sistemas (4.36)-(4.41) para diferentes
condiciones iniciales. En los casos de sistemas estables (foco y nodo estables), las trayectorias
convergen desde las diferentes condiciones iniciales hacia el punto de equilibrio del sistema. Para
sistemas inestables (foco inestable, nodo inestable y silla), las trayectorias divergen desde las
condiciones iniciales hacia valores al infinito. El caso del centro, es un sistema que se mantiene
oscilando alrededor de una trayectoria que se genera desde las condiciones iniciales establecidas.
130
1 3
2 dx1/dt = 2x1 - 3x2

dx2/dt = - x1 + 2x2
0.5 1
dx1/dt = - 2x1 - 3x2

dx2/dt = - x1 - 2x2
0
0 -1
-2
-0.5 -3
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 -4 -3 -2 -1 0 1 2 3 4
1 5
0.8 dx1/dt = - x1 - x2 4 dx1/dt = x1 - x2

dx2/dt = x1 - x2 dx2/dt = x1 + x2
0.6 3
0.4 2
0.2 1
0 0
-0.2 -1
-0.4 -2
-0.6 -3
-0.8 -4
-1 -5
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1 -5 -4 -3 -2 -1 0 1 2 3 4 5
1.5
5
1
3
2
0.5
1
dx1/dt = - x2
0 dx2/dt = x1 0
-1
-0.5
-2
dx1/dt = x2
-3 dx2/dt = x1 + x2
-1
-4
-1.5
-1.5 -1 -0.5 0 0.5 1 1.5 -5
-5 -4 -3 -2 -1 0 1 2 3 4 5
Figura 4-3: Comportamiento dinámico de sistemas de segundo orden en el plano de fase.
131
4.7.2. Diagramas de bifurcación
Cuando un sistema, lineal o no lineal, involucra uno o varios parámetros, es posible que al
variar el valor de alguno de los parámetros cambie la naturaleza cualitativa de los puntos de equi-
librio y la forma en que convergen las trayectorias del sistema. Por ejemplo, conforme cambia un
parámetro, los estados estacionarios pueden llegar a ser inestables y conducir a oscilaciones esta-
bles, o un sistema con un estado estacionario estable puede ser reemplazado por sistemas con varios
estados estacionarios estables. El punto donde se produce un cambio en la naturaleza cualitativa
de la solución, al cambiar un parámetro del sistema, se conoce como punto de bifurcación. La
construcción de una gráfica que muestra el cambio de la solución a largo plazo de alguna variable,
al cambiar algún parámetro del sistema, se conoce como diagrama de bifurcación.
4.8. Comportamiento dinámico no-lineal en procesos quími-

cos
La mayoría de procesos químicos despliegan un comportamiento dinámico muy simple. Por
ejemplo, la operación en un solo punto de equilibrio estable. Sin embargo, debido a que muchos
procesos químicos son sistemas abiertos (, sistemas que intercambian energía y materia con
el ambiente a través de sus fronteras), presentan no-linealidades (términos cinéticos) y efectos de
mezclado (reciclo físico de masa y calor, agitación mecánica, turbulencia), estos sistemas pueden
desplegar comportamientos dinámicos no-lineales, tales como múltiples estados estacionarios, esta-
dos oscilatorios simples y complejos y formación de patrones. Por ejemplo los reactores de tanque
agitado y las columnas de destilación son excepcionalmente ricos en problemas de inestabilidades.
Los reactores tubulares pueden desplegar además el fenómeno de sensibilidad paramétrica y la
presencia de puntos calientes.
4.8.1. Múltiples estados estacionarios
La multiplicidad de estados estacionarios se debe principalmente a multiplicidad isotérmica o

multiplicidad térmica. La multiplicidad isotérmica resulta de la dependencia no-monotónica, de
la velocidad de reacción intrínseca, sobre la concentración de reactantes y productos, acoplada
con algún proceso de difusión. La multiplicidad térmica es el tipo de multiplicidad que más se ha
132
abordado en la literatura y esta asociada a reacciones exotérmicas. El caso más común de múltiples
estados estacionarios, que se refiere como bi-estabilidad, es el de dos estados estacionarios estables
separados por un estado inestable.
El ejemplo clásico, para introducir el problema de múltiples estados estacionarios en procesos
químicos, es un CSTR no-isotérmico, donde se lleva a cabo la reacción exotérmica  → 
propuesto originalmente por Aris y Amudson en 1958. El modelo matemático del CSTR de Aris
y Amudson se describe por las ecuaciones:
 
= (0 −  ) − 0  exp(− ) (4.42)
 
  ∆ 
= (0 −  ) + 0  exp(− ) + ( −  )
    
al introducir las variables  =   =   = ∆ ,  =      = 0  1 =  0 

2 =  y 2 =  el modelo (4.42) se puede escribir como:
1
= (10 − 1 ) − 1 exp(−2 ) (4.43)

2
= (20 − 2 ) + 1 exp(−2 ) + (2 − 2 )

Para el siguiente conjunto de parámetros  = 1 mı́n−1 , 10 = 1  , 20 = 3500 ,

 = exp(25) mı́n−1 ,  = 104 ,  = 200 ,  = 1 mı́n−1 y 2 = 350  el CSTR presenta
tres puntos de equilibrio: ()  = (0085 4411) ()  = (05 4000) y ()  = (0963 3536)
que corresponden a puntos de operación de conversión y temperatura bajas, medias y elevadas
respectivamente.
Para examinar las características de los estados estacionarios del CSTR es conveniente intro-
ducir el diagrama de Van Herdeen, así como construir el plano de fase y el diagrama de bifurcación.
Diagrama de Van Herdeen
Para construir el diagrama de Van Heerden se consideran las ecuaciones del CSTR en estado
estacionario:
(10 − 1 ) − 1 exp(−2 ) = 0 (4.44)
(20 − 2 ) + 1 exp(−2 ) + (2 − 2 ) = 0 (4.45)
133
300
250
Calor generado/removido
200
150
removido
100 generado
50
0
350 375 400 425 450 475 500
Temperatura, x2
Figura 4-4: Diagrama de Van Herdeen.
de la ecuación (4.44) se despeja la variable 1 y se substituye en la ecuación (4.45), con lo cual se

obtiene la expresión:
10 exp(−2 )
(20 − 2 ) + (2 − 2 ) = − (4.46)
 +  exp(−2 )
esta ecuación se puede interpretar físicamente de acuerdo a Van Heerden (1958). El lado izquierdo
de la ecuación es la velocidad total de remoción de calor y el lado derecho de la ecuación es
la velocidad de generación de calor, las cuales en estado estacionario deben de ser iguales. Los
estados estacionarios se determinan al graficar las velocidades del calor generado y calor removido
como una función de la temperatura del reactor. La intersección de las curvas de calor generado y
calor removido representan los puntos de operación. La Figura (4-4) muestra el diagrama de Van
Herdeen para el CSTR.
La característica principal en reactores, que da lugar a la multiplicidad de los estados esta-
cionarios, es la forma sigmoidal de la curva de generación de calor contra la temperatura y debido
a que la transferencia de calor depende linealmente de la temperatura, las curvas de generación
y remoción de calor pueden dar lugar a más de una intersección. Para reacciones exotérmicas,
134
conforme la reacción procede, los reactantes se agotan, lo cual tiende a causar un descenso en la
velocidad de reacción. Al mismo tiempo, el aumento de calor incrementa la temperatura y causa
que la velocidad de reacción se incremente, a través de la dependencia de Arrhenius de la veloci-
dad de reacción sobre la temperatura. Estos dos efectos de la velocidad de reacción, asociados con
la conversión de los reactantes, conducen a una dependencia no monotónica de la velocidad de
reacción sobre la concentración de reactantes, conduciendo a la posibilidad de múltiples estados
estacionarios.
Al analizar la Figura (4-4) se observa que para reacciones irreversibles se pueden presentar tres
casos:
1. El calor desprendido por la reacción es insuficiente para elevar la temperatura hasta un

nivel suficientemente alto para que la reacción se auto-sostenga, por lo tanto la conversión
es despreciable.
2. El calor desprendido por la reacción es más que el necesario, el fluido se calienta y la con-
versión será prácticamente completa.
3. Un caso intermedio con tres soluciones (dos estables, una inestable) para las ecuaciones de
balance de materia y energía.
Un punto de operación es estable si la remoción de calor es mayor que calor generado por
la reacción. El reactor retornara inherentemente a su temperatura original si ocurre una pertur-
bación. Un punto inestable se presenta cuando un ligero incremento en la temperatura del reactor,
resulta en una velocidad de generación de calor mayor que la capacidad de remoción de calor. Así,
la temperatura en el reactor aumentara a un punto de operación estable de alta temperatura y
conversión. De igual forma, una ligera disminución en la temperatura reduce la velocidad de reac-
ción, tal que la chaqueta enfría el reactor hasta un punto de operación estable de baja temperatura
y conversión. Se observa que si la pendiente de la curva de producción de calor es mayor que la de
la curva de remoción de calor, entonces el estado estacionario es inestable. Si la pendiente de la
curva de calor generado es menor de la curva de remoción de calor, entonces el estado estacionario
es estable.
135
650
600
550
x2
500
450
400
350
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1
x1
Figura 4-5: Plano de fase del CSTR.
Plano de fase del CSTR
La Figura (4-5) muestra el plano de fase del CSTR para diferentes condiciones iniciales. Depen-
diendo de la condición inicial, el CSTR converge a estados estacionarios estables, que corresponden
a conversiones y temperaturas bajas y altas. El punto de operación inestable no se alcanza para
cualquier condición inicial, debido a que cualquier perturbación lleva el sistema a un punto de
operación estable.
Se puede observar que, de acuerdo a la forma de convergencia de las trayectorias a los puntos
de equilibrio, el punto de equilibrio de baja conversión es del tipo nodo estable y el punto de
equilibrio de alta conversión es del tipo foco estable.
136
480
460
440
Temperatura, x2
420
400
380
360
340
320
310 320 330 340 350 360 370 380
Temperaturadeenfriamiento, x2w
Figura 4-6: Diagrama de bifurcación del CSTR.
Diagrama de bifurcación del CSTR
La Figura (4-6) muestra el diagrama de bifurcación del CSTR, con la temperatura de la

chaqueta de enfriamiento, 2 como el parámetro de bifurcación. Para construir el diagrama de
bifurcación se consideran la ecuaciones algebraicas no-lineales (4.3-4.4) en función del parámetro
de bifurcación 2  lo cual conduce a un sistema de una ecuación en una incógnita, la temperatura
de operación del reactor. El parámetro de bifurcación se incrementa gradualmente y se obtiene
la temperatura de operación correspondiente. En la Figura (4-6) se muestra la zona de múltiples
estados estacionarios entre dos líneas punteadas y para el valor de 2 = 3500 se pueden localizar
los tres puntos de equilibrio que despliega el CSTR.
4.8.2. Oscilaciones simples y complejas
Para sistemas no-lineales que presentan estados estacionarios inestables el sistema puede evolu-
cionar a la aparición de oscilaciones sostenidas alrededor del estado estacionario inestable. En el
espacio fase definido por las variables de estado, las oscilaciones sostenidas corresponden a la
137
evolución hacia un ciclo límite (centro en sistemas lineales). Tales oscilaciones se caracterizan por
su amplitud y su periodo. Otro tipo de comportamiento oscilatorio que puede surgir es el caos,
el cual ha sido estudiado intensivamente en sistemas físicos, químicos y biológicos. En el espacio
fase, las oscilaciones caóticas corresponden a la evolución hacia un denominado atractor extraño.
Estas oscilaciones irregulares se caracterizan por su sensibilidad a las condiciones iniciales, lo cual
toma en cuenta la naturaleza impredecible de la dinámica caótica.
Para ilustrar las oscilaciones en procesos químicos se considera un sistema de reacciones auto-
catalíticas que se llevan a cabo en forma isotérmica en un CSTR:
 
 + 2 →1 3 = −1  2

 
 →2  = −2  (4.47)

 
 + 2 →3 3 = −3  2

las ecuaciones del modelo matemático son:
 
= (0 −  ) − 1  2
 
 
= (0 −  ) − 2  + 1  2 + 3  2 (4.48)
 
 
= (0 −  ) − 3  2
 
al introducir las variables adimensionales, 1 =  0  2 =  0  3 =  0  1 =

2 2
1 0   2 = 2   3 = 3 0    1 = 0 0   2 = 0 0   =  el modelo
(4.48) se puede escribir como:
1
= 1 − 1 − 1 1 22

2
= 1 − (1 + 2 )3 +  1 1 1 22 +  2 3 3 22 (4.49)

3
= 1 − 3 − 3 3 22

Las Figuras (4-7) y (4-8) muestran comportamientos oscilatorios periódicos y caóticos, así como el
plano de fase correspondiente, que se generan con el modelo (4.49) y los parámetros 1 = 180000
2 = 800 3 = 4000  1 = 15 con dos valores de la relación de especies de  a  en la
138
0.08
0.07
0.06
0.05
0.04
x1
0.03
0.02
0.01
0
0 0.5 1 1.5 2 2.5 3
Tiempo, t
0.1
0.08
0.06
x1
0.04
0.02
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
x3
Figura 4-7: Oscilaciones periódicas en un CSTR con reacción autocatalítica.
alimentación  2 = 30 y  2 = 50 respectivamente y dos condiciones iniciales distintas.

Se puede observar que en el caso de oscilaciones simples, las trayectorias convergen a un ciclo
límite y en el caso de oscilaciones caóticas, las trayectorias convergen a un atractor extraño. Dos
características de un sistema caótico son la sensibilidad a las condiciones iniciales y exponentes de
Lyapunov positivos. Por un lado, la sensibilidad a las condiciones iniciales se presenta cuando una
pequeña variación en las condiciones iniciales de un sistema conduce a trayectorias que divergen
entre si en forma significante. Por otro lado, los exponentes de Lyapunov miden el grado de
contracción-expansión de la divergencia entre trayectorias de un sistema caótico, a través del
cálculo de exponentes. Si al menos uno de los exponentes es positivo el sistema es caótico.
4.8.3. Sensibilidad paramétrica y puntos calientes
Los reactores tubulares de flujo tapón no exhiben fenómenos de múltiples estados estaciona-
rios, oscilaciones y formación de patrones, debido en gran medida a la ausencia de un efecto de
retroalimentación en el sistema. Sin embargo, los reactores tubulares de flujo tapón presentan
dos efectos dinámicos interesantes: (i) la sensibilidad paramétrica y (ii) la presencia de puntos
calientes.
139
0.08
0.06
0.04
x1
0.02
0
0 0.5 1 1.5 2 2.5 3
0.1
0.08
0.06
x1
0.04
0.02
0
0 0.05 0.1 0.15 0.2 0.25 0.3 0.35 0.4 0.45 0.5
x3
Figura 4-8: Oscilaciones caóticas en un CSTR con reacción autocatalítica.
La sensibilidad paramétrica de los reactores catalíticos se presenta cuando alguna característica

de operación muestra una variación extrema, si se hace solamente un cambio ligero en una variable
de operación, por ejemplo, un pequeño cambio en el coeficiente de transferencia de calor en la pared
del reactor, o una pequeña dilución de la alimentación, puede conducir a grandes cambios en el
efluente.
Los puntos calientes se caracterizan por un incremento de temperatura importante en alguna
zona dentro del reactor, comúnmente en la primera mitad del reactor. En este caso la temperatura
tiende a elevarse, a pesar del enfriamiento externo debido a la elevada rapidez inicial de la reacción.
En general, la presencia de una zona o punto caliente puede tener efectos muy adversos, tales como
la desactivación de catalizadores, aparición de reacciones indeseables y descomposición térmica de
productos.
4.8.4. Formación de patrones
La presencia de no-homogeneidades en el espacio y en el tiempo, o formación de patrones, en

sistemas de ingeniería química, es un área que ha atraído una atención considerable, desde que se
reportó por primera vez en los 50s una reacción en la cual se observaron patrones de colores rojo
140
a azul, asociados con la reducción-oxidación de la especies reactantes. La clase de reacciones que
producen este tipo de patrones de coloración se conocen como reacciones de Belousov-Zhabotinskii.
Turing formuló el primer mecanismo de formación de patrones en 1952, en el cual propuso
que el acoplamiento de la difusión con la cinética no-lineal es suficiente para producir soluciones
estacionarias que conducen a no homogeneidades espacio-temporales. El mecanismo propuesto por
Turing fue capaz de explicar y reproducir la formación de patrones en química y biología.
Las reacciones químicas no-lineales y la difusión no son los únicos mecanismos que conducen
a la formación de patrones espacio-temporales en un sistema químico. Un grupo de investigación
en Bélgica, conocido como el grupo de Bruselas, realizó estudios relacionados a la formación de
patrones al estudiar el origen químico de tales inestabilidades y concluyeron que el acoplamiento
entre cinéticas no-lineales y un mecanismo retroalimentado, son las causas de inestabilidades
estacionarias. El mecanismo retroalimentado puede ser térmico, como en el caso de reacciones
químicas, o en el caso de reacciones autocatalíticas un retroalimentado químico. En años recientes
también se ha reportado la formación de patrones debido al acoplamiento entre los fenómenos de
convección, difusión y reacción. Algunos reactores que han reportado la presencia de formación
de patrones son los reactores tubulares con reciclo, autotérmicos, operados con inversión de flujo
periódica y forzados.
El reactor tubular con dispersión axial que se presentó en la Sección 2.5.8 presenta la formación
de un patrón espacio-temporal oscilatorio para el siguiente conjunto de parámetros:  1 = 50
 2 = 50  = 1  = 0185  = 140  = 30  = 200 2 = 00 10 = 00 20 = 00
La Figura (4-9) muestra la dependencia en el espacio y en el tiempo de las variables del reactor,
la concentración y la temperatura. La presencia de oscilaciones se muestra en los perfiles respecto
al tiempo.
4.9. Transformada de Laplace en control

En esta Sección se presentan algunas generalidades de la transformada de Laplace haciendo
énfasis en los conceptos y herramientas que tienen mayor incidencia en el análisis de un sistema
de control.
141
1
Concentracion, x 1
0.5
0
10 9 8 7 1
6 0.8 0.9
5 4 0.6 0.7
3 0.4 0.5
2 1 0.2 0.3
0 0 0.1
Tiempo,t Posicion,x
10
Temperatura, x2
0
10 9 8 7 1
6 0.8 0.9
5 4 0.6 0.7
3 0.4 0.5
2 1 0.2 0.3
0 0 0.1
Posicion,x
Tiempot
Figura 4-9: Patrón espacio-temporal en un reactor tubular con dispersión axial.
142
4.9.1. Transformada de Laplace
Para extraer información de un sistema lineal existen muchas herramientas. En sistemas de

control es común utilizar la transformada de Laplace para obtener información sobre el efecto de
una entrada  sobre una salida  de un sistema, la estabilidad de un sistema y el diseño de un
sistema de control.
El uso de la trasformada de Laplace conduce a algunas simplificaciones muy útiles en notación
y cálculos. La transformada de Laplace transforma ecuaciones diferenciales ordinarias lineales en
términos de la variable independiente  en ecuaciones algebraicas en la variable compleja  Esto
proporciona una representación útil de la dinámica del sistema.
Las siguientes funciones son importantes para el análisis de la respuesta entrada-salida de
sistemas de control.
Función escalón: La función escalón ideal, de magnitud  es una función cuyo valor per-
manece cero hasta que este toma el valor de  instantáneamente en el tiempo de inicio
establecido arbitrariamente en  = 0
⎧
⎨ 0 0
() = (4.50)
⎩  ≥0
o en términos de la función escalón unitario, () (además llamada la función de Heaviside):

⎧
⎨ 0 0
() = () donde () = (4.51)
⎩ 1 ≥0
la transformada de Laplace de la función escalón está dada por:

() = (4.52)

Función pulso rectangular ideal: Esta es una función que permanece cero hasta que toma
el valor de  instantáneamente en el tiempo de inicio establecido arbitrariamente en  = 0
143
mantiene este nuevo valor por  unidades de tiempo y retorna a su valor inicial.
⎧
⎪
⎪ 0 0
⎪
⎨
() =  0 (4.53)
⎪
⎪
⎪
⎩ 0 
La función pulso rectangular está dada también por, () =  [() − ( − )]  La trans-
formada de Laplace está dada por:

() = (1 − exp(−)) (4.54)

Función impulso ideal: La función impulso ideal de magnitud  es una función que se
representa matemáticamente como:
() = () (4.55)
donde () es la función delta de Dirac:

⎧
⎨ ∞ =0
() = (4.56)
⎩ 0 de otra forma
La función impulso de área  tiene la transformada de Laplace:
() =  (4.57)
Por otro lado, se tiene que si () representa la función escalón unitario, entonces:

() = () (4.58)

Función rampa ideal: Es una función cuyo valor inicia en  = 0 y se incrementa linealmente
144
con una pendiente constante la cual se designa aquí como :
⎧
⎨ 0 0
() = (4.59)
⎩    0
la transformada de Laplace está dada por:

() = (4.60)
2
Función sinusoidal ideal: La función de entrada sinusoidal de amplitud  y frecuencia  se

representa matemáticamente como:
⎧
⎨ 0 0
() = (4.61)
⎩  sin()   0
y la transformada de Laplace está dada por:

() = (4.62)
2 + 2
4.9.2. Transformada de Laplace de un modelo de primer orden con

forzamiento
Se considera una ecuación de primer orden sujeta a un término externo o de forzamiento ():
•
() + () = () (4.63)
la transformada de Laplace conduce a:
() − 0 + () =  ()
()( + ) = 0 +  ()
0 
() = + () (4.64)
+ +
145
con la condición inicial cero, la ecuación transformada es:

() = () (4.65)
+
4.9.3. Transformada de Laplace de un modelo de segundo orden con

forzamiento
Se considera una ecuación de segundo orden con el término externo ():
•• •
() + 2() + 2 () = () (4.66)
la transformada de Laplace conduce a:
2 () − 0 + 2(() − 0 ) +  2 () = ()
()(2 + 2 + 2 ) = 0 ( + 2) + () (4.67)

0 ( + 2) 
() = 2 2
+ 2  ()
 + 2 +   + 2 +  2
con condición inicial cero, la ecuación transformada es:

() = () (4.68)
2 + 2 +  2
4.9.4. Transformada de Laplace con Matlab
Para obtener la transformada directa e inversa de Laplace con Matlab se procede como sigue:
1. Escribir la función a obtener su transformada directa o inversa. Si es la transformada directa,

se escribe la función en términos de la variable de tiempo  si es la transformada inversa, se
escribe la función en términos de la variable compleja :
      =  ()
      = ()
2. Escribir la instrucción:  () para obtener la solución general y  ( )
146
para obtener la solución evaluada en algún valor de  o 
Se consideran dos funciones simples: (i) () = exp() + 3 sin() y (ii)  () = 1( − )
1. Escritura de las funciones:
()        = exp(−) +  sin()
()        = 1( + )
2. Escribir la instrucción: (i)   = (); (ii)  = ( 1) Lo que conduce a los
resultados:
()    = 1( + ) + (2 + 1)
()    = 05()(2(1 ) + () + (1))
4.10. Función de transferencia

Un sistema dinámico lineal, para fines de control, se puede escribir por el sistema de ecuaciones
diferenciales:
•
 =  +  (4.69)
 =  + 
(0 ) = 0 (4.70)
donde () es el estado, () es la entrada, () es la salida, (0 ) es la condición inicial.    y
 son matrices de dimensiones adecuadas y coeficientes constantes.
Al tomar la transformada de Laplace para el sistema (4.69) con condiciones iniciales cero 0 = 0
se tiene:
() = () + ()
( − )() = ()
 () = () +  () (4.71)
147
que se puede re-escribir de la forma:
() = ( − )−1 ()

£ ¤
 () = ( − )−1  +  () (4.72)
= ()()
donde () está dada por:

() = ( − )−1  +  (4.73)
la ecuación (4.73) se conoce como la función de transferencia del sistema (4.69), debido a que
transfiere una entrada  () a una salida  () y se puede considerar como un modelo entrada-
salida del sistema (4.69). La función de transferencia () permite una caracterización completa
entrada-salida de un sistema.
4.10.1. Polos y ceros
La función de transferencia () se puede escribir como () = ( − )−1  debido a que
el término de entrada de control comúnmente no está presente en la medición de un sistema. La
función de transferencia también se puede escribir como la relación de dos polinomios en términos
de la variable compleja  de la transformada de Laplace:
()
() = ( − )−1  = (4.74)
()
 −1
  + −1  +  + 1  + 
=  −1
(4.75)
  + −1  +  + 1  + 
Los polinomios del numerador y denominador de la ecuación (4.75) se pueden factorizar en tér-
minos de sus raíces de acuerdo a:
( − 1 )( − 2 )( −  )

() = (4.76)
( − 1 )( − 2 )( −  )
donde 1 a  son las raíces del numerador y 1 a  son las raíces del denominador. De la
expresión (4.75) se observa que el orden del denominador es  y el orden del numerador es 
El orden relativo del sistema es la diferencia entre el orden del denominador  y el orden del
148
numerador  Para sistemas causales siempre    y se conocen como sistemas estrictamente
propios. Si  ≥  el sistema es propio y si    el sistema es impropio.
Los ceros de un sistema lineal son las raíces del polinomio del numerador de la función de
transferencia, i.e., las raíces 1 a   En tanto que los polos del sistema lineal son las raíces del
polinomio del denominador de la función de transferencia, i.e., las raíces 1 a   Los ceros de la
función de transferencia no tienen efecto sobre la estabilidad del sistema. Por otra parte, los polos
determinan la estabilidad del sistema. Si todos los polos son negativos el sistema es estable, de
otra forma el sistema es inestable.
Las funciones de transferencia que no tienen polos ni ceros positivos o cero se conocen como
funciones de transferencia de fase mínima, en tanto que las que tienen polos y/o ceros negativos
son funciones de transferencia de fase no mínima. Los sistemas con funciones de transferencia
de fase mínima se denominan sistemas de fase mínima, en tanto que aquellos con funciones de
transferencia con fase no mínima se denominan sistemas de fase no mínima. Los sistemas de fase
no mínima son lentos en su respuesta, debido a un comportamiento defectuoso al inicio de la
respuesta.
4.10.2. Función de transferencia con Matlab
Con Matlab es posible calcular: (i) la función de transferencia a partir de los polos y ceros de
un sistema, (ii) la función de transferencia a partir de un sistema lineal de la forma (4.69) y (iii)
obtener un sistema lineal de la forma (4.69) a partir de la función de transferencia.
Cálculo a partir de los polos y ceros. El procedimiento es como sigue:
1. Escribir las raíces del numerador (ceros) y del denominador (polos) de la función de
transferencia de la forma:
   = [1  2    ];
   = [1  2    ];
2. Escribir la instrucción:   =  ( )
Cálculo a partir de un modelo lineal de la forma (4.69). El procedimiento es como sigue:
149
1. Escribir los componentes de las matrices    y  (la cual generalmente es cero):
   = [11 12  1 ; 21 22  2 ; ; 1 2   ; ]
   = [11 12  1 ; 21 22  2 ; ; 1 2   ; ]
   = [11 12  1 ; 21 22  2 ; ; 1 2   ; ]
   = [11 12  1 ; 21 22  2 ; ; 1 2   ; ]
2. Escribir la instrucción:   =  ((   ))
Cálculo de un modelo lineal de la forma (4.69) a partir de la función de transferencia. El

procedimiento es como sigue:
1. Escribir la función de transferencia en términos del denominador y numerador:
  =  ( )
2. Escribir la instrucción:   = (())
4.10.3. Función de transferencia de un CSTR
El modelo lineal del CSTR de Aris y Amudson (4.42) en el punto de equilibrio ∗ = ∗1 = 05
y  ∗ = ∗2 = 400 considerando como entrada de control la temperatura de la chaqueta de
enfriamiento,  =  y como variable medible la temperatura del reactor,  =  = 2  está
dado por:
⎡ ⎤ ⎡ ⎤
• −2 −003125 0
 = ⎣ ⎦ +⎣ ⎦ (4.77)
200 425 1
05400
 = [0 1]
para obtener la función de transferencia se procede como sigue:
150
1. Escribir los componentes de las matrices    y :
   = [−2 − 003125; 200 425]
   = [0; 1]
   = [0 1]
   = [0]
2. Escribir la instrucción:   =  (   ) que conduce al resultado:
+2
= (4.78)
2 − 225 − 225
que es la función de transferencia del modelo del CSTR en el punto de equilibrio

 = (05 400)
La función de transferencia (4.78) se puede escribir en términos de los ceros y polos del sistema
como:
( + 2)
= (4.79)
( + 075)( − 30)
de (4.79) se puede observar que el CSTR tiene un cero en −2 un polo negativo en −075 y un
polo positivo en 30 por lo que se puede concluir que el CSTR en el punto (05 400) es de fase no
mínima e inestable.
4.11. Respuesta de sistemas lineales

En ingeniería de control, la forma en la cual la salida de un sistema responde a un cambio en
una señal de entrada es muy importante. En general, todos los sistemas reales están afectados por
ruido (variabilidad e incertidumbre de los dispositivos de medición) y perturbaciones o señales
externas. En un sistema real, la respuesta puede llegar a ser muy compleja, sin embargo, es útil
estudiar la respuesta de sistemas lineales simples a cierto tipo de perturbaciones idealizadas, con
la finalidad de mejorar el entendimiento de la respuesta dinámica de sistemas reales.
Los modelos más simples para las perturbaciones usados en el control de procesos son: pertur-
baciones impulso, escalón, rampa y sinusoidal.
151
Perturbación impulso: El impulso es una idealización de una perturbación repentina de corta
duración. Este tipo de modelo puede representar perturbaciones de carga instantánea, así
como errores de medición.
Perturbación escalón: El modelo escalón se usa para representar una perturbación de carga
sostenida o una desviación en una medición.
Perturbación rampa: La rampa es una señal que es cero para un tiempo negativo y se
incrementa linealmente para el tiempo positivo. La rampa es útil para representar errores
de medición que se incrementan y perturbaciones que inician repentinamente sin parar. En
la práctica, las perturbaciones están acotadas, sin embargo la rampa es una idealización útil
en algunos casos.
Perturbación sinusoidal: La onda seno es un prototipo para una perturbación periódica. Con
una elección adecuada de la frecuencia, es posible representar perturbaciones de carga que
presentan fluctuaciones de baja frecuencia, así como ruido de medición de alta frecuencia.
4.11.1. Respuesta de sistemas de primer orden
Se considera un sistema lineal de primer orden forzado por una perturbación escalón, que por
conveniencia, se escribe de la forma:
•
() +  −1
 () =  () (4.80)
donde   es una constante de tiempo del sistema y  es un parámetro que se conoce como la
ganancia en estado estacionario del proceso. Un ejemplo de un proceso de ingeniería es el de
un sistema de un tanque continuo agitado isotérmico, en el cual entra una corriente con una
concentración 0 = 1  opera en estado estacionario y en cierto instante de tiempo cambia a un
valor 0 = 2  El modelo matemático del tanque agitado es:
•  
() = − () + () (4.81)
 
La Figura (4-10) muestra la respuesta entrada-salida para los valores  = 4  mı́n,  = 36 
1 = 10  y diferentes valores del cambio escalón 2 en  = 1000 mı́n 
152
2
1.8
1.6
1.4
1.2 u= 1.5
u = 1.0 u= 2.0
y = C(t)
1 u= 0.5
u= 0.0
0.8
0.6
0.4
0.2
0 20 40 60 80 100 120 140 160 180 200

Tiempo (min)
Figura 4-10: Respuesta de un sistema de primer orden.
El sistema lineal de primer orden responde de una manera suave y con crecimiento exponencial
antes de llegar al nuevo valor en estado estacionario. Para perturbaciones positivas el nuevo valor en
estado estacionario es mayor y para perturbaciones negativas el nuevo estado estacionario es menor,
sin embargo, la magnitud de las perturbaciones son simétricas respecto al estado estacionario
inicial. De la Figura (4-10) se puede ver que el tiempo en el cual se alcanza el nuevo estado
estacionario es prácticamente el mismo sin importar el orden de cambio de la perturbación externa.
La solución en el domino del tiempo permite encontrar un parámetro que caracteriza la dinámi-
ca de sistemas de primer orden, la constante de tiempo del proceso,    el cual no se modifica al
cambiar la magnitud del valor de la perturbación escalón. Por ejemplo, la solución al modelo (4.81)
está dada por:

() = (1 − exp(− )) (4.82)

donde en este caso  =   =   y corresponde a un tiempo característico del proceso, que en
este caso es el tiempo de residencia promedio. Cuando  =   la solución del sistema (4.82) se
puede escribir como:
() = (1 − exp(−1)) = 0632 (4.83)
153
de modo que el tiempo característico  es el tiempo en el cual se alcanza el valor del 632 %
del nuevo valor en estado estacionario cuando el sistema se somete a una perturbación escalón.
4.11.2. Respuesta de sistemas de segundo orden
Un sistema forzado de segundo orden se describe por un ecuación diferencial de segundo orden
con el término de forzamiento  :
2  −1 
+ 2  +  −2
  =   (4.84)
2 
donde   es la constante de tiempo del sistema,  es un factor de amortiguamiento y  es la

ganancia en estado estacionario del proceso. Se puede observar que el sistema de segundo orden
requiere tres parámetros para caracterizar su dinámica     y  . Debido a que la constante de
tiempo,   , esta en relación con la velocidad de respuesta del proceso, una vez que el proceso em-
pieza a responder a la función de forzamiento, el factor  tiene un papel crucial en las propiedades
de la respuesta del sistema.
Al tomar la transformada de Laplace del modelo (4.84) se obtiene:
 () 
() = = 2 2 (4.85)
()    + 2   + 1
la ecuación característica del sistema (4.85) está dada por la ecuación de segundo orden en el
denominador de (4.85):
 2 2 + 2   + 1 (4.86)
que tiene las raíces: p

 2 − 1
12 =− ± (4.87)
 
Si se aplica un escalón unitario en la entrada ()   () = 1 se obtiene la salida:
 
 () = =
( 2  + 2   + 1) ( − 1 )( − 2 )
de modo que la respuesta del sistema de segundo orden depende de la ubicación de las raíces 1
y 2 . Así, se pueden distinguir tres casos: (i) respuesta sobre-amortiguada cuando   1 (raíces
154
0.7
0.6
0.5
0.5
1.0
1.5
0.4 0.2
0.8
y
0.3
0.2
0.1
0 10 20 30 40 50 60 70 80 90 100
Tiempo
Figura 4-11: Respuesta de un sistema de segundo orden.
reales y distintas), (ii) respuesta críticamente amortiguada cuando  = 1 (raíces iguales), (iii)
respuesta sub-amortiguada cuando   1 (raíces conjugadas).
De los tres casos, la respuesta sub-amortiguada,    1 es la que se presenta con mayor
frecuencia en los sistemas de control. La Figura (4-11) muestra la respuesta entrada-salida para
valores de   = 05,  = 436 y diferentes valores del factor de amortiguamiento 
Para valores de  menores de 10 (sistema sub-amortiguado), el sistema responde con sobredis-
paros y oscilaciones antes de llegar a un nuevo valor en estado estacionario. Para valores de  = 10
(sistema críticamente amortiguado), la respuesta es suave y de tipo exponencial. Para valores de 
mayores a 10 (sistema sobre-amortiguado), la respuesta sigue una forma sigmoidal antes de llegar
a un nuevo valor en estado estacionario. Se puede observar en la Figura (4-11) que la respuesta
de sistemas de segundo orden sobre-amortiguados y críticamente amortiguados es muy similar a
la respuesta de sistemas de primer orden. Para sistemas de segundo orden sub-amortiguados, los
parámetros que caracterizan la respuesta dinámica son tres:
1. El tiempo de asentamiento,    que se define como el tiempo en el cual se alcanza un margen

del 95 % del nuevo valor en estado estacionario.
2. El sobredisparo,  el cual se define como la diferencia entre el valor más alto que se alcanza
155
0.7
0.6
b
0.5 sobredisparo
0.4
y
0.3
0.2
tiempo de asentamiento
0.1
tiempo de elevación
0
0 25 50 75 100 125 150

Tiempo
Figura 4-12: Parámetros de un modelo de segundo orden sub-amortiguado.
de la respuesta de salida respecto al nuevo valor en estado estacionario.
3. El tiempo de elevación,    que es el valor en el cual se alcanza por primera vez el nuevo
valor en estado estacionario.
La Figura (4-12) muestra los tres parámetros para el sistema (4.84) con  = 02
4.11.3. Sistemas de orden 
En procesos de ingeniería, los sistemas de orden  pueden surgir debido al acoplamiento de

varios sistemas de orden menor, por ejemplo, tanques agitados en serie, etapas de equilibrio en
columnas de destilación, etc. Por ejemplo, si se considera una serie de cuatro tanques agitados en
serie, con volúmenes y flujos de alimentación y salida iguales se tiene:
•  
1 () = − 1 () + () (4.88)
 
•  
2 () = − 2 () + 1
 
•  
3 () = − 3 () + 2
 
•  
4 () = − 4 () + 3
 
156
1
0.9
0.8
n=5
0.7
n=4
0.6 n=3
n=2
y = Ci
0.5 n=1
0.4
0.3
0.2
0.1
0 20 40 60 80 100 120 140 160 180 200

Tiempo (min)
Figura 4-13: Respuesta de un sistema de orden 
la relación entrada-salida se obtiene al derivar la ecuación del último tanque hasta que aparezca
la entrada aplicada al sistema de tanques. Después de una serie de manipulaciones algebraicas se
obtiene:
••••  •••  •• • 
4 () + 4 + ( )2 (3 + 2 + 1 ) = () (4.89)
  
que es un sistema de cuarto orden.
La Figura (4-13) muestra la respuesta entrada-salida para un sistema de 5 tanques en serie
de igual volumen y valores  = 4  mı́n,  = 36  1 = 10  y 2 = 10 en  = 500
mı́n  La respuesta entrada-salida para cada uno de los tanques sigue una forma sigmoidal. En
el último tanque la forma sigmoidal es más pronunciada que la respuesta entrada-salida de los
tanques anteriores. En muchos casos, la respuesta entrada-salida de un sistema de orden  se
puede aproximar con la respuesta entrada-salida de sistemas de primer y segundo orden.
157
4.12. Identificación empírica
Los modelos matemáticos que resultan de emplear los principios fundamentales, por lo general
tienen la gran limitación que da lugar a modelos muy complejos. En general, la construcción de
modelos matemáticos de la mayoría de procesos reales requiere un gran esfuerzo de ingeniería para
formular las ecuaciones, determinar todos los valores de los parámetros y resolver las ecuaciones,
usualmente a través de métodos numéricos. Este esfuerzo se justifica cuando son necesarias predic-
ciones muy precisas de la respuesta dinámica sobre un amplio rango de condiciones de operación.
Para fines de control, un modelo simple puede simplificar el diseño, simulación, o análisis de los
esquemas de control. Un método alternativo para construir modelos matemáticos diseñados especí-
ficamente para el control de procesos es la identificación empírica. Los modelos que se desarrollan
en este método proporcionan la relación dinámica entre variables de salida y entrada.
El modelado o identificación empírica consiste en desarrollar modelos, a partir de datos de
respuesta, a una perturbación de entrada. Los modelos se determinan realizando cambios pequeños
en las variables de entrada alrededor de las condiciones de operación nominales. La respuesta
dinámica resultante se usa para determinar el modelo. Este procedimiento es esencialmente una
linealización experimental del proceso, que es válida para alguna región alrededor de las condiciones
nominales. Los dos métodos de identificación más conocidos son: (i) el método de curva de reacción
y (ii) los métodos en base a principios estadísticos.
4.12.1. El método de curva de reacción
El proceso de curva de reacción se desarrolla en cuatro pasos:
1. Permitir que el proceso logre un estado estacionario.
2. Introducir un cambio escalón en la entrada de control.
3. Obtener los datos de la respuesta de salida hasta que el proceso logre un nuevo estado
estacionario.
4. De acuerdo a la respuesta entrada-salida que se observa, elegir un modelo empírico. Los

modelos empíricos del método de curva de reacción se restringen a tres modelos: de primer
orden, de segundo orden y de primer orden más tiempo muerto.
158
2
u = 2.0
1.8
1.6
y 2 - y 1 = 2.0 - 1.0 = 1.0
1.4
1.2
u = 1.0
1
y
0.8
0.6
0.4
0.2 t = 10.0
0 20 40 60 80 100 120 140 160 180 200

Tiempo
Figura 4-14: Ajuste de un modelo de primer orden.
5. Realizar los cálculos gráficos del proceso de curva de reacción.
Modelo de primer orden
Un modelo de primer orden en el domino del tiempo y de Laplace se puede escribir como:
  () 
 +  =   = (4.90)
 ()   + 1
el cual se caracteriza por dos parámetros,   y  .

Los datos a obtener para determinar los parámetros   y  son tres: (i) El incremento de la
perturbación escalón que se aplica ∆ = 2 −1  (ii) El incremento del valor en estado estacionario
∆ = 2 − 1  (iii) El tiempo que tarda la respuesta del sistema, a partir del tiempo donde se
aplicó la perturbación, en llegar al 63.2 % del nuevo valor en estado estacionario,   . Los cálculos
del modelo empírico de primer orden son:
∆
 =   =  (4.91)
∆
159
La Figura (4-14) muestra los datos que se requieren para el ejemplo del tanque agitado (4.81). En
este caso:
2−1
 = = 1   = 10 (4.92)
2−1
y el modelo empírico de primer orden es:
  () 1
10 +  = 1 = (4.93)
 () 10 + 1
Modelo de segundo orden
Para un modelo de segundo orden en el domino del tiempo y de Laplace se tiene:
2    () 
 2 2
+ 2  +  =   = 2 2 (4.94)
  ()    + 2   + 1
en este caso la ganancia del proceso  , la constante de tiempo del proceso   y el factor de
amortiguamiento , definen el comportamiento dinámico del proceso de segundo orden.
De las respuestas de sistemas de segundo orden a una entrada escalos que se obtuvieron en la
Sección 4.11, se puede ver que en los casos de  ≥ 1 las características dinámicas se pueden ajustar
a un modelo de primer orden. Para el caso sub-amortiguado,   1 el ajuste de la respuesta
de un modelo de segundo orden sub-amortiguado requiere los siguientes datos: (i) El incremento
de la perturbación escalón que se aplica ∆ = 2 − 1  (ii) El incremento del valor en estado
estacionario ∆ = 2 − 1  (iii) La amplitud del sobredisparo,  1  (iv) La amplitud de otro pico
antes de que el sistema se establezca en el nuevo valor en estado estacionario,   . (v) El tiempo
entre dos picos sucesivos,   . Los cálculos del modelo empírico de segundo orden sub-amortiguado
son:
∆
 =
∆
1
−1
log(  1 )
 = q 
(4.95)
4 + [ −1 log(  1 )]2
2 1

q

 = 1 − 2
2
La Figura (4-15) muestra los datos para el cálculo de los parámetros para el ejemplo (4.84)
160
0.7
0.6
b1 = 0.23 b2 = 0 .0 5
0.5
u2 = 1.0
0.4
y
0.3
tiempo entre picos

0.2 sucesivos = 12.5
y 2 - y 1 = 0.45 - 0.0 = 0.45
0.1
u1 = 0.0
0
0 25 50 75 100 125 150

Tiempo
Figura 4-15: Ajuste de un modelo de segundo orden sub-amortiguado.
con  = 02. Los cálculos son:
045 − 00
 = = 045
10 − 00
1
2−1
log( 023
005
)
 = q = 0236
1
4 2 + [ 2−1 log( 023
005
)]2
125 p
 = 1 − 02362 = 19332
2
de modo que el modelo empírico de segundo orden sub-amortiguado es:
2  
1932 + 2(0236)(193) +  = 045 (4.96)
2 
o en el dominio de Laplace:
 () 045
= 2 2
(4.97)
 () 193  + 2(0236)(193) + 1
161
Modelo de primer orden con tiempo muerto
La respuesta entrada-salida de algunos procesos de ingeniería química presenta un retraso de

tiempo antes de que la salida del proceso detecte la perturbación de entrada que se aplica. Este
retraso de tiempo se conoce como tiempo muerto y es característico de procesos en los cuales la
perturbación de entrada se propaga hasta la salida del proceso, tales como los sistemas distribuidos
y las columnas de destilación. Otro caso en el cual es importante considerar tiempo muerto, es
cuando la salida del proceso se procesa por dispositivos de medición, que requieren de cierto tiempo
para proporcionar el valor de salida del sistema, por ejemplo cromatógrafos de gases para medir
concentraciones.
En muchos casos, la respuesta de los sistemas con tiempo muerto se puede ajustar a modelos
de orden reducido, tales como los modelos de primer y segundo orden, con una corrección que
considera el tiempo que tarda la salida del sistema en responder.
Un modelo de primer orden más tiempo muerto está dado por:
 () 
= exp(−  ) (4.98)
()   + 1
donde  () denota la salida,  () la entrada,  la ganancia en estado estacionario,   la constante
de tiempo del proceso y   el tiempo muerto. El único dato adicional al modelo de primer orden es
el tiempo muerto, el cual se obtiene de manera directa de la respuesta entrada-salida del sistema,
como el tiempo que tarda el sistema en responder con un cambio en la variable de salida.
Algunos sistemas muestran una respuesta inversa al aplicarse una perturbación de entrada, la
cual se debe a efectos competitivos entres diferentes dinámicas del proceso. La respuesta inversa
se puede considerar como un tiempo muerto, al tomar el tiempo en el cual el sistema regresa a
una respuesta directa y dividir este valor entre dos, es decir:

 = (4.99)
2
donde   es el tiempo en el cual ocurre una respuesta inversa del proceso.
162
0.9
0.88 X: 8.599
X: 5.434 Y: 0.8668
Composicion plato 1
Y: 0.8601
0.86 X: 4.246
Y: 0.8487
0.84
X: 5.441
Y: 0.8343
0.82 X: 8.636
Y: 0.826
0.8
1 2 3 4 5 6 7 8 9 10
Tiempo, t
-5
x 10
4.1
Composicion plato 20
4 X: 8.826
Y: 3.935e-005
X: 5.228
X: 4.231
Y: 3.886e-005
3.9 Y: 3.87e-005
3.8
X: 5.285
Y: 3.822e-005 X: 8.847
Y: 3.791e-005
3.7
3.6
0 1 2 3 4 5 6 7 8 9 10
Tiempo, t
Figura 4-16: Identificación empirica de una columna de destilación.
4.12.2. Identificación empírica de una columna de destilación
Se considera la columna de destilación continua ideal que se presentó en la Sección 2.5.9, la

cual consiste de varias ecuaciones diferenciales ordinarias y es complicado identificar la relación
entrada-salida,  la relación de reciclo-composición de destilado en el plato 1. Para obtener un
modelo lineal aproximado la columna de destilación continua ideal se somete a perturbaciones
escalón positivas y negativas del 10 % en la entrada de control  =  después de que el sistema
alcanza el estado estacionario. La respuesta de salida de la composición en los platos 1 y 20 se
muestra en la Figura (4-16).
Los parámetros de los modelos lineales aproximados, para las perturbaciones positivas y ne-
163
gativas son:
8668 − 8487
+1 = = 8 044 4 × 10−2   +
1 = 0434 (4.100)
225 ∗ 11 − 225
826 − 8487
−1 = = 0100 89  −1 = 0441
225 ∗ 09 − 225
3935 × 10−5 − 387 × 10−5

+20 = = 2 888 9 × 10−6  + +
20 = 0228  20 = 02 (4.101)
225 ∗ 11 − 225
379 × 10−5 − 387 × 10−5
−20 = = 3 511 1 × 10−6  − +
20 = 0285  20 = 02
225 ∗ 09 − 225
de modo que los modelos aproximados se pueden escribir como:
8 044 4 × 10−2
()+
1 = (4.102)
0434 + 1
0100 89
()−
1 =
0441 + 1
2 888 9 × 10−6
()+
20 = exp(−02) (4.103)
0228 + 1
3 511 1 × 10−6
()−
20 = exp(−02)
0285 + 1
En este caso, a pesar de que el sistema responde diferente a perturbaciones positivas y negativas,
la diferencia no es significante y se puede establecer un modelo de respuesta escalón con valores
promedio de ambas perturbaciones. De esta forma se obtienen los modelos:
009
()1 = (4.104)
0438 + 1
32 × 10−6
()20 = exp(−02)
025 + 1
que determinan la relación entrada-salida en los platos 1 y 20 de la columna de destilación. Se

puede observar que en la respuesta entrada-salida en el plato 1 el tiempo muerto es despreciable,
en cambio, en el plato 20, el tiempo muerto se tiene que incluir en el modelo lineal aproximado, con
lo cual se obtienen modelos de primer orden y primer orden con tiempo muerto respectivamente.
164
4.12.3. Identificación empírica de un reactor tubular
Los reactores tubulares son otra clase de procesos químicos para los cuales es común traba-
jar con modelos lineales entrada-salida, que se obtienen por el método de curva de reacción. Se
considera el modelo del reactor biológico presentado en la sección 2.5.7 cuando se somete a una
perturbación escalón de ± 10 % en el flujo de alimentación,  =  después de que el sistema
alcanza el estado estacionario. La respuesta de concentración de substrato a la salida del reactor
se muestra en la Figura (4-17).
Los cálculos del modelo lineal son:
03393 − 02599
+ = = 3970  +
 = 52 (4.105)
0002 ∗ 11 − 0002
01881 − 02599
− = = 3590  −
 = 57
0002 ∗ 09 − 0002
el modelo que se obtiene con valores promedio está dado por:
3780
() = (4.106)
55 + 1
que es un modelo lineal que establece la relación entrada-salida del reactor tubular biológico de
flujo tapón.
4.12.4. Identificación escalón con Matlab
A partir de un modelo lineal de la forma (4.69) con Matlab se puede obtener la respuesta a un
escalón por medio del siguiente procedimiento.
1. Escribir los componentes de las matrices    y .
2. Escribir la instrucción:   = (   )
3. Escribir la instrucción:  ()
165
0.4
X: 245
0.35
Y: 0.3393
X: 156.2
Y: 0.3215
0.3
Substrato, S
X: 128.9
Y: 0.2599
0.25
0.2 u = F*1.1 X: 156.7

Y: 0.2072
u = F*0.9
X: 245
Y: 0.1881
0.15
0 50 100 150 200 250
Tiempo, t
Figura 4-17: Identificación empírica de un reactor tubular biológico.
Step Response
1
0.9
0.8
0.7
0.6
Amplitude
0.5
0.4
0.3
0.2
0.1
0
0 10 20 30 40 50 60
Time (sec)
Figura 4-18: Simulación a un cambio escalón con Matlab.
166
Por ejemplo, si se considera el sistema (4.88), el modelo en el espacio de estados es:
⎡ ⎤ ⎡ ⎤
−436 0 0 0 436
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
• ⎢ 436 −436 0 0 ⎥ ⎢ 0 ⎥
 = ⎢
⎢
⎥ + ⎢
⎥ ⎢
⎥
⎥ (4.107)
⎢ 0 436 −436 0 ⎥ ⎢ 0 ⎥
⎣ ⎦ ⎣ ⎦
0 0 436 −436 0
 = [1 0 0 0]
la respuesta a un cambio escalón unitario con Matlab se determina como sigue:
1. Escribir los componentes de las matrices    y :

⎡ ⎤
−436 0 0 0; 436 − 436 0 0;
 =⎣ ⎦
0 436 − 436 0; 0436 − 436
   = [436; 0; 0; 0]
   = [1 0 0 0]
   = [0]
2. Escribir la instrucción:   = (   )
3. Escribir la instrucción:  ()
La Figura (4.27) muestra la gráfica que se genera con las instrucciones anteriores. Se puede ver
de la Figura (4.27) que la respuesta a un cambio escalón unitario es equivalente a los resultados
que se muestran en la Figura (4-13) que se realizaron a través de la programación y simulación
numérica del modelo (4.88).

Parte del material que se cubre en este capítulo esta disponible solo en la literatura científica
que se encuentra referenciada al final del texto. Otras referencias básicas que permitirán al lector
profundizar en los conceptos que se presentan son:
167
Limusa.


McGraw Hill.
Aris, R. (1969). Elementary Chemical Reactor Analysis. Prentice Hall, Inc.
Burns, R.S. (2001). Advanced Control Engineering. Butterworth-Heinemann.
Froment, G.F., Bischoff, K.B. (1990). Chemical Reactor Analysis and Design. John Wiley
and Sons, Inc.
Khalil, H.K. (1996). Nonlinear Systems. Prentice-Hall. Upper Saddle River.
Elnashaie, S.S.E.H., Elshishini, S.S. (1993). Modelling, Simulation and Optimization of In-
dustrial Fixed Bed Catalytic Reactors. Topics in Chemical Engineering. Edited by R. Hughes.
Gordon and Breach Science Publishers. OPA.
Perlmutter, D.D. (1972). Stability of chemical reactors. Prentice-Hall.
Slotine, J.-J. E., Li, W. (1991) Applied nonlinear control. Prentice Hall.
168
Capítulo 5
Control Clásico de Procesos
5.1. Control PID
5.1.1. Introducción
Existen muchos controladores diferentes, pero el controlador retroalimentado que se usa más
ampliamente es el algoritmo proporcional integral y derivativo (PID). Su popularidad se debe a
las siguientes razones:
1. Robustez en un amplio rango de condiciones de operación.
2. Simplicidad de su estructura.
3. Familiaridad de diseñadores y operadores con los algoritmos lineales.
4. No es costosa su implementación.
5. Funciona razonablemente bien en la mayoría de sistemas de control industriales.
La principal desventaja del controlador PI/PID es que generalmente su diseño y análisis no se

basan en un modelo derivado de principios de conservación del proceso a controlar (sin embargo,
puede considerarse una ventaja en procesos químicos muy complejos) como lo hacen las técnicas
de control basado en modelo. Esto es, el conocimiento de los efectos dominantes de la dinámica
del proceso (e.g., difusión, convección, o interacciones no lineales), no se usa explícitamente en la
ley de control.
169
Existen muchas variaciones, pero la definición del algoritmo PID es:
Z 
() =  () +  () +  [()] (5.1)
0
donde () = ( − ()) es el error de regulación,  es la ganancia proporcional,  es la

ganancia integral y  es la ganancia derivativa. Las ganancias integral y derivativa se pueden
escribir en términos de la ganancia integral de la forma:
 =    (5.2)
 =   
donde   y   son constantes de tiempo integrales y derivativas

Al aplicar la transformada de Laplace de la ecuación (5.1), se obtiene:
∙ ¸

() =  + +   () (5.3)

El término entre corchetes se denomina la función de transferencia del controlador y la salida se

calcula siempre como el producto de la función de transferencia por la entrada, que en este caso
es el error de regulación. Una tarea del ingeniero de control es definir las combinaciones de los
diferentes modos del control PID y elegir valores apropiados para las constantes del controlador.
5.1.2. Acciones del controlador PID
Los tres modos principales del control   son el modo proporcional ( ), el modo integral
() y el modo derivativo ().
En el modo proporcional ( ), la señal de salida es proporcional al error (). Para valores

moderados de la ganancia proporcional, el modo proporcional permite llevar la variable que
se desea controlar a un valor en estado estacionario cercano al valor de operación deseado.
La diferencia entre este punto y el punto de referencia deseado es la desviación en estado
estacionario.
La salida de un controlador con modo integral () es proporcional a la suma de la señal

de error () sobre el tiempo. El modo integral permite llevar la señal de error () a cero.
170
Sin embargo, la respuesta del modo integral es lenta y por lo tanto se usa comúnmente
combinada con otros modos.
La salida del controlador con modo derivativo es proporcional a la velocidad de cambio de

la señal de error (). El término derivativo proporciona un tipo de predicción que permite
al controlador anticipar errores futuros. El modo derivativo no es recomendable en muchos
casos, ya que, debido a que se lleva a cabo una diferenciación de la señal de error, es fácil
amplificar ruido de medición asociado con la señal de error, conduciendo a amplificaciones
de la señal de salida del controlador.
En la práctica industrial es común combinar los tres modos. La selección de los mejores modos
del controlador depende además fuertemente de las características del proceso. En general, los
métodos de simulación se usan para probar diferentes estrategias y modos de control.
Algunas recomendaciones de combinación de los modos del control PID son:
Control P: En muchos casos, se puede considerar que el mejor control es el más simple, que
en el control PID corresponde al control puramente proporcional. El control proporcional
se puede recomendar cuando es aceptable tener una desviación en estado estacionario. En
control de procesos el control proporcional se usa con frecuencia para el control de nivel y
de presión.
Control PI: La combinación de la acción proporcional e integral se recomienda cuando el

control con modo proporcional puro no es conveniente debido a la desviación en estado
estacionario. La ventaja del control PI es que se obtiene una desviación en estado estacionario
cero. La desventaja es que es posible que se obtengan sobredisparos y oscilaciones de la
variable controlada, e incluso la inestabilidad del sistema a lazo cerrado.
Control PD: La combinación de los modos proporcional y derivativo permite mejorar el

comportamiento del sistema con control proporcional puro al minimizar los sobredisparos
de la variable controlada y establecerse más rápido en el valor en estado estacionario final.
Sin embargo, debido a la ausencia del modo integral, la desviación en estado estacionario se
mantiene.
Control PID: La combinación de los tres modos permite que la variable controlada llegue a
la referencia deseada en forma más rápida y con menos sobredisparos que el control PI. La
171
desventaja del control PID es su sensibilidad al ruido de medición, de modo que el control
PID se recomienda para procesos con respuesta lenta y mediciones poco susceptibles al ruido
de medición.
5.1.3. Sintonizado
El controlador PID se puede ajustar al cambiar los valores de la ganancia  y las constantes
de tiempo de integración   y tiempo derivativo    El objetivo del sintonizado del controlador
es elegir los parámetros del controlador en forma adecuada para obtener un desempeño deseado.
Esto usualmente significa que las variables controladas deben de retornar al valor deseado a pesar
de perturbaciones en el sistema y seguir cambios en la señal de referencia en forma aceptable.
Método de prueba y error
El controlador se puede ajustar por prueba y error, ya sea a través de experimentación o por
simulaciones numéricas. El método de prueba y error consiste en los siguientes pasos:
1. Proponer un valor pequeño de  e incrementar su valor gradualmente hasta que la respuesta

del sistema sea inestable y oscilatoria. Este valor se denomina ganancia ultima 0 
2. Establecer el valor de  como la mitad del valor de 0 
3. Agregar la acción integral con valores altos de    Reducir los valores de   en factores de 2
hasta que la respuesta sea oscilatoria, donde   =  0 .
4. Establecer el valor de   como el doble del valor de  0 
5. Agregar la acción derivativa con valores de   pequeños e incrementar   hasta que se

presenten inestabilidades, donde   =  0 .
6. Establecer   a la mitad del valor de  0 .
7. Incrementar  en pequeñas cantidades para lograr mejores resultados.
172
Controlador   
P 1(  )
PI 09(  ) 33 
PID 12(  ) 20    2
Cuadro 5.1: Parámetros del sintonizado de Ziegler Nichols
 
P  
(1 + 3 )
PI 
 

(09 + 12 )   30+3  
9+20  
PID 
(4
  3
+ 
12
)   32+6  
13+8  
4
  12+2  
Cuadro 5.2: Parámetros del sintonizado de Cohen-Coon
Método de Ziegler-Nichols
Este método se basa en la identificación empírica a lazo abierto por el método de curva de
reacción. Los datos que se requieren de la curva de reacción son el incremento de la variable
controlada y la entrada de control, ∆ y ∆ Los parámetros del método de Ziegler-Nichols son la
pendiente a través del punto de inflexión, normalizada por la magnitud ∆ es decir  = ∆
y por su intersección con el eje  (tiempo), denotado como   . Las relaciones de sintonizado
completas se resumen en la Tabla 5.1.
Método de Cohen-Coon
El método de Cohen y Coon se basa también en datos del método de identificación empírica
a lazo abierto. Los valores teóricos de los parámetros del controlador se resumen en la Tabla 5.2.
Los parámetros  y  están dados por  = ∆∆ y  = ∆ 
Método de ganancia ultima
La ganancia ultima, 0  es la ganancia que lleva el sistema a oscilaciones sostenidas solo
con acción proporcional. La frecuencia de las oscilaciones en la ganancia ultima se denotan como
0  donde 10 se denomina periodo ultimo. El periodo ultimo se determina experimentalmente
al incrementar  desde valores pequeños hasta el valor en el cual surgen las oscilaciones. Los
parámetros del controlador se calculan de 0 y 0 de acuerdo a las reglas dadas en la Tabla 5.3.
173
P 050
PI 0450 1120
PID 060 120 180
Cuadro 5.3: Parámetros del sintonizado del método de ganancia ultima
5.2. Implementación numérica del control PID

La implementación numérica de un controlador PID se puede hacer en Matlab de dos formas:
(i) Programar numéricamente el control PID en la simulación numérica del modelo matemático del
proceso a controlar. (ii) Utilizar el toolbox de Simulink de Matlab para implementar un módulo
PID a un sistema lineal.
5.2.1. Control P y PI en Matlab
Para implementar controladores P y PI en Matlab, se realizan las siguientes modificaciones a

los archivos  de la simulación dinámica del proceso a controlar:
Control proporcional:
1. Asignar la variable medible , el punto de referencia  y el error de regulación ,

después de la definición de los parámetros del modelo en el archivo  que contiene las
ecuaciones del modelo matemático.
 = ();
 =  ;
 =  − ;
2. Cambiar la asignación de la variable manipulable en las ecuaciones del modelo matemáti-

co por la variable 
3. Asignar un valor inicial a la ganancia proporcional del controlador  y escribir un

condicionante para la activación del control, después de las instrucciones en el paso 1.
 =  ;
174
 ( =  )
 =  ∗ ;

 =  ;

donde  corresponde al valor nominal de la variable manipulable y  corresponde

al tiempo donde se activa la acción de control.
Control proporcional-integral.
1. Ver punto 1 del control proporcional.
2. Asignar valores iniciales a las ganancias proporcional e integral del controlador  y  

La ganancia  se puede asignar directamente o a través de la relación de la ganancia
proporcional y el tiempo integral de la forma  =    
 =  ;
() =  ;
() =   ;  = 
3. Cambiar la asignación de la variable manipulable en las ecuaciones del modelo matemáti-

co por la variable  y agregar una nueva derivada +1  para incluir el término
integral del error de regulación.
 = ( + 1 1);
( + 1) = ;
donde  es el número de ecuaciones del modelo matemático del sistema a controlar.
4. Escribir un condicionante para la activación del control, después de las instrucciones
175
en el paso 1 y 2.
 ( =  )
 =  ∗  +  ∗ ( + 1);

 =  ;

donde  corresponde al valor nominal de la variable a manipular o entrada de control.
5. Para graficar los valores que toma la entrada de control, agregar al final del archivo 
que contiene las ecuaciones del modelo la instrucción,
( );  
esta instrucción genera una curva punteada en una de las figuras que se generan en el
archivo  que contienen la instrucción de integración de ecuaciones.
6. Agregar una condición inicial con valor de cero en el archivo  que contiene la instruc-
ción de integración.
[ ] = solver(@ [  ] [1 (0) 2 (0)   (0) 0+1 ])
5.2.2. Control PID en Simulink
En el control PID se tiene que tener cuidado al implementar numéricamente la acción deriva-
tiva. Esto debido a que la derivada del error de regulación es sensible a ruido de medición en la
variable controlada y puede conducir a cambios importantes y frecuentes de la variable manipula-
da. Aun más, la acción derivativa ideal no es realizable debido a que es impropia. Una alternativa
es usar filtros de primer orden para implementar una versión filtrada de la acción derivativa:
 
≈ 
  + 
176
simout
To Workspace
Clock
simout1
1
PID To Workspace1
s+1
PID Controller Transfer Fcn Step
simout2
To Workspace2
Subtract
simout3
To Workspace3
Figura 5-1: Selección de elementos de una configuración retroalimentada de Simulink.
donde  es la variable compleja de la transformada de Laplace y   es una frecuencia de estimación.

La implementación numérica de la derivada del error de regulación está fuera de los objetivos del
curso y se puede consultar en referencias apropiadas.
El toolbox de Simulink de Matlab permite implementar un controlador PID en forma numérica.
El procedimiento es el siguiente:
1. Seleccionar los elementos de una configuración retroalimentada (ver Figura (5-1)):
a) Seleccionar y arrastrar al diagrama de flujo cuatro módulos de datos de entrada al

espacio de trabajo de Matlab (To Workspace), localizado en Simulink/Sinks.
b) Seleccionar y arrastrar al diagrama de flujo un módulo de comparación (Subtract) de

señales, localizado en Simulink/Math Operation.
c) Seleccionar y arrastrar al diagrama de flujo un bloque de cambio escalón (Step), loca-

lizado en Simulink/Sources.
d) Seleccionar y arrastrar al diagrama de flujo un módulo de tiempo de simulación (Clock),

localizado en Simulink/Sources.
e) Seleccionar y arrastrar al diagrama de flujo un módulo de función de transferencia

(Transfer Fcn), localizado en Simulink/Continuous.
177
Paso (a)
simout
Clock To Workspace
Paso (g)
simout2 simout3 Paso (h)
To Workspace2 To Workspace3
Paso (c)
Paso (b)
1
PID simout1
Step s+1
Subtract PID Controller Transfer Fcn To Workspace1
Paso (d) Paso (e)
Paso (f)
Figura 5-2: Conexión de elementos de una configuración retroalimentada en Simulink.
f ) Seleccionar y arrastrar al diagrama de flujo un módulo de un controlador PID (PID

controller), localizado en Simulink Extras/Additional Linear.
2. Acomodar y conectar los elementos de la configuración retroalimentada como se muestra en

la Figura (5-2):
a) El módulo Clock conectarlo a un módulo de datos de entrada al espacio de trabajo

(Clock → To Workspace).
b) Conectar el módulo de función de transferencia a un módulo de datos de entrada al

espacio de trabajo (Transfer Fcn → To Workspace 1 ).
c) Conectar el módulo Step al módulo de comparación en la entrada positiva (Step →

Subtract + ).
d) Conectar la salida del módulo de comparación a la entrada del módulo del controlador
PID (Substract +
− → PID Controller).
e) Conectar la salida del controlador PID a la entrada del módulo de la función de trans-
ferencia (PID Controller → Transfer Fcn).
f ) Conectar la señal de salida del módulo de función de transferencia al módulo de com-

paración en la entrada negativa (Transfer Fcn-To Workspace 1 → Subtract − ).
g) Conectar un módulo de datos de entrada al espacio de trabajo a la señal de salida del

módulo de cambio escalón (Step-Subtract + → To Workspace 2 ).
178
h) Conectar un módulo de datos de entrada al espacio de trabajo a la señal de salida del
controlador PID (PID Controller → To Workspace 3 ).
3. Asignar valores a los módulos de la configuración retroalimentada:
a) Cambiar y asignar en el módulo Clock el tiempo de simulación deseado.
b) Cambiar en el módulo To Workspace el nombre de la variable (variable name) a  y el

formato de grabado (save format) a 
c) Cambiar en el módulo To Workspace 1 el nombre de la variable a  y el formato de

grabado (save format) a  (ver Figura (5-3)).
d) Cambiar en el módulo Step el tiempo de entrada (step time) y los valores iniciales
(initial value) y finales (final value) del cambio de escalón, que corresponden a las
referencia deseadas,  
e) Cambiar en el módulo To Workspace 2 el nombre de la variable a  y el formato de

grabado (save format) a 
f ) Cambiar en el módulo To Workspace 3 el nombre de la variable a  y el formato de

grabado (save format) a 
g) Cambiar en el módulo Transfer Fcn los valores de los polinomios del numerador y
denominador de la función de transferencia (ver Figura (5-3)).
h) Cambiar en el módulo PID Controller los valores de las ganancias proporcional, integral
y derivativa (ver Figura (5-3)).
5.2.3. Controlador PI en un CSTR con Matlab
Se considera el modelo del reactor continuo de tanque agitado de Aris y Amudson presentado
en la Sección 4.8.1 que se describe por las ecuaciones (2.34-2.36). El objetivo de control es controlar
la temperatura del reactor,  =  = 2  en el punto inestable del CSTR, 2 = 4000  La variable
manipulable es la temperatura de la chaqueta de enfriamiento,  =  = 2  La entrada de control
se activa en el tiempo de 100 minutos.
Los archivos  de la simulación dinámica y la implementación del control PI son:
179
Figura 5-3: Asignación de parámetros de módulos en Simulink.
180
400
Entrada de control, u
350
300
Kc = 0.5
250 Kc = 5.0
Kc = 25.0
200
0 10 20 30 40 50 60 70 80 90 100
Tiempo, t
1200
1000
Temperatura, x2
800
600
400
200
0
0 10 20 30 40 50 60 70 80 90 100
Tiempo, t
Figura 5-4: Control Proporcional en un CSTR.
Archivo de ecuaciones: ()
   = ( )
% x1 = concentración de A, Ca, x2 = temperatura del reactor, u = temp. chaqueta
  = 250;  = 10;  = 100000;  = 10;  = 2000;  = 10;  = 3500;
 = 3500;
% control PI
 = (2);
 = 40000;
 =  − ;
 = 250;
 = 05;
%  = 00; % acción proporcional pura.
( = 50)
181
 =  ∗  +  ∗ (3);

 = ;

% modelo matemático aumentado con la acción integral
 = (3 1);
 = ( − ((2)));
(1) =  ∗ ( − (1)) − (1) ∗ ;
(2) =  ∗ ( − (2)) +  ∗ (1) ∗  +  ∗ ( − (2));
(3) = ;
( );  
Archivo de solución de ecuaciones: ()
[ ] = 23(@ [0 100] [0 380 0]);
(2 1 1); ( (: 2)) (0Temperatura, x_20) (0Tiempo0)
(2 1 2); ( (: 1)) (0Concentracion, x_10) (0Tiempo0)
La Figura (5-4) muestra la evolución dinámica de la concentración   la temperatura del

reactor  y la entrada de control, para diferentes valores de la ganancia proporcional, cuando
solo se activa la acción de control proporcional (   = 00) Se observa que una vez que el
control se activa, el controlador proporcional trata de llevar la temperatura del reactor al valor
de referencia deseado. Conforme aumenta el valor de la ganancia proporcional la temperatura del
reactor se aproxima al valor de referencia deseado, sin embargo, los valores que toma la entrada de
control son muy altos y prohibitivos para implementarse en la práctica. Para valores moderados
de la acción proporcional siempre existe una diferencia entre el valor de referencia deseado y la
temperatura que alcanza el CSTR, que se conoce como desviación en estado estacionario, que es
un problema común de los controladores puramente proporcionales.
Para eliminar la desviación en estado estacionario es necesario incluir la acción integral al
controlador. La Figura (5-5) muestra la dinámica de la temperatura del reactor y la entrada de
182
650
600 Ki = 0.1
550 Ki = 0.25
Temperatura, x2 Ki = 0.5
500
450
400
350
0 50 100 150
Tiempo, t
1400
1200
Entrada de control, u
1000
800
600
400
200
0
0 50 100 150
Tiempo, t
Figura 5-5: Control Proporcional-Integral en un CSTR.
control para un valor de la ganancia proporcional de  = 25 y tres de la ganancia integral. Los
valores de las ganancias proporcionales e integrales se han asignado por un método de prueba y
error simple. Se observa que en los tres casos, el controlador lleva la temperatura del reactor a la
referencia deseada. Para valores moderados de la ganancia integral y proporcional se obtiene el
menor esfuerzo de control y el mejor desempeño a lazo cerrado. Por una parte valores muy bajos
de la ganancia integral vuelven muy lenta la respuesta del controlador y por otro lado, valores
muy grandes de la ganancia integral hacen que el esfuerzo inicial de control sea muy grande.
5.2.4. Controlador PID en un CSTR con Simulink
Se considera una función de transferencia de segundo orden:
−023 −023
() = = 2
(5.4)
( + 04)( + 03) 012 + 07 + 1
183
t
Clo ck
T iem po
E n tra d a d e c o n tro l
-0 .2 3
y
0 .1 2 s2 + 0 .7 s+ 1
P e rtu rb a c i o n S alida m edida
Fu n cio n d e
e sc a l o n
tra n sfe re n c i a
Figura 5-6: Diagrama de flujo de una perturbación escalón en Simulink.
la cual tiene dos polos ubicados en −04 y −03 y puede representar modelos entrada-salida con
respuesta de segundo orden, tales como columnas de destilación, intercambiadores de calor y
reactores químicos. La Figura (5-6) muestra el diagrama de flujo en Simulink para simular una
perturbación escalón, que se aplica en 5 unidades de tiempo con una magnitud de 0.1. La Figura
(5-7) muestra la respuesta escalón de la función de transferencia de segundo orden (5.4).
En la Figura (5-8) se muestra el diagrama de flujo de la implementación de un controlador
PID en Simulink para la función de transferencia (5.4). El objetivo de control es regular la salida
de la función de transferencia (5.4) a una referencia de 0 en las primeras 5 unidades de tiempo y
posteriormente regular a una referencia de 0.1. La Figura (5-9) muestra el desempeño a lazo cerrado
del control proporcional, proporcional-integral y proporcional-integral-derivativo. Los parámetros
del controlador se obtienen a través del método de sintonizado de Ziegler-Nichols. La Figura (5-8)
muestra los datos necesarios para el sintonizado de Ziegler-Nichols, de donde se obtiene:
−0012 + 00075
 = = −00225
56 − 54
−00225
 = = −0225
01
el sintonizado de Ziegler-Nichols se obtiene de los cálculos del Cuadro 5.1. Por ejemplo, para el
184
0
t = 0.1
m = (y 2 - y 1)/(x 2 - x1)
-0.005 = (-0.12 + 0.075)/(5.6 - 5.4))
= -0.0225
-0.01 S = m/(u2 - u1)

= -0.0225/0.1
= - 0.225
y
-0.015
-0.02
-0.025
5 5.2 5.4 5.6 5.8 6 6.2 6.4 6.6 6.8 7 7.2 7.4 7.6 7.8 8
Tiempo, t
Figura 5-7: Parámetros de sintonizado del método de Ziegler-Nichols para una función de trans-
ferencia de segundo orden.
control PID se tiene:
12 12
 = = = −5333
  (01)(−0225)
  −5333
 = = = = −26665 (5.5)
 2  (2)(01)
 01
 =    =  = −5333 = −266
2 2
Como se puede ver en la Figura (5-9) el controlador P presenta una desviación en estado esta-
cionario importante y los controladores PI y PID permiten regular la variables de salida al valor de
referencia deseado. Debido a la acción derivativa el controlador proporcional responde más rápido,
que el control PI, para llevar al sistema a la referencia deseada.
5.3. Función de transferencia a lazo cerrado

El diagrama de bloques básico de un sistema a lazo cerrado retroalimentado se muestra en
la Figura (5-10-a). Al usar las propiedades de operaciones de sistemas lineales se puede obtener
una representación alternativa del diagrama de bloques (5-10-a), que se muestra en la Figura
185
t
Clock
Tiempo
u
yref Entrada de control
set point
-0.23
PID y
Perturbacion 0.12s2 +0.7s+1
Suma PID Controller Salida medida
escalon Funcion de
transferencia
Figura 5-8: Diagrama de flujo de un controlador PID en Simulink.
0.16
0.14
0.12
0.1 Kp = -44.44
Kp = -40.00, Ki = -121.21
0.08 Kp = -53.33, Ki = -266.66, Kd = -2.66
y ref
0.06
0.04
0.02
0 2 4 6 8 10 12
Figura 5-9: Desempeño del control PID para un sistema de segundo orden.
186
(a )
y ref G c(s ) G v(s ) G p(s)
u y
c o n tro la d o r a c tu a d o r p ro c e so
G m (s)
sensor
(b )
y ref e (s) y (s)
G (s)
y H (s)
H (s)
Figura 5-10: Diagramas de bloques de un esquema de control retroalimentado: (a) Completo. (b)
Simplificado.
(5-10-b). () es el producto de las funciones de transferencia de la ruta directa,  () =
 () () () que recibe como entrada la señal de referencia  () () es el producto de la
ruta retroalimentada, que recibe como entrada la señal de salida (). La función de transferencia
que relaciona  () con () se denomina la función de transferencia a lazo cerrado.
A partir del diagrama de bloques (5-10-b) se pueden establecer las siguientes relaciones:
 () = ()() (5.6)
() =  () −  () (5.7)
() = ()() (5.8)
187
al sustituir las ecuaciones (5.6) y (5.7) en (5.8) se obtiene:
() = () [ () −  ()]
() = () [ () − ()()]
()[1 + ()()] = () ()
de modo que la función de transferencia a lazo cerrado está dada por:
()
() =  () (5.9)
[1 + ()()]
que indica que la función de transferencia a lazo cerrado se puede expresar como la relación de la
función de transferencia de la ruta directa entre 1 más el producto de las funciones de transferencia
de la ruta directa y la ruta retroalimentada.
5.3.1. Función de transferencia a lazo cerrado con control P y PI
Se considera el diagrama de bloques que se muestra en la Figura ((5-10-a). La función de

transferencia del sistema a controlar es de primer orden:

 () = (5.10)
 0 + 1
y se consideran dos variaciones del control PID: (i) acción proporcional pura y (ii) acción proporcional-
integral.
() () =  (5.11)


() () =  + (5.12)

se considera además que los elementos de medición y actuación tienen velocidades de respuesta
muy rápidas, en comparación a la dinámica del sistema (5.10), de modo que las funciones de
transferencia respectivas se pueden despreciar.
Después de algunas manipulaciones algebraicas, las funciones de transferencia a lazo cerrado
188
para los controladores proporcional y proporcional-integral están dadas por:
 
() () =  () (5.13)
 0  + 1 +  
  +  
() () =  () (5.14)
 0 2 + (1 +   ) +  
el valor de () en estado estacionario se puede obtener al usar el teorema del valor final:
() = lı́m  ()

→0
para un cambio escalón unitario en la señal de referencia,   () = 1 la respuesta en estado
estacionario es:
 
() () = (5.15)
1 +  
 
() () = =1 (5.16)
 
de la ecuación (5.15) se puede observar que para tener un error en estado estacionario cero, 
() = 1 se requieren valores muy altos de la ganancia proporcional del controlador  . Por otra
parte, de la ecuación (5.16) se observa que la acción integral elimina la desviación en estado
estacionario.
5.4. Localización de raíces
5.4.1. Plano complejo
Los números complejos se pueden representar en forma gráfica en forma análoga a la re-
presentación gráfica de números reales. Esta representación gráfica de los números complejos se
denomina el plano complejo. En el plano complejo la coordenada de un punto o número complejo
 = Re() + Im() son sus partes real e imaginaria. Si  =  +  entonces  se localiza a 
unidades a la derecha del origen y  unidades por encima del origen (si  y/o  son negativos,
entonces  se localiza a la izquierda y/o por abajo del origen). El eje horizontal o eje  se denomina
el eje real y el eje vertical o eje  se denomina eje imaginario.
189
5.4.2. Polos a lazo cerrado
La función de transferencia a lazo cerrado se puede escribir en forma factorizada como:
() ()  ( − 1 )( − 2 )( −  )

= = (5.17)
() 1 + ()() ( − 1 )( − 2 )( −  )
donde  son los polos a lazo cerrado, los cuales son además las raíces de la ecuación característica
y  son los ceros a lazo cerrado.
La posición de los polos de la función de transferencia en el plano imaginario  determina la
naturaleza del comportamiento dinámico del sistema a lazo cerrado. La Figura (5-11) muestra
las propiedades de estabilidad de un sistema dependiendo la ubicación de sus polos en el plano
complejo.
De la Figura (5-11) se puede observar lo siguiente:
Si los polos se ubican en el semiplano izquierdo, es decir valores negativos de la parte real,
el sistema a lazo cerrado es estable.
Si los polos se ubican en el semiplano derecho, es decir valores positivos de la parte real, el
sistema a lazo cerrado es inestable.
Para polos con parte real más alejada del origen el sistema reacciona más rápido hacia la
estabilidad (polos negativos) o inestabilidad (polos positivos).
Para polos con parte imaginaria más alejada del origen la respuesta estable (polos negativos)
o inestable (polos positivos) se vuelve más oscilatoria.
5.4.3. Diagramas polares
En geometría analítica dos formas comunes de especificar la posición de un punto en un plano

son las coordenadas cartesianas y las coordenadas polares. Las coordenadas polares de un número
complejo  =  +  en un plano complejo son la distancia y el ángulo. En particular, el módulo y
argumento de un número complejo se relacionan a la parte imaginaria y real de la misma forma que
las coordenadas polares de un punto en un plano real se relacionan a sus coordenadas cartesianas.
190
Im
11
1
Foco Foco 1.5
1
x 10
0.5
estable inestable 0.5
0
0
-0.5
-0.5
1.5
Centro -1
-1 -1.5
0 2 4 6 8 10 1 0 5 10 15 20 25 30
0.5
Nodo -0.5
Nodo
-1
- estable -1.5
inestable +
0 5 10 15 20 25 30
0 13
Re
1 x 10
6
0.8
4
Silla
0.6
0.4 2
0.2 20
x 10
0
3 0
-0.2 2 -2
-0.4
-0.6
1 -4
-0.8 0
0 2 4 6 8 10 -6
0 2 4 6 8 10
-1
-2
-3
0 5 10 15 20 25 30
Figura 5-11: Estabilidad en el plano imaginario.
191
El módulo o valor absoluto de un número complejo es la distancia desde el origen en el plano
complejo. Asi,
p
|| = 2 +  2 (5.18)
es el módulo del punto  =  + 

El argumento de un número complejo  es el ángulo polar o la fase en el plano complejo y se
denota comúnmente como arg(). Algunas relaciones útiles son:
Re() = || cos(arg ) Im() = || sin(arg ) (5.19)
5.4.4. Criterio de estabilidad de Routh
El criterio de estabilidad de Routh permite determinar si existen o no raíces inestables en una

ecuación polinomial. Este criterio de estabilidad sólo se aplica a polinomios con una cantidad finita
de términos.
El procedimiento en el criterio de estabilidad de Routh es el siguiente:
1. Escribir el polinomio en términos de la variable compleja  como:
0  + 1 −1 +  + −1  +  = 0 (5.20)
en donde los coeficientes son cantidades reales, i.e.,  6= 0 Es decir, se elimina cualquier
raíz cero.
2. Si alguno de los coeficientes es cero o negativo, ante la presencia de al menos un coeficiente

positivo, hay una raíz, o raíces imaginarias o que tiene partes reales positivas. En tal caso,
el sistema no es estable. Es importante señalar que la condición de que todos los coeficientes
sean positivos no es suficiente para asegurar la estabilidad. La condición necesaria, pero
no suficiente, para la estabilidad es que todos los coeficientes de la ecuación anterior estén
presentes y tengan signo positivo. (Si todos los coeficientes son negativos, estos se hacen
positivos multiplicando ambos miembros de la ecuación por −1)
3. Si todos los coeficientes son positivos, se ordenan los coeficientes del polinomio en renglones
192
y columnas de acuerdo con el patrón o arreglo siguiente:
 0 2 4 6  
−1 1 3 5 7
−2 1 2 3 4
−3 1 2 3 4
−4 1 2 3 4 (5.21)
    
2 1 2
1 1
0 1
Los coeficientes 1  2  3 „etc., se evalúan del modo siguiente:
1 2 − 0 3 1 4 − 0 5 1 6 − 0 7
1 =  2 =  1 =
1 1 1
La evaluación de las  continúa hasta que todos los resultados son cero. Se sigue el mismo
patrón de multiplicación en forma cruzada los coeficientes de los dos renglones anteriores al
evaluar las , las , las , etc. Es decir:
1 3 − 1 2 1 5 − 1 3 1 7 − 1 4
1 =  2 =  3 =
1 2 3
etc. Este proceso continúa hasta que se completa el -ésimo renglón.
4. El criterio de estabilidad de Routh plantea que el número de raíces de la ecuación (5.20) con
partes reales positivas es igual al número de cambios de signo de los coeficientes de la primera
columna del arreglo (5.21). Debe señalarse que no es necesario conocer los valores exactos de
los términos de la primera columna, ya que sólo se necesitan los signos. La condición necesaria
y suficiente para que todas las raíces de la ecuación (5.20) se encuentren en el semiplano
izquierdo del plano  es que todos los coeficientes de la ecuación (5.20) sean positivos y que
todos los términos de la primera columna del arreglo (5.21) tengan signo positivo.
El criterio de estabilidad de Routh tiene una utilidad limitada en el análisis de un sistema
193
de control lineal, sobre todo porque no sugiere cómo mejorar la estabilidad relativa ni cómo
estabilizar un sistema inestable. Sin embargo, es posible determinar los efectos de cambiar uno o
dos parámetros de un sistema si se examinan los valores que producen inestabilidad.
Criterio de Routh-Horwitz de un CSTR Se considera un CSTR no isotérmico con función

de transferencia dada por:
∆ +2
() = = 2 (5.22)
∆  − 225 − 225
bajo control proporcional puro  () el polinomio característico a lazo cerrado es:
2 + ( − 225) + (2 − 225) = 0 (5.23)
El criterio de estabilidad de Routh para el CSTR en lazo cerrado es:
2 1 2 − 225
1  − 225 0 (5.24)
0 2 − 2 25
de modo que para que el CSTR sea estable ( todas las raíces de la ecuación característica se
encuentran en el semiplano izquierdo del plano complejo) todos los términos de la primer columna
de (5.24) deben de ser positivos. Por lo tanto:
  225 (5.25)
5.4.5. Diagrama de localización de raíces
W. R. Evans diseñó un método sencillo para encontrar las raíces de una ecuación característica.
Este método se denomina método del lugar geométrico de las raíces y en él se grafican las raíces de
la ecuación característica para todos los valores de un parámetro del sistema. El lugar geométrico de
las raíces o diagrama de localización de raíces es la gráfica de las raíces de la ecuación característica
de un sistema, con o sin control, en el plano complejo, en función de un parámetro variable (una
ganancia, un cero del controlador, etc). Mediante el método del lugar geométrico de las raíces, el
ingeniero de control puede predecir los efectos que tiene el introducir un controlador con modo
194
proporcional en un sistema a lazo abierto.
Diagrama de localización de raíces de un CSTR con Matlab
El comando  de Matlab permite construir el diagrama de localización de raíces De esta

forma el vector de ganancias  se determina en forma automática. La sintaxis es la siguiente.
Cálculo a partir de una función de transferencia, :  ()
Cálculo a partir de un modelo estado-espacio:  (   )
Para la función de transferencia del CSTR (4.78) a lazo abierto, la Figura (5-12) muestra el
diagrama de localización de raíces.
La Figura (5-12) muestra el efecto de la ganancia de un controlador proporcional sobre los polos
del sistema a lazo cerrado. Para una  = 00 los polos del sistema se ubican en 30 y en −075 y
se tiene un sistema inestable. Para  = 225 los polos del sistema se ubican en ∼ 00 ± 15 y se
tiene un sistema críticamente estable, lo cual concuerda con el criterio de Routh presentado en la
sección anterior. Para  = 112 los polos del sistema se ubican en −45± ∼ 00 Para  ∼ ∞
los polos se ubican en −20± ∼ 00.
5.5. Análisis de la respuesta en frecuencia

Con la finalidad de manipular un sistema para fines de control es necesario conocer la respuesta
dinámica del sistema al aplicar diferentes señales de entrada. Aunque es posible manipular varias
señales, las señales de entrada sinusoidales son convenientes debido a que son simples y además,
si se aplican a un sistema lineal su respuesta a largo plazo es también una respuesta sinusoidal, lo
cual permite caracterizar la respuesta del sistema en forma sencilla.
Se considera el sistema de primer orden.
 () 
() = = (5.26)
 ()  + 1
al aplicar una señal sinusoidal de la forma:
() = 1 sin() (5.27)
195
Root Locus
2.5
0.96 0.92 System: h0.85 0.7 0.45
Gain: 10.1 System: h
Pole: -3.93 + 1.59i Gain: 2.25
0.978
2 Damping: 0.927 Pole: -0.00622 + 1.49i
Overshoot (%): 0.0422 Damping: 0.00417
Frequency (rad/sec): 4.24 Overshoot (%): 98.7
Frequency (rad/sec): 1.49
1.5
0.991
System: h System: h
0.998 Gain: 11.2 Gain: 0
0.5 Pole: -4.5 - 0.000201i Pole: -0.75
Damping: 1 Damping: 1
Overshoot (%): 0 Overshoot (%): 0
Imaginary Axis
Frequency (rad/sec): 4.5 Frequency (rad/sec): 0.75

0 8 6 4 2
0
System: h System: h
Gain: Inf Gain: 0
Pole: -2 Pole: 3
-0.5 Damping: 1 Damping: -1
0.998 Overshoot (%): 0 Overshoot (%): 0
Frequency (rad/sec): 2 Frequency (rad/sec): 3
-1
0.991
-1.5 System: h
Gain: 10.4 System: h
Pole: -4.08 - 1.38i Gain: 2.25
Damping: 0.947 Pole: -0.00806 - 1.5i
-2 Overshoot (%): 0.0094 Damping: 0.00539
0.978
Frequency (rad/sec): 4.31 Overshoot (%): 98.3
Frequency (rad/sec): 1.5
0.96 0.92 0.85 0.7 0.45
-2.5
-10 -8 -6 -4 -2 0 2 4
Real Axis
Figura 5-12: Diagrama de localización de raíces de un CSTR.
196
con transformada de Laplace:
1 
 () = (5.28)
2 + 2
donde 1 y  son la amplitud y frecuencia de la señal sinusoidal, se obtiene:
 1 
 () = (5.29)
(  + 1)(2 + 2 )
al expandir en fracciones parciales y aplicar la transformada inversa a la ecuación (5.29) se obtiene:
 1   1
 () = exp(− ) + √ sin( + ) (5.30)
1 + 2 2 1 + 2 2
donde:
 = tan−1 (−) = − tan−1 () (5.31)
se puede observar en la ecuación (5.30) que a largo plazo (i.e.,  → ∞) el término exponencial se
desvanece,  exp(− ) → 0 de modo que se obtiene:
 1
 () = √ sin( + ) (5.32)
1 + 2 2
que es una señal sinusoidal con amplitud:
 1
2 = √ (5.33)
1 + 2 2
y con un ángulo  +  donde  es un ángulo que esta definido por la ecuación (5.31). Con base a
la respuesta en frecuencia de un sistema de primer orden es conveniente introducir las siguientes
relaciones:
Relación de amplitud: Es la relación de la amplitud de la señal de salida y la amplitud de

la señal de entrada:
2
 = (5.34)
1
Relación de magnitud: Es la relación de amplitud dividida por la ganancia del proceso en

estado estacionario:

 = (5.35)

197
Ángulo de fase: Es la cantidad en radianes o grados en la cual la señal de salida se atrasa
(con signo negativo) o adelanta (con signo positivo) respecto a la señal de entrada.
Para el sistema de primer orden (5.26) se tiene:

 = √ (5.36)
1 + 2 2
1
 = √ (5.37)
1 + 2  2
 = tan−1 (− ) (5.38)
y se puede observar que las relaciones anteriores son una función de la frecuencia de entrada 
El análisis de respuesta a la frecuencia consiste esencialmente en determinar la relación de
amplitud, la relación de magnitud y el ángulo de fase de un sistema que se somete a diferentes
frecuencias, con la finalidad de utilizar esta información en el análisis y síntesis de sistemas con
control.
El análisis de respuesta en frecuencia se puede realizar a través de dos métodos: El método ex-
perimental y por medio de la transformación de la función de transferencia del proceso a controlar
cuando se aplica una señal sinusoidal. En el primero el sistema se somete a entradas sinusoidales
con diferentes frecuencias a través de un generador de frecuencia variable y se registra la respuesta
del sistema. En el segundo método se utilizan las propiedades matemáticas de los números com-
plejos, de modo que con la finalidad de obtener la relación de magnitud y el ángulo de fase se
substituye  por la variable compleja  en la función de transferencia del proceso a controlar y
se calcula la magnitud y el argumento del número complejo que resulta. La magnitud es igual a
la relación de amplitud y el argumento es igual al ángulo de fase.
Para ilustrar el segundo método se considera nuevamente el sistema de primer orden (5.26), al
substituir  por  se obtiene:

() = (5.39)
 + 1
la relación de amplitud es:
| | 
 = |()| = =√ (5.40)
| + 1|  + 1
198
el ángulo de fase está dado por el ángulo de la expresión del número complejo:
 = ]() = ] − ] + 1
 = 0 − tan−1 (− ) (5.41)
 = tan−1 ( )
5.5.1. Diagramas de Bode
Los diagramas de Bode constituyen una forma conveniente de representar la respuesta en

frecuencia de un sistema. Los diagramas de Bode consisten de dos gráficas. En la primera gráfica
se muestra el logaritmo de la relación de amplitud contra el logaritmo de la frecuencia. En la
segunda gráfica se muestra el ángulo de fase contra el logaritmo de la frecuencia. Comúnmente en
textos de control de procesos la relación de amplitud se reporta en decibeles, que se definen como:
 =  = 20 log10 
de modo que una relación de amplitud de 1 corresponde a cero .

Para la siguiente función de transferencia la Figura (5-13) muestra el diagrama de Bode co-
rrespondiente.
1
() = (5.42)
2 ++1
En la parte superior de la Figura (5-13) se muestra la variación de la magnitud en  contra
la frecuencia en . La parte inferior muestra la variación del ángulo de fase respecto a la
frecuencia.
5.5.2. Diagrama de Nyquist
El diagrama de Nyquist es una forma alternativa de representar la respuesta en frecuencia

de un sistema. En el diagrama de Nyquist solo se genera una gráfica, donde se muestra la parte
imaginaria de la respuesta en frecuencia,  Im () contra la parte real de la respuesta en
frecuencia,  Re () Para cada valor de la frecuencia de entrada  se define un punto en el
diagrama de Nyquist.
En el diagrama de Nyquist, la distancia de un punto, con frecuencia  1  a partir del origen
199
Bode Diagram
20
Magnitude (dB)
-20
-40
-60
-80
0
-45
Phase (deg)
-90
-135
-180
-2 -1 0 1 2
10 10 10 10 10
Frequency (rad/sec)
Figura 5-13: Diagrama de Bode de una función de transferencia de segundo orden.
Nyquist Diagram
1.5
2 dB 0 dB -2 dB
-4 dB
1
4 dB
-6 dB
6 dB
0.5
10 dB -10 dB
Imaginary Axis
20 dB -20 dB
0
-0.5
-1
-1.5
-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1
Real A xis
Figura 5-14: Diagrama de Nyquist de una función de transferencia de segundo orden.
200
(0 0) es la relación de amplitud y se define como:
p
 = |( 1 )| = Re (1 )2 + Im ( 1 )2 (5.43)
por otro lado, el ángulo que se forma entre el punto con frecuencia  1 y el eje real es el ángulo de
fase:
Im ( 1 )
 = tan−1 (5.44)
Re (1 )
La Figura (5-14) muestra el diagramas de Nyquist de la función de transferencia (5.42).
5.5.3. Criterios de estabilidad de Nyquist y Bode
El análisis de la respuesta en frecuencia es una herramienta útil para diseñar sistemas de control
retroalimentados. En particular, el análisis de la respuesta en frecuencia se utiliza en sistemas de
control para:
Estudiar las características de estabilidad de un sistema con control al usar los diagramas
de Bode y/o de Nyquist de la función de transferencia a lazo abierto, que está dada por:
 () () (5.45)
donde  () es la función de transferencia de un controlador y  () es la función de trans-

ferencia del proceso a controlar.
Seleccionar valores apropiados para los parámetros de un controlador.
La estabilidad a partir de los diagramas de Bode y de Nyquist se puede determinar de los

criterios de estabilidad de Bode y de Nyquist.
Los resultados básicos del criterio de estabilidad de Nyquist son los siguientes:
Si el sistema es estable a lazo abierto, para que el lazo cerrado sea internamente estable es
necesario y suficiente que el diagrama de Nyquist de  () () no encierre al punto (−1 0)
Si el sistema es inestable a lazo abierto, con  polos en el semiplano derecho, entonces para
que el lazo cerrado sea internamente estable es necesario y suficiente que el diagrama de
Nyquist de  () () encierre  veces en sentido anti-horario al punto (−1 0)
201
Si el diagrama de Nyquist de  () () pasa por el punto (−1 0) el sistema a lazo cerrado
tiene polos exactamente sobre el eje imaginario. Esta situación se conoce como condición de
estabilidad crítica.
El criterio de estabilidad de Nyquist se basa en un teorema de la teoría de la variable compleja.

La idea del criterio de estabilidad de Nyquist es evaluar las raíces de la ecuación característica del
sistema a lazo cerrado:
1 +  () () = 0 (5.46)
si la ecuación característica tiene alguna raíz positiva el sistema a lazo cerrado es inestable, lo cual
se cumple si el diagrama de Nyquist de la función de transferencia (5.46) encierra el punto (−1 0)
conforme la frecuencia toma valores desde 0 a ∞
El criterio de estabilidad de Nyquist se puede extrapolar al diagrama de Bode, donde el punto
(−1 0) corresponde a un ángulo de fase de −180◦ y una magnitud de 1 o equivalentemente un
módulo de 0 . Los resultados básicos del criterio de estabilidad de Bode son:
Un sistema es inestable si la magnitud de la función de transferencia correspondiente es

mayor a 1 a la frecuencia de corte  (i.e., la frecuencia que corresponde a −180◦ ).
Un sistema es estable si la magnitud de la función de transferencia correspondiente es menor

a 1 a la frecuencia critica  .
Si se aplican los criterios de estabilidad de Bode y de Nyquist a la función de transferencia

(5.42), que representa un proceso estable, se puede corroborar que se cumple que la magnitud
es menor a 0  que corresponde a una amplitud de 1 para todas las frecuencia menores a la
frecuencia critica   para el diagrama de Bode y que el diagrama de Nyquist correspondiente no
encierra al punto (−1 0)
5.5.4. Incertidumbre y robustez: margen de fase y margen de ganancia
El término incertidumbre se refiere a las diferencias o errores entre los modelos y la realidad.
Las incertidumbres de un modelo pueden ser paramétrica o estructural.
1. Incertidumbre paramétrica: constantes de velocidad de reacción, perturbaciones de entrada

persistentes, tales como las propiedades de la materia prima, cambios en condiciones de
202
operación conduciendo a cambios en los parámetros del modelo y conocimiento imperfecto
de los parámetros del modelo.
2. Incertidumbre estructural: reducción del modelo (e.g., linealización), desprecio de fenómenos

físicos secundarios en los modelos espacio-estado, (i.e., dinámica no modelada).
Los modelos de procesos que se usan comúnmente en el control de procesos son modelos lineales
invariantes en tiempo, los cuales representan la dinámica verdadera del proceso sólo en forma
aproximada, de modo que es importante poder cuantificar el impacto que tendrá la incertidumbre
de un modelo en el diseño de un sistema de control.
Los diagramas de Bode y de Nyquist permiten cuantificar la robustez de un lazo de control.
La robustez se refiere a la capacidad de un controlador a tolerar incertidumbres de un modelo
matemático de un proceso. Entonces, la estabilidad robusta se refiere a la capacidad que tiene un
controlador para mantener la estabilidad del lazo al aplicarse a la planta verdadera.
Dos criterios que se usan para determinar cuantitativamente las capacidades de estabilidad
robusta de un controlador son el margen de ganancia y el margen de fase.
El margen de ganancia permite calcular la ganancia adicional que llevaría el lazo cerrado a
la condición de estabilidad crítica. El margen de ganancia se define como:
1
 = (5.47)
|()|∗
donde |()|∗ es la relación de amplitud en la frecuencia critica. La mayoría de contro-

ladores se diseñan con un  entre 14 y 18. Un margen de ganancia igual o menor a uno
indica un sistema a lazo cerrado inestable.
El margen de fase cuantifica el retardo de fase puro que puede agregarse antes de alcanzar
la condición de estabilidad crítica. El margen de fase se define como:
  =  ∗ − (−180◦ ) (5.48)
donde  ∗ es la frecuencia en el punto de corte. Un margen de fase negativo indica que el

sistema a lazo cerrado es inestable. La mayoría de controladores se diseñan con PM entre
30◦ y 45◦ .
203
Así, el margen de fase y el margen de ganancia, los cuales se pueden determinar fácilmente
por medio de Matlab, se pueden ver como factores de seguridad que se deben de considerar en el
sintonizado de controladores retroalimentados para tomar en cuenta incertidumbres en constantes
de tiempo, ganancias en estado estacionario y tiempos muertos.
5.5.5. Análisis de frecuencia con Matlab
Diagrama de Bode con Matlab
El comando  de Matlab calcula las magnitudes y los ángulos de fase de la respuesta en
frecuencia de un sistema en tiempo continuo, lineal e invariante con el tiempo. La sintaxis es la
siguiente.
Cálculo a partir de una función de transferencia, :  ()
Cálculo a partir de un modelo estado-espacio:  (   )
Para el ejemplo (5.42) el diagrama de Bode se obtiene con Matlab por medio de las siguientes
instrucciones:
Cálculo de la función de transferencia, :   = [(1) (1 1 1)]
Cálculo del diagrama de Bode:  ()
Diagrama de Nyquist de un CSTR con Matlab
Con Matlab se puede realizar el diagrama de Nyquist con el comando  La sintaxis es
la siguiente.
Cálculo a partir de una función de transferencia, :  ()
Cálculo a partir de un modelo estado-espacio:  (   )
Las Figuras (5-15)-(5-17) muestran los diagramas de Nyquist, que se obtienen a través de
Matlab, para la funciones de transferencia del CSTR a lazo cerrado:
µ ¶
+2
 () () = ( ()) (5.49)
2 − 225 − 225
204
1
4 dB 2 dB 0 dB -2 dB
-4 dB
0.8
6 dB
0.6 -6 dB
0.4 10 dB -10 dB
0.2
20 dB -20 dB
-0.2
-0.4
-0.6
-0.8
-1
-1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.2 0
Figura 5-15: Diagrama de Nyquist para un CSTR a lazo cerrado con  = 20
con un controlador proporcional y tres valores de la ganancia proporcional,  = [2 225 30].
Para este ejemplo, la función de transferencia a lazo abierto tiene un polo positivo en −30 y de
acuerdo al criterio de Routh que se aplicó en la Sección 4.4.1, para valores de   225 el lazo
cerrado es estable. Para  = 20 al aplicar el criterio de estabilidad de Nyquist se tiene que el
sistema a lazo cerrado es inestable, debido a que el punto (−1 0) se encierra una vez en sentido
de las manecillas del reloj. Para  = 225 se tiene que el sistema a críticamente estable, debido
a que diagrama de Nyquist pasa por el punto (−1 0). Finalmente, para  = 30 se tiene que
el sistema es estable, debido a que diagrama de Nyquist encierra el punto (−1 0) en el sentido
anti-horario una vez y la función de transferencia a lazo abierto tiene un polo en el semiplano
derecho.
Margen de fase y margen de ganancia
El comando  de Matlab determina el margen de fase y el margen de ganancia a partir

de una función de transferencia a lazo cerrado La sintaxis es:
Cálculo en forma gráfica a partir de una función de transferencia, :  ().
Cálculo del margen de fase y el margen de ganancia en forma numérica:
205
1
-4 dB
0.8
6 dB
0.6 -6 dB
0.4 10 dB -10 dB
0.2
20 dB -20 dB
-0.2
-0.4
-0.6
-0.8
-1
-2 -1.8 -1.6 -1.4 -1.2 -1 -0.8 -0.6 -0.4 -0.2 0
1
-4 dB
0.8
6 dB
0.6 -6 dB
0.4 10 dB -10 dB
0.2
20 dB -20 dB
-0.2
-0.4
-0.6
-0.8
-1
-3 -2.5 -2 -1.5 -1 -0.5 0
206
Bode Diagram
Gm = 13.3 dB (at 5.48 rad/sec) , Pm = 101 deg (at 1.85 rad/sec)
50
Magnitude (dB)
-50
-100
-150
0
-90
Phase (deg)
-180
-270
-1 0 1 2 3
10 10 10 10 10
Frequency (rad/sec)
Figura 5-18: Margen de ganancia y margen de fase con Matlab.
Nyquist Diagram
5
1
Imaginary Axis
-1
-2
-3
-4
-5
-2 -1 0 1 2 3 4 5 6
Real A xis
Figura 5-19: Diagrama de Nyquist de un sistema a lazo cerrado marginalmente estable.
207
1. Escribir la instrucción:  [      ] = ()
2. Cálculo del margen de ganancia en :  20 ∗ 10()
Para la función de transferencia:
5
 () = (5.50)
3 + 92 + 30 + 40
que es estable a lazo abierto, se determina el margen de fase y el margen de ganancia con 
cuando se aplica una acción proporcional con  = 100 es decir:
µ ¶
5
 () () = ( ()) (5.51)
3 + 92 + 30 + 40
La Figura (5-18) muestra los resultados. El margen de fase es 1010◦ a una frecuencia de 185
 sec y el margen de ganancia en  es 133  y en magnitud 46 a una frecuencia de 548
 sec  Los resultados se pueden verificar al multiplicar la ganancia del controlador  por el
margen de ganancia en magnitud 46019 lo cual conduce a un valor de ganancia proporcional
de  = 46019 que es el valor con el cual se obtiene un sistema a lazo cerrado marginalmente
inestable, como se muestra en el diagrama de Nyquist (5-19).

Existen varias referencias que el lector puede consultar para más información sobre los temas
que se presentan en este capítulo. Algunas de ellas son:
Limusa.

208
209
Capítulo 6
Control Moderno de Procesos
6.1. Técnicas estado-espacio

El enfoque de control clásico y los métodos de análisis en frecuencia permiten abordar en
forma sencilla problemas en los cuales se tienen sistemas que tienen una entrada a manipular y
una salida a controlar. No obstante, es bien sabido que un sistema industrial tiene muchas entradas
y muchas salidas que se relacionan entre sí en una forma complicada. Para analizar un sistema de
este tipo, es importante reducir la complejidad de las expresiones matemáticas, así como contar
con representaciones matemáticas que faciliten los cálculos necesarios en el análisis. El enfoque en
el espacio de estados, o técnicas estado-espacio, es más conveniente para el análisis de sistemas
de control con múltiples entradas y salidas. Las técnicas estado-espacio se basan en la descripción
de las ecuaciones de un sistema en términos de n ecuaciones diferenciales de primer orden, que se
combinan en una ecuación diferencial matricial de primer orden. El uso de la notación matricial
simplifica la representación matemática de los sistemas de ecuaciones.
6.2. Modelos estado-espacio

Las ecuaciones de estado es el conjunto de ecuaciones que se requieren para especificar un estado
() para todo  ≥ 0 , dada una condición inicial (0 ) y la función () ≥ 0. La representación
210
matricial de un sistema para fines de control en variables de estado está dado por las ecuaciones:
•
 =  +  (6.1)
 =  + 
cualquier sistema dinámico lineal e invariante en el tiempo se puede expresar de la forma (6.1).
El modelo estado-espacio (6.1) consiste de dos ecuaciones:
1. Las ecuaciones de estado, que describen la evolución de los estados como una función de
la entrada  y de las variables de estado  y corresponden a un conjunto de ecuaciones
diferenciales ordinarias.
2. Las ecuaciones de salida, las cuales relacionan el valor de las señales de salida  a las señales
de los estados  y las entradas  y corresponden a ecuaciones algebraicas.
Los modelos estado-espacio son una forma natural de los modelos de sistemas de ingeniería
de procesos. La razón es que los modelos de ingeniería de procesos se derivan de los principios
de conservación y los modelos resultantes se pueden transformar en la forma estado-espacio en la
mayoría de los casos de interés.
Para ilustrar como un sistema de orden  se puede escribir como un modelo estado-espacio de
la forma (6.1) se considera un sistema de cuarto orden:
•••• ••• •• •
 () + 1  () + 2  () + 3 () + 4 () = () (6.2)
para pasar a un sistema de  ecuaciones diferenciales de primer orden se hacen los siguientes
cambios de variables:
1 = 
• •
1 =  = 2
• ••
2 =  = 3 (6.3)
• •••
3 =  = 4
• •••• ••• •• •
4 =  = −1  () − 2  () − 3 () − 4 () + ()
= −1 4 − 2 3 − 3 2 − 4 1 + 
211
el conjunto de ecuaciones de primer orden (6.3) se pueden escribir en forma matricial como:
⎡ ⎤ ⎡ ⎤
0 1 0 0 0
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
• ⎢ 0 0 1 0 ⎥ ⎢ 0 ⎥
 = ⎢
⎢
⎥ + ⎢ ⎥
⎥ ⎢ ⎥ (6.4)
⎢ 0 0 0 1 ⎥ ⎢ 0 ⎥
⎣ ⎦ ⎣ ⎦
−4 −3 −2 −1 
h i
 = 1 0 0 0 
El modelo estado-espacio no es único debido a que depende de la elección de las variables de

estado. Un conjunto especial de elecciones de los estados conduce a las formas canónicas. Las
formas canónicas son formas más estructuradas del modelo estado-espacio y son generalmente más
manejables en el análisis y diseño de controladores que en el caso de los modelos no canónicos.
6.3. Controlabilidad y observabilidad

R. Kalman introdujo los conceptos de controlabilidad y observabilidad, los cuales tienen un
papel importante en el diseño de sistemas de control en el espacio de estados. Las condiciones
de controlabilidad y observabilidad determinan la existencia de una solución completa para un
problema de diseño de un sistema de control. Aunque la mayor parte de los sistemas físicos
son controlables y observables, los modelos matemáticos correspondientes tal vez no posean la
propiedad de controlabilidad y observabilidad.
6.3.1. Controlabilidad
De una manera informal se puede decir que la controlabilidad es una característica del sistema
que indica la capacidad que tiene una señal de entrada para influir en la evolución del estado.
Formalmente, se dice que un sistema es controlable en el tiempo 0 si se puede llevar de cualquier
estado inicial (0 ) a cualquier otro estado, mediante un vector de control en un intervalo de
tiempo finito.
212
Se considera el siguiente sistema:
̇ =  +  (6.5)
 =  + 
en donde  es el vector de estados (vector de dimensión ),  es la señal de control (escalar), 

es una matriz de  ×   es una matriz de  × 1 Un sistema es completamente controlable si y
solo si los vectores    −1  son linealmente independientes, o la matriz de  × :
 = [||  |−1 ] (6.6)
es de rango . El criterio es equivalente a pedir que el determinante de  sea diferente de cero, es

decir, que la matriz  sea no singular. La extensión de este resultado al caso en el que el vector
 es de dimensión , es que la matriz de  ×  sea de un rango , o que contenga  vectores
columna linealmente independientes. La matriz (6.6) se denomina matriz de controlabilidad.
6.3.2. Observabilidad
Cuando se diseñan leyes de control retroalimentadas, es comúnmente impráctico o imposible

medir el vector de estados completo para su uso por el controlador. El concepto de observabilidad
es útil al resolver el problema de reconstruir variables de estado no medibles a partir de variables
que sí lo son en un tiempo mínimo posible.
De manera informal se puede decir que la observabilidad es la característica que nos habla de
la posibilidad del estado (o de las variables de estado) para influir en la salida. Formalmente se
dice que un sistema es observable en el tiempo 0 sí, con el sistema en el estado (0 ), es posible
determinar este estado a partir de la observación de la salida durante un intervalo de tiempo finito.
Se considera un sistema sin forzamiento (sin entrada de control) descrito por las ecuaciones:
̇ =  (6.7)
 = 
en donde  es el vector de salida (vector de dimensión ) y  es una matriz de  ×  El sistema
213
descrito mediante las ecuaciones (6.7) es completamente observable sí y sólo sí la matriz de ×:
⎡ ⎤

⎢ ⎥
⎢ ⎥
⎢  ⎥
 = ⎢
⎢ ..
⎥
⎥ (6.8)
⎢ . ⎥
⎣ ⎦
−1
es de rango , o tiene  vectores columna linealmente independientes. La matriz (6.8) se denomina

matriz de observabilidad. Para el caso particular en que la entrada es un escalar (la matriz  es
de dimensión 1) el criterio es equivalente a pedir que el determinante de  sea diferente de
cero, es decir, que la matriz  sea no singular.
6.3.3. Controlabilidad y observabilidad con Matlab
Con Matlab se puede determinar la controlabilidad y observabilidad de un sistema a través de

los comandos  y  Los procedimientos son como sigue:
Cálculo de la controlabilidad.
1. Escribir las matrices  y  del modelo estado-espacio.
2. Escribir la instrucción:   = ( )
3. Determinar el rango de la matriz :  ()
4. Si el rango es igual al orden del modelo estado-espacio, el sistema es controlable, de

otra forma es no controlable.
Cálculo de la observabilidad:
1. Escribir las matrices  y  del modelo estado-espacio.
2. Escribir la instrucción:   = ( )
3. Determinar el rango de la matriz :  ()
4. Si el rango es igual al orden del modelo estado-espacio, el sistema es observable, de otra

forma es no observable.
214
6.3.4. Controlabilidad de un sistema de tanques agitados en serie
Se considera el ejemplo de dos tanques agitados en serie que se ilustra en la Figura (6-1). La
salida del tanque 1 1 entra al tanque 2 que tiene como salida la corriente 2 . Se desea evaluar
la capacidad de una entrada de control para controlar el nivel de los tanques 1 y 2 Se examinan
dos ubicaciones de la entrada de control: (i) la entrada de control es un flujo que entra al segundo
tanque y (ii) la entrada de control es el flujo de alimentación al primer tanque.
Caso (i): El modelo matemático está dado por las ecuaciones:
1 1 p
= − 1 (6.9)
 1
2 1 p 2 p
= 1 − 2 + 
 2 2
si se linealiza el modelo (6.9) se obtiene un modelo de la forma:
1
= −1 1 (6.10)

2
= 1 1 − 2 2 + 

donde 1 = 1  2 = 2 y   0 agrupan términos constantes de la linealización del modelo.

De (6.10) se puede ver que las matrices  y  están dadas por:
⎡ ⎤ ⎡ ⎤
−1 0 0
=⎣ ⎦ =⎣ ⎦ (6.11)
1 −2 1
y la matriz de controlabilidad se forma como:
 = [ ]
donde: ⎡ ⎤⎡ ⎤ ⎡ ⎤
−1 0 0 0
 = ⎣ ⎦⎣ ⎦=⎣ ⎦
1 −2 1 −2
215
(ii) entrada de flujo al
tanque 1
Nivel en el
tanque 1, h1
(i) entrada de flujo al

tanque 2
Nivel en el
tanque 1, h2
Corriente de
salida tanque 2
Figura 6-1: Controlabilidad de dos tanques agitados en serie.
216
de modo que: ⎡ ⎤
0 0
 = ⎣ ⎦ (6.12)
1 −2
el determinante de la matriz (6.12) es 0 de modo que es de rango incompleto y el sistema

es no controlable.
Caso (ii): El modelo matemático está dado por las ecuaciones:
1 1 p
= − 1 (6.13)
 1
2 1 p 2 p
= 1 − 2
 2 2
si se linealiza el modelo (6.14) se obtiene un modelo de la forma:
1
=  − 1 1 (6.14)

2
= 1 1 − 2 2

de (6.14) se puede ver que las matrices  y  están dadas por:

⎡ ⎤ ⎡ ⎤
−1 0 1
=⎣ ⎦ =⎣ ⎦ (6.15)
1 −2 0
en este caso: ⎡ ⎤⎡ ⎤ ⎡ ⎤
−1 0 1 −1
 = ⎣ ⎦⎣ ⎦=⎣ ⎦
1 −2 0 1
0 −1
 = ⎣ ⎦ (6.16)
1 1
el determinante de la matriz (6.16) es diferente de 0 de modo que es de rango completo y el

sistema es controlable.
Del ejemplo se puede concluir que cuando la entrada de control se ubica en el primer tanque
el sistema es controlable, lo que implica que es posible llevar el estado del sistema, 1 y 2 a otro
estado deseado por medio de una entrada de control  Cuando la entrada de control se ubica
217
en el segundo tanque no se cumple la propiedad de controlabilidad, lo cual se puede verificar
intuitivamente, ya que la ubicación de la entrada de control en el segundo tanque no tiene ningún
efecto en el estado del primer tanque y no es posible llevarlo a algún estado deseado con la
manipulación de la entrada de control.
6.3.5. Observabilidad de un sistema de tanques agitados en serie
Para el caso (ii) del ejemplo anterior se desea evaluar la observabilidad para dos casos: (i)
se dispone solo de la medición de la salida del tanque 1,  = 1 1 y (ii) se dispone solo de la
medición de la salida del tanque 2,  = 2 2 .
Caso (i): El modelo matemático está dado por:
1
=  − 1 1

2
= 1 1 − 2 2 (6.17)

 = 1 1
de (6.17) se puede ver que las matrices  y  están dadas por:

⎡ ⎤
−1 0 h i
=⎣ ⎦ = 1 0 (6.18)
1 −2
y la matriz de controlabilidad se forma como:

⎡ ⎤

 = ⎣ ⎦

donde:
⎡ ⎤
h i −1 0
 = 1 0 ⎣ ⎦
1 −2
h i
= −12 0
218
1 0
 = ⎣ ⎦ (6.19)
−12 0
el determinante de la matriz (6.19) es 0 de modo que es de rango incompleto y el sistema

es no observable. Es decir, con la medición ubicada solo a la salida del primer tanque y con
la entrada de control ubicada en el primer tanque, no se pueden inferir o estimar los estados
1 y 2  Lo anterior se puede verificar intuitivamente, ya que al no conocer la salida en el
segundo tanque no es posible estimar el estado de este tanque.
Caso (ii): El modelo matemático está dado por:
1
=  − 1 1

2
= 1 1 − 2 2 (6.20)

 = 2 2
de (6.20) se puede ver que las matrices  y  están dadas por:

⎡ ⎤
−1 0 h i
=⎣ ⎦ = 0 2 (6.21)
1 −2
en este caso:
⎡ ⎤
h i −1 0
 = 0 2 ⎣ ⎦
1 −2
h i
= 1 2 −22
0 2
 = ⎣ ⎦ (6.22)
1 2 −22
el determinante de la matriz (6.22) es diferente de 0 de modo que es de rango completo y

el sistema es observable. Así, a través de la medición de la salida del tanque 2 es posible
reconstruir los estados 1 y 2 
219
6.4. Formas canónicas
La representación en variables de estado de un sistema no es única. De las diferentes formas de
la representación en variables de estado, algunas formas son más convenientes que otras para algún
fin específico. A estas formas particulares que ponen en evidencia características específicas del
sistema o que facilitan la aplicación de algún procedimiento se les conoce como formas canónicas.
Las formas canónicas se obtienen a partir de una transformación de estado o transformación de
similaridad, con la elección de una nueva variable de estado de la forma:
 =  (6.23)
donde  es una matriz no singular. Para estados iniciales cero y entradas iguales, la respuesta de
las formas canónicas y cualquier representación de variables de estado de la forma (6.1) coincide.
6.4.1. Forma canónica controlable
Para un sistema general de orden :
  () + 1  −1 () +  +  () =    +  −1 1 +  +  1 −1 (6.24)
la forma canónica controlable está dada por:

⎡ ⎤ ⎡ ⎤
0   −1 0
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
⎢     ⎥ ⎢  ⎥
̇ = ⎢
⎢
⎥  + ⎢ ⎥ 
⎥ ⎢ ⎥ (6.25)
⎢     ⎥ ⎢  ⎥
⎣ ⎦ ⎣ ⎦
− −−1  −1 1
h i
 =    −1   1 
por ejemplo, para un sistema de tercer orden:
••• •• • • ••
 () + 1  () + 2 () + 3 () =  3  +  2 () +  3 () (6.26)
220
la forma canónica controlable es:
⎡ ⎤ ⎡ ⎤
0 1 0 0
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
̇ = ⎢ 0 0 1 ⎥  + ⎢ 0 ⎥  (6.27)
⎣ ⎦ ⎣ ⎦
−3 −2 −1 1
h i
 = 3 2 1 
6.4.2. Forma canónica observable
Para el sistema general de orden  (6.24), la forma canónica observable está dada por:
⎡ ⎤ ⎡ ⎤
0 − 
⎢ ⎥ ⎢  ⎥
⎢ ⎥ ⎢ ⎥
⎢  −−1 ⎥ ⎢  ⎥
̇ = ⎢ ⎥  + ⎢ −1 ⎥  (6.28)
⎢ ⎥ ⎢ ⎥
⎢   ⎥ ⎢  ⎥
⎣ ⎦ ⎣ ⎦
−1 −1 1
h i
 = 0 0  1 
para un sistema de tercer orden (6.26), la forma canónica observable es:

⎡ ⎤ ⎡ ⎤
0 0 −3 3
⎢ ⎥ ⎢ ⎥
⎢ ⎥ ⎢ ⎥
̇ = ⎢ 1 0 −2 ⎥  + ⎢  2 ⎥  (6.29)
⎣ ⎦ ⎣ ⎦
0 1 −1 1
h i
 = 0 0 1 
6.5. Retroalimentado de estados

Una vez que se ha demostrado que un sistema es controlable surge el problema del diseño de
un controlador para hacer que el sistema se comporte de una manera que se desea. Una forma de
diseñar el controlador es a través de los métodos clásicos que se presentaron en el Capítulo anterior,
los cuales sin embargo, se aplican para sistemas de una entrada-una salida. Otra posibilidad y que
es especialmente adecuada para modelo de la forma (6.1) y que admiten la posibilidad de más de
una entrada y una salida, es a través de una ley de control de retroalimentación de estados de la
221
forma:
 =  −  (6.30)
donde  es una entrada externa escalar (o referencia),  es una ganancia escalar para la pre-
compensación de la entrada externa y  es un vector de ganancias retroalimentadas.
Sin perdida de generalidad si se considera  igual a cero (lo cual ocurre comúnmente), el
sistema a lazo cerrado que se forma de aplicar (6.30) en (6.1) está dado por:
•
 = ( − ) + () (6.31)
 = 
la matriz
 =  −  (6.32)
se conoce como la matriz a lazo cerrado.

Para el sistema a lazo abierto (6.1) la estabilidad se determina de las raíces o polos de la
ecuación característica que se obtienen de la expresión:
| − | = 0 (6.33)
para el sistema a lazo cerrado (6.31) la estabilidad se determina de las raíces de la ecuación
característica que se obtienen de la expresión:
| −  + | = 0 (6.34)
de modo que es posible modificar las propiedades de estabilidad del sistema a lazo abierto (6.1)
a través del retroalimentado de estados (6.30) por medio de una elección adecuada del vector de
ganancias .
El retroalimentado de estados de la forma (6.30) tiene las siguientes propiedades,
1. Preserva la linealidad del sistema (6.1).
2. Preserva el orden relativo del sistema (6.1).
3. Preserva los ceros del sistema (6.1).
222
4. Modifica los polos del sistema (6.1).
La siguiente definición es importante:
El sistema (6.1), o el par ( ) se dice que es estabilizable si existe un retroalimentado de

estado (6.30) tal que el sistema a lazo cerrado (6.5) sea estable.
6.6. Ubicación de polos

Para un sistema que es controlable es posible modificar los polos a lazo abierto y ubicarlos en
cualquier posición deseada a través de un retroalimentado de estados de la forma (6.30) a través
de la elección adecuada del vector de ganancias .
El problema de diseño es como elegir el vector de ganancias  para ubicar los polos a lazo
cerrado en una posición deseada. Dos métodos principales son: (i) la inspección directa y (ii) la
formula de Ackermann para colocación de polos para sistemas de una entrada y una salida.
6.6.1. Inspección directa
El método de inspección directa para ubicación de polos consiste en 5 pasos:
1. Verificar que el sistema sea controlable.
2. Elegir  polos deseados a lazo cerrado. Donde  es el orden del sistema a lazo abierto (6.1).
3. Calcular el polinomio característico a lazo cerrado a partir de los  polos a lazo cerrado
deseados:
( − 1 )( − 2 )( −  ) =  + 1 −1 +  +  (6.35)
4. Desarrollar la ecuación característica del sistema a lazo cerrado:
| −  − | = 0 (6.36)
donde  es el vector de ganancias del retroalimentado de estados (6.30), e  es la matriz

identidad.
223
5. Igualar la ecuación (6.35) con la ecuación característica a lazo cerrado (6.36). Al desarrollar
el producto e igualar coeficientes se obtendrá un sistema de  ecuaciones con  incógnitas.
6. Resolver el sistema de  ecuaciones con  incógnitas para obtener los valores del vector de
ganancias .
6.6.2. Formula de Ackermann
Para sistemas de la forma (6.1), de una entrada y una salida, Ackermann derivo una formula
para calcular la matriz de ganancias:
 = [1 2  ] (6.37)
que permiten que una ley de control de retroalimentados de estados de la forma (6.30) ubique los
polos de un sistema a lazo cerrado en cualquier posición deseada.
La formula de Ackermann se desarrolla en 5 pasos:
1. Verificar que el sistema sea controlable.
2. Elegir  polos deseados a lazo cerrado.
3. A partir de los  polos que se desean ubicar con el retroalimentado de estados (6.30) construir
un polinomio de grado  de la forma:
() =  + 1 −1 +  +  (6.38)
4. Calcular la inversa de la matriz de controlabildad  y la matriz que se forma a partir de

la estructura del polinomio (6.38):
() =  + 1 −1 +  + −1  +  (6.39)
5. Calcular el vector de ganancias de retroalimentación de estados  a partir de la formula de

Ackermann:
 = [01 02 0−1 1 ]−1 () (6.40)
224
donde −1 es la inversa de la matriz de controlabilidad.
6.6.3. Colocación de polos de un CSTR
Se considera el modelo del CSTR linealizado en el punto de equilibrio (05 400):

⎡ ⎤ ⎡ ⎤
• −2 −003125 0
 = ⎣ ⎦ +⎣ ⎦ (6.41)
200 425 1
05400
 = [0 1]
que tiene polos a lazo abierto en −075 y 30 es decir es un sistema inestable a lazo abierto. Se
desean colocar los polos a lazo cerrado en −30 y −20 con un retroalimentado de estados de la
forma (6.30).
Inspección directa
1. Controlabilidad:
 = [ ]
⎡ ⎤⎡ ⎤
−2 −003125 0
 = ⎣ ⎦⎣ ⎦
200 425 1
⎡ ⎤
−00315
= ⎣ ⎦
425
⎡ ⎤
0 −003125
 = ⎣ ⎦ (6.42)
1 425
el determinante de  es diferente de cero por lo tanto el sistema (6.42) es controlable.
2. Polos a lazo cerrado: 1 = −30 2 = −20.
3. Polinomio característico a lazo cerrado:
( − 1 )( − 2 ) = ( + 3)( + 2) = 2 + 5 + 6 (6.43)
225
4. Ecuación característica a lazo cerrado:
| −  − | = 0
¯ ⎡ ⎤ ⎡ ⎤ ⎡ ⎤ ¯
¯ h i¯
¯ 1 0 −2 −003125 0 ¯
¯ ⎣ ⎦−⎣ ⎦−⎣ ⎦ 1 2 ¯ = 0
¯ ¯
¯ 0 1 200 425 1 ¯
¯⎡ ⎤ ⎡ ⎤ ⎡ ⎤¯
¯ ¯
¯  0 −2 −003125 0 0 ¯
¯⎣ ⎦−⎣ ⎦−⎣ ⎦¯ = 0
¯ ¯
¯ 0  200 425 1 2 ¯
¯⎡ ⎤¯
¯ ¯
¯ +2 003125 ¯
¯⎣ ⎦¯ = 0
¯ ¯
¯ −200 − 1  − 425 − 2 ¯
2 + (−2 − 225) + (−22 + 0031 251 − 225) = 0 (6.44)
5. Comparación de ecuaciones (6.43) y (6.44):
2 + 5 + 6 = 2 + (−2 − 225)  + (−22 + 0031 251 − 225) (6.45)
6. Resolver el sistema:
5 = −225 − 2
6 = −22 + 0031 251 − 225
2 = −225 − 5 = −725 (6.46)

6 + 22 + 225
1 = = −2000 (6.47)
003125
Formula de Ackermann
1. Controlabilidad: Ver (6.42).
2. Polos a lazo cerrado: 1 = −30 2 = −20.
226
3. Polinomio de grado :
() = 2 + 5 + 6 (6.48)
4. Inversa de la matriz de controlabilidad −1 y la matriz (6.39):

⎡ ⎤
136 1
−1 = ⎣ ⎦ (6.49)
−32 0
() = 2 + 5 + 6 (6.50)
⎡ ⎤2 ⎡ ⎤ ⎡ ⎤
−2 −003125 −2 −003125 1 0
= ⎣ ⎦ + 5⎣ ⎦ + 6⎣ ⎦
200 425 200 425 0 1
⎡ ⎤
−63 −02
= ⎣ ⎦
1450 39
5. Vector de ganancias :
 = [01 02 0−1 1 ]−1 ()

⎡ ⎤⎡ ⎤
136 1 −63 −02
= [0 1] ⎣ ⎦⎣ ⎦
−32 0 1450 39
[1 2 ] = [2016 64] (6.51)
6.6.4. Colocación de polos con Matlab
Con Matlab se puede determinar el vector de ganancias  a través de la formula de Ackermann

con el comando . Los pasos son los siguientes:
1. Escribir las matrices  y  del modelo estado-espacio.
2. Escribir un vector de polos deseados a lazo cerrado:   = [1 2  ]
3. Escribir la instrucción:   = (  )
Para el ejemplo del CSTR (6.41) se tiene:
227
1. Matrices  y  :   = [−2 − 003125; 200 425];  = [0 1];
2. Polos a lazo cerrado:   = [−3 − 2]
3. Escribir la instrucción:   = (  )
El resultado con Matlab es:

1 = 2000 2 = 725
6.7. Observadores de estados

El control por retroalimentado de estados ofrece una buena solución a muchos problemas de
control. Sin embargo, el diseño de control por retroalimentación de estados requiere que todos
los estados estén disponibles para su retroalimentación, lo cual en muchos casos no es posible.
Por ejemplo: (i) los sensores para medir determinados estados pueden ser muy costosos y no
estar disponibles en la práctica, (ii) algunas señales son imprácticas de medir y (iii) existen
perturbaciones no medibles o ruido de medición que afecta la medición de una variable.
Para un sistema que es observable es posible reconstruir o estimar los estados a través de
un observador o estimador de estados. Un observador es un sistema dinámico, que tiene como
elementos de entrada la salida del sistema  y la entrada de control  y genera como salida un
e El observador estima asintóticamente al
estimado de los estados no medibles, denotados como 
e −  → 0 conforme  → ∞.
estado no medible , es decir, 
Para el sistema (6.1) un observador de estados está dado por:
•
e = e
  +  + ( − e
) (6.52)
e es un estimado del estado  del sistema (6.1) y  es una matriz de observación. Se puede
donde 
e más
ver que el observador (6.52) es una copia del sistema (6.1) en términos del estado estimado 
una corrección dada por un gradiente ( − e
)
De (6.52) y (6.1) se obtiene:
• •
e) = ( − 
( −  e) − ( − e
) (6.53)
228
como  = :
• •
e) = ( − 
( −  e) − ( − e
) (6.54)
e) − ( − 
= ( −  e)
que se puede escribir como:

• •
e) = ( − )( − 
( −  e) (6.55)
si se define el error de estimación:

e
 =  −  (6.56)
la ecuación (6.55) se puede escribir de la forma:
•
 = ( − ) (6.57)
de modo que con una elección adecuada de la matriz de observación  es posible que todos los
valores propios de  −  tengan parte real negativa y por lo tanto:
lı́m  () = 0 (6.58)

→∞
e) = 0
lı́m ( − 
→∞
y se puede asegurar que:

e
→ (6.59)
conforme  → ∞
El retroalimentado de estados que se forma con los estados estimados está dado por:
 =  − e
 (6.60)
el cual se puede implementar cuando no se cuenta con la medición de los estados .
229
Dos referencias importantes que el lector puede consultar para más información sobre los temas
que se presentan en este capítulo son:
Burns, R.S. (2001). Advanced Control Engineering. Butterworth-Heinemann.
230
Capítulo 7
Epílogo
En estas notas se han presentado y desarrollado diferentes conceptos y herramientas de si-

mulación y control de procesos, con un énfasis particular a su aplicación a procesos químicos. Se ha
descrito además como se pueden usar herramientas de cómputo, tales como el Matlab y Simulink,
en cálculos de simulación y control de procesos. Aun más, con la finalidad de hacer auto-contenidas
estas notas, se han incluido temas que se presentan y desarrollan con detalle en otros cursos. Por
ejemplo, la programación de ecuaciones diferenciales ordinarias en el curso de métodos numéricos,
la derivación de balances de materia y energía en los cursos de balances de materia y energía, la
transformada de Laplace en matemáticas aplicadas y los modelos y características de procesos en
los cursos de reactores y procesos de separación.
El objetivo de estas notas es que una vez que se ha cubierto el material que aquí se presenta,
los estudiantes deben ser capaces de:
Identificar un problema de control y sus componentes principales.
Entender, programar y simular modelos matemáticos dinámicos de procesos.
Analizar la estabilidad lineal y la respuesta dinámica de un proceso.
Derivar modelos lineales, funciones de transferencia y modelos empíricos a partir de un

modelo no-lineal y/o de un proceso experimental.
Entender las bases del diseño y análisis de controladores PID.
Entender las bases de las técnicas de control modernas por técnicas estado-espacio.
231
Usar el Matlab y Simulink para cálculos de simulación y control de procesos.
En la parte final de cada capítulo se proporcionaron referencias de libros de textos básicos que
el lector puede consultar para ampliar la información que se presenta aquí. Entre los temas que
no se abordan y merecen atención para alumnos interesados en el tema de simulación y control de
procesos se encuentran:
Simulación de procesos con simuladores de procesos comerciales.
Diseño de control para sistemas discretos.
Análisis y diseño de control para sistemas con retardo o tiempo muerto.
Implementación de control con PLCs.
Introducción al diseño y sintonizado de IMC.
El curso de Simulación y Control de Procesos de la UAM-Azcapotzalco se apoya también en el

desarrollo de un proyecto de simulación y control de procesos, que tiene los objetivos de fortalecer
los conceptos y herramientas de simulación y control de procesos que se imparten en el curso, así
como exponer a los estudiantes del curso con un programa computacional que es de uso común
en la industria y centros de investigación. En la sección de Apéndices se describen los detalles del
proyecto de simulación y control de procesos, así como una breve introducción al uso de Matlab y
Simulink.
232
Bibliografía
[1] Alhumaizi, K., Aris R. (1994). Chaos in a simple two-phase reactor. Chaos Solitons Fractals
4, 1985-2014.
[2] Alvarez, J., Alvarez, J. (1988). Analysis and control of fermentation processes by optimal
and geometric methods. Proceedings of the 1988 American Control Conference, June 1988,
Atlanta, GA, 1112-1117.
[3] Alvarez-Ramirez, J., Puebla, H. (2001). On classical PI control of chemical reactors. Chem.
Eng. Sci. 56, 2111.
[4] Alvarez-Ramirez, J., Puebla, H., Espinosa, G. (2001). A cascade control strategy for a space
nuclear reactor system. Ann. Nuclear Energy 28, 93.
[5] Alonso, A., Yidstie, E. (1996). Process systems, passivity and the second law of thermody-
namics. Comp. Chem. Eng. 20, S1119-S1124.
[6] Andrews, J. F. (1968). A mathematical model for the continuous culture of microorganisms
utilizing inhibitory substrate. Biotechnol. Bioeng. 10, 707-723.
[7] Ang, S., Braatz, R.D. (2004). Experimental projects for the process control laboratory. Chem.
Eng. Educ. 36, 182-185.
[8] Aris, R. (1969). Elementary Chemical Reactor Analysis. Prentice Hall, Inc., Englewood Cliffs,
N.J.
[9] Aris, R. (1994). Mathematical Modelling Techniques. Dover Publication Inc., New York.
[10] Aris R., Amundson, N.R. (1958). An analysis of chemical reactor stability and control-I, II,
III. Chem. Eng. Sci. 7, 121-155.
233
[11] Astrom, K.J., Wittenmark, B. (1990). Computer-Controlled Systems: Theory and Design.
Prentice Hall, Englewood Cliffs, New Jersey.
[12] Astrom, K.J., Wittenmark, B. (1995). Adaptive Control. Addison-Wesley.
[13] Baez-Lopez, D. (2006). Matlab con Aplicaciones a la Ingeniería, Fisica y Finanzas. Al-
[14] Bailey, J.E., Ollis, D.F. (1987). Biochemical Engineering Fundamentals. McGraw Hill, Inc.,
New York.
[15] Bastin, G., Dochain,D. (1990). On L ine Estimation and Adaptive Control of Bioreactors.
Elsevier, New York.
[16] Bequette B.W. (1997). An undergraduate course in process dynamics. Comp. Chem. Eng. 21
suppl., S261-S266.
[17] Bequette, B.W. (1991). Nonlinear control of chemical processes: A review. Ind. Eng. Chem.
Res. 30, 1391-1413.
[18] Bequette B.W. (2003). Process Control: Modelling, Design and Simulation. Upper Saddle
[19] Bequette B.W. (2005). A laptop-based studio course for process control. IEEE Cont. Sys.
Magazine. 25, 45-49.
[20] Burns, R.S. (2001). Advanced Control Engineering. Butterworth-Heinemann, MA, USA.
[21] Christofides, P.D. (2001). Control of nonlinear distributed process systems: Recent develop-
ments and challenges. AIChE J 47, 514-518.
[22] del-Muro Cuellar, B., Velasco-Villa, M., Puebla, H., Alvarez-Ramirez, J. (2005). Model ap-
proximation for dead-time recycling systems. Ind. Eng. Chem. Res. 44), 4336-4343.
[23] Denbigh, K.G., Turner, J.C.R. (1972). Chemical Reactor Theory: An Introducion. Cambridge
University Press., New York.
234
[24] Dochain, D., Babary, J.P., Tali-Maamar, N. (1992). Modeling and adaptive control of non-
linear distributed parameter bioreactors via orthogonal collocation. Automatica 28, 873-883.
[25] Dorato, P.(1987). A historical review of robust control. IEEE Cont. Syst. Magazine April,
44-47.
[26] Doran, M.P. (1995). Bioprocess Engineering Principles. Academic Press Limited, San Diego,
C.A.
[27] Edgar T.F., Ogunnaike B.A., Muske K.R. (2006). A global view of graduate process control
education. Comp. Chem. Eng. 30, 1763-1774.
[28] Elnashaie, S.S.E.H., Elshishini, S.S. (1993). Modelling, Simulation and Optimization of In-
dustrial Fixed Bed Catalytic Reactors. Topics in Chemical Engineering. Edited by R. Hughes.
Gordon and Breach Science Publishers. OPA (Amsterdam).
[29] Farlow, S.J. (1993). Partial Differential Equations for Scientists and Engineers. Dover Pub-
lications, Inc. New York.
[30] Ferino, I., Rombi, E. (1999). Oscillating reactions. Catalysis Today 52, 291-305
[31] Fisher, D.G. (1991). Process control: an overview and personal perspective. Can. J. Chem.
Eng. 69, 5-26.
[32] Froment, G.F., Bischoff, K.B. (1990). Chemical Reactor Analysis and Design. John Wiley
and Sons, Inc.
[33] Garyhan, P., Elnashaie S. (2004). Static/dynamic bifurcation and chaotic behavior of an
ethanol fermentor. Ind. Eng. Chem. Res. 43, 1260.
[34] Glass, L., Mackey, M.C. (1988). From Clocks to Chaos: The Rhythms of Life. Princeton
University Press.
[35] Heafner, J.W. (1996). Modeling Biological Systems. Principles and Applications. Chapman &
Hall, New York, NY.
[36] Ingham, J. (2007). Chemical Engineering Dynamics: An Introduction to Modeling and Com-
puter Simulation. Wiley-VCH.
235
[37] Jensen, K.F., Ray, W.H. (1982). The bifurcation behavior of tubular reactors. Chem. Eng.
Sci. 37, 199-222.
[38] Kailath, T. (1980). Linear Systems. Prentice Hall, Englewood Cliffs, New Jersey.
[39] Keener, J., Sneyd. J. (1998). Mathematical Physiology. Springer-Verlag, Berlin.
[40] Khalil, H.K. (1996). Nonlinear Systems. Prentice-Hall. Upper Saddle River, N.J.
[41] Klatt, K.-U., Engell, S. (1998). Gain scheduling trajectory control of a continuous stirred
tank reactor. Comp. Chem. Eng. 22, 491-502.
[42] Lee, T-S., Pham, M.Q., Weigand, W.A., Harvey, S.P., Bentley, W.E. (1996). Bioreactor strate-
gies for the treatment of growth-inhibitory waste: an analysis of thiodiglycol degradation, the
main hydrolysis product of sulfur mustard. Biotechnol. Prog. 12, 533-539.
[43] Lee, J.S., Chang, K.S. (1996). Applications of chaos and fractals in process systems engineer-
ing. J. Proc. Cont. 6, 71-87.
[44] Luyben, W.L. (1990). Process Modeling, Simulation and Control for Chemical Engineers.
McGraw-Hill, New York, NY.
[45] Morari, M., Zafiriou, E. (1989). Robust Process Control. Prentice-Hall, New York.
[46] Morari, M., Gentilini, A. (2001). Challenges and opportunities in process control: biomedical
processes. AIChE J. 47, 2140—2143.
[47] Murray, J.D. (1989). Mathematical Biology. Springer-Verlag, Berlin.
[48] Murray, R.M. (2003). Control in an Information Rich World: Report of the Panel on
Future Directions in Control, Dynamics, and Systems. SIAM 2003 [Online]. Available:
http://www.cds.caltech.edu/~murray/cdspanel.
[49] Ogata, K. (1995). Discrete-Time Control Systems. Prentice-Hall, Upper Saddle River, NJ.
[50] Ogata, K. (1997). Modern Control Engineering. Prentice-Hall, Upper Saddle River, NJ.
[51] Ortega, R., Loria, A., Nicklasson, P., Sira-Ramiírez, H. (1998). Passivity Based Control of
Euler L agrange Systems. Springer-Verlag, London.
236
[52] Perlmutter, D.D. (1972). Stability of chemical reactors. Prentice-Hall, Englewood Cliffs, N.J.
[53] Puebla, H., Alvarez-Ramirez, J. (2005). A cascade feedback control approach for hypnosis.
Annals Biomed. Eng. 33, 1449-1463.
[54] Riascos, C.A.M., Pinto, J.M. (2004). Optimal control of bioreactors: a simultaneous approach
for complex systems. Chem. Eng. J. 99 23—34.
[55] Sastry, S. (1999). Nonlinear Systems: Analysis, Stability, and Control. Springer.
[56] Shelden R.A., Dunn I.J. (2001). Dynamic simulation: modeling processes, the environment,
the world. Chem. Eng. Progress December, 44-48.
[57] Shinskey, F.G. (1988). Process Control Systems. McGraw-Hill, New York.r-Verlag, 1999.
[58] Shinskey F.G. (2002). Process control: as taught vs. as practiced. Ind. Eng. Chem. Res. 41,
3745-3750.
[59] Skogestad S., Morari M. (1988). Understanding the dynamic behavior of distillation columns.
Ind. Eng. Chem. Res. 27, 1848-1862.
[60] Slotine, J.-J. E., Li, W. (1991) Applied nonlinear control. Prentice Hall, London.
[61] Stephanopoulos, G. (1984). Chemical Process Control: An Introduction to Theory and Prac-
tice. Prenctice-Hall, NJ, USA.
[62] Subramanian, S., Balakotaiah, V. (1996). Classification of steady-state and dynamic behavior
of distributed reactor models. Chem. Eng. Sci. 51, 401-421.
[63] Szederkenyi, G., Kristensen, N.R., Hangos, K.M., Bay Jorgensen, S.B. (2002). Nonlinear
analysis and control of a continuous fermentation process. Comp. Chem. Eng. 26, 659—670.
[64] Torres-Robles, R., Castro-Arellano, J.J. (2003). Análisis y Simulación de Procesos de Refi-
nación del Petróleo. Alfaomega, México.
[65] Uppal, A., Ray, W.H., Poore, A.B. (1974). On the dynamic behaviour of continuous stirred
tank reactors. Chem. Eng. Sci. 29, 967.
237
[66] Utz, T., Hagenmeyer, V., Mahn, B. (2007). Comparative evaluation of nonlinear model predic-
tive and flatness-based two-degree-of-freedom control design in view of industrial application.
J. Process Cont.17, 129—141.
[67] Van Heerden, C. (1953). Autothermic process. properties and reactor design. Ind. Eng. Chem.
45, 1242-1253.
[68] Vidyasagar, M. (1978). Nonlinear Systems Analysis. Prentice Hall, Englewood Cliffs, NJ.
[69] Yin, J., Jensen, M.K. (2003). Analytic model for transient heat exchanger response. Int. J.
Heat Mass Transfer 46, 3255—3264
238
Apéndice A
Introducción a Matlab1
Para iniciar se hace un doble clic sobre el icono de Matlab en la pantalla principal de la PC,
lo cual despliega una pantalla similar a la que se muestra en la Figura (A-1).
En la pantalla inicial se puede visualizar el directorio de trabajo en la parte superior derecha.
El espacio de trabajo, donde se introducen las funciones en instrucciones para trabajar se ubica
adelante del símbolo  con el cursor parpadeando. La ayuda en línea se puede llamar con el
comando help, con la tecla F1, o bien con el icono de ayuda de la barra de herramientas.
Algunas herramientas básicas de Matlab son las siguientes:
1. Operaciones aritméticas: Matlab reconoce los siguientes símbolos y operaciones,
+   ́ 

−  \ ́ 
∗ ́ ˆ 
para funciones elementales se usan los siguientes comandos,
sin() seno log() logaritmo natural

cos() coseno log 10() logaritmo base 10
tan() tangente abs() valor absoluto
sqrt() raíz cuadrada exp() exponencial
1 c Matlab es una marca registrada de The MathWorks, Inc. (ww.mathworks.com/trademarks)

°
239
Figura A-1: Pantalla inicial de Matlab.
240
2. Operaciones con matrices: Además de las operaciones básicas de matrices, Matlab cuenta
con los siguientes comandos para operaciones con matrices:
rank() rango eye() matriz identidad de  elementos

det() determinante eig() valores propios
trace() traza 0 transpuesta
inv() inversión poly() polinomio característico
Para las operaciones aritméticas con vectores y matrices, además de las operaciones arit-
méticas que aplica a escalares, Matlab acepta la multiplicación, división y exponenciación
de elemento por elemento,
∗ multiplicación elemento por elemento

 división elemento por elemento
ˆ potenciacion elemento por elemento
3. Operaciones con polinomios: En Matlab un polinomio de la forma,
  + −1 −1 +  + 1  + 0 = 0
se expresa como un vector columna,
[ −1 ... 0 ]
donde los elementos de este vector  son los coeficientes del polinomio en orden descendente.
En esta notación, se deben de incluir los coeficientes de términos cuyo coeficiente es cero.
Para operaciones aritméticas básicas Matlab reconoce los siguientes símbolos:
roots() raíces conv(1 2) multiplicación

poly() polinomio a partir de raíces deconv(1 2) división
polyval( ) evaluación en el escalar  polyder() derivada
polyint() integración
241
4. Archivos  : Matlab reconoce dos tipos de archivos que se conocen como archivos m debido a
que usan la extensión m: (i) Archivos de escritura: Un archivo de escritura consiste archivos
que almacenan instrucciones, expresiones o funciones sin que se admitan argumentos de
entrada o salida. (ii) Archivos de función. Un archivo de función es una función definida por
el usuario que usa Matlab a través de argumentos de entrada para proporcionar argumentos
de salida. La utilidad de los archivos de función es almacenar funciones u operaciones que
sean repetitivas y poder utilizarlas o modificarlas cuando sea necesario. Para crear un archivo
m del tipo función se siguen los siguientes pasos:
Seleccionar en archivos (File) de la barra de herramientas principal la opción New

M-File.
En la primera línea de un archivo de función se debe escribir la instrucción,
  = ()
donde  es el argumento de salida,  es el argumento de entrada.
En las líneas siguientes se escriben las ecuaciones o instrucciones a resolver con Matlab
con el formato general,
 =  ()
Grabar el archivo de función. El nombre del archivo de función debe ser el mismo que
el nombre de la función más la extensión .
Para profundizar en el uso de Matlab para cálculos de ingeniería se recomienda al lector con-
sultar algunas de las muchas referencias que existen sobre el tema. La ayuda que ofrece en línea
Matlab es también muy recomendable. Para detalles sobre comandos específicos el lector puede
utilizar la función de Matlab y consultar el material relacionado al comando deseado. Por ejemplo:
 help plot,  help subplot,  help if. Sin embargo, muchos lectores identificaran en forma
obvia el uso de la mayoría de los comandos de Matlab, debido a que su programación es muy simple
e intuitiva. A continuación se presentan la sintaxis y el uso de comandos de uso más frecuente en
este texto.
242
Funciones básicas de escritorio de Matlab
. Borra la información del espacio de trabajo de 
. Borra la información desplegada en el espacio de trabajo de Matlab.
. Borra la figura desplegada en pantalla.
.  help ... despliega en pantalla la información sobre el comando o función deseada.
. Termina la sesión actual de Matlab y sale del programa. Al usar el comando quit la
historia de los comandos que se usaron previamente en Matlab se mantiene en la memoria
de Matlab para la siguiente sesión.
↑, ↓. Al teclear las fechas de desplazamiento en el teclado de la PC se regresa o adelanta a

comandos escritos previamente o después de la instrucción actual.
Operaciones aritméticas en Matlab
+ − ∗  ˆ Ejecutan las operaciones matemáticas de suma, resta, multiplicación, división

y potenciación.
Caracteres especiales en Matlab
@ Crea una función para su manejo en archivos  de Matlab de modo que se pueden pasar
entre archivos  como si fueran variables.
 Tres puntos. Indican un cambio de línea dentro de una instrucción o archivo en Matlab.
Útil para escribir en varias líneas instrucciones muy grandes y poder visualizarlas en una
sola pantalla.
%. El símbolo de porcentaje se usa para incluir comentarios en alguna instrucción o progra-

ma. Todo lo que se escribe en la línea de comentarios no se ejecuta por Matlab.
Funciones elementales en Matlab
. Función exponencial.
, 10. Funciones de logaritmo natural y logaritmo base 10.
243
Operaciones con matrices en Matlab.
. Crea una matriz en la cual todos los elementos son iguales a cero.
. Crea un vector de partición con nodos espaciados linealmente.
\. Resuelve un sistema lineal de ecuaciones.
. Calcula los valores propios de una matriz.
. Calcula la norma de una matriz.
. Calcula el rango de una matriz.
. Calcula el determinante de una matriz.
Funciones lógicas en Matlab
== ˜ =  =  =  Comparaciones lógicas iguales, menores, menores o iguales, ma-

yores, mayores o iguales.
& |. Símbolos lógicos “y” y “o”.
 . Una lazo que ejecuta una serie de acciones hasta concluir un contador y continúa
la ejecución del programa con la instrucción .
. Un lazo que ejecuta una serie de acciones si se cumple algun condicionante.
Figuras en Matlab
 . Crea un objeto gráfico para una figura.
. Divide la ventana de la figura actual en varios panales. Se especifica por el número
de paneles P y su localización en formato renglón R y columna C, es decir, subplot(P,R,C).
. El comando plot(x,y) genera una figura para los conjuntos de datos de igual tamaño
en  y .
Especificaciones de color: ‘y’ amarillo, ‘r’ rojo, ‘g’ verde, ‘b’ azul, ‘k’ negro, etc.
244
Especificaciones de línea: ‘−’ línea continua, ‘- -’ línea discontinua, ‘:’ línea punteada, ‘+’
datos marcados con el símbolo +, ‘’ datos marcados con un cuadro, ‘’ datos marcados con
un circulo, etc.
245
Apéndice B
Introducción a Simulink1
Simulink es un programa dirigido principalmente a la simulación de sistemas dinámicos.

Simulink permite contar con características adicionales para sistemas dinámicos que complemen-
tan las herramientas de objetivo general de Matlab. Simulink tiene dos etapas: (i) la definición
del modelo y (ii) el análisis del modelo.
Para facilitar la definición de un modelo se trabaja sobre una ventana denominada ventana
de diagrama de bloques. En estas ventanas, los modelos se crean y editan principalmente por
comandos dirigidos a través del ratón de la computadora. Después de definir un modelo, este se
puede analizar al elegir las opciones que contiene Simulink, o por medio de comandos de Matlab
desde el espacio de trabajo.
Para iniciar se hace un doble clic sobre el icono de Simulink en la barra de he-rramientas
principal de Matlab, o en forma alternativa escribir en el espacio de trabajo de Matlab: simulink.
Esto despliega una subpantalla similar a la que se muestra en la Figura (B-1).
La sección a la izquierda de la pantalla (B-1) contiene herramientas para aplicaciones deter-
minadas, por ejemplo:
Simulink: Aplicaciones de propósito general para simulación de sistemas dinámicos.
Control Systems Toolbox: Aplicaciones de control de procesos en el enfoque de funciones de

transferencia y modelos estado-espacio.
1 c Simulink es una marca registrada de The MathWorks, Inc. (ww.mathworks.com/trademarks)

°
246
Figura B-1: Pantalla inicial de Simulink.
247
Figura B-2: Ventana de contrucción de un modelo en Simulink.
Image Acquisition Toolbox: Aplicaciones de adquisición de imágenes.
Neural Network Toolbox : Aplicaciones basadas en el uso de redes neuronales.
Simulink Extras: Aplicaciones de control clásico de procesos y modelos discretos.
Simulink Parameter Estimation: Aplicaciones de estimación de parámetros.
Cada aplicación contiene conjuntos de bloques y funciones definidas que se despliegan al hacer
doble clic sobre cada aplicación. Los bloques y funciones se despliegan a la derecha de la pantalla
(B-1). Algunos de los bloques y funciones definidas de mayor uso son los siguientes:
1. Integrador (Integrator), localizado en Simulink → Commonly Used Blocks. Sirve para inte-
grar una señal o función continua.
248
2. Scope (Scope), localizado en Simulink → Commonly Used Blocks. Sirve para visualizar en
forma gráfica resultados de la simulacion del modelo.
3. Modelo estado-espacio (State-Space), localizado en Simulink → Continuous. Sirve para in-

troducir un modelo estado-espacio.
4. Modelo de función de transferencia (Transfer Fcn), localizado en Simulink → Continuous.

Sirve para introducir un modelo de función de transferencia.
5. Enviar datos al espacio de trabajo de Matlab (To Workspace), localizado en Simulink →

Sinks. Sirve para enviar datos de salida del modelo al espacio de trabajo de Matlab.
6. Reloj (clock), localizado en Simulink → Sources. Sirve para generar un vector del tiempo
de simulación del modelo.
7. Leer datos desde el espacio de trabajo de Matlab (From Workspace), localizado en Simulink
→ Sources. Sirve para leer datos de entrada al modelo desde el espacio de trabajo de Matlab.
8. Escalón (Step), localizado en Simulink → Sources. Sirve para generar una señal escalón.
9. Función (Fcn), localizado en Simulink → User-Defined Functions. Sirve para introducir una
función definida por el usuario.
10. Sistema de Funciones (S-Function), localizado en Simulink → User-Defined Functions. Sirve

para introducir una sistema de ecuaciones definidas por el usuario.
11. Controlador PID (PID Controller), localizado en Simulink Extras → Aditional Linear. Sirve
para introducir un controlador PID.
Para construir un modelo en Simulink se procede como sigue:
1. En las opciones de archivo (File) de la barra de herramientas principal de Simulink selec-

cionar Nuevo (New) y elegir Modelo (Model). Se despliega una pantalla similar a la que se
muestra en la Figura (B-2).
2. Los bloques de los sub-menus de la pantalla principal de Simulink se copian en la pantalla de

modelo al arrastrar cada bloque al seleccionar y mantener el bloque con el botón izquierdo
del ratón de la computadora.
249
3. Hacer las conexiones de los bloques del modelo al seleccionar y mantener con el botón
izquierdo del ratón de la computadora la salida o entrada de cada bloque y arrastrar hasta
otra salida, entrada o línea.
4. Para terminar de definir el modelo se introducen los cambios necesarios en los parámetros de
cada bloque. Esto se hace a través de dar un doble clic sobre cada bloque a ser modificado.
250
Apéndice C
Proyecto de Simulación y Control de

Procesos
El proyecto de simulación y control de procesos se comienza a desarrollar por los estudiantes

a partir de la cuarta semana del curso. En las tres primeras semanas del curso se proporcio-
nan conceptos básicos de simulación y control de procesos, como, desarrollo histórico del control
de procesos, el procedimiento de diseño de control, herramientas de modelado y simulación de
procesos.
El proyecto consiste en 3 etapas principales:
1. Formar grupos de 4 integrantes: Los grupos promueven la interacción entre ellos y com-
plementar sus debilidades y fortalezas de los conocimientos del curso. El trabajo en grupo
también permite que los estudiantes desarrollen trabajos con un mayor grado de complejidad
respecto al desarrollo de proyectos individuales.
2. Búsqueda o asignación de un caso de estudio: Debido a que se permite que los estudiantes
seleccionen un caso de estudio de una amplia variedad de problemas, ellos se encuentran
más motivados para entender y desarrollar el caso de estudio de su elección. Los casos de
estudio que se han desarrollado incluyen reactores químicos y biológicos, intercambiadores
de calor, rutas metabólicas y celulares. Es muy importante verificar que el caso de estudio
presente el modelo dinámico y que los datos de los parámetros del modelo estén completos.
3. Desarrollo y entrega del proyecto. El proyecto se desarrolla de la quinta a la décima se-
251
mana del curso. En la semana 11 se entrega un reporte final del proyecto en archivo PDF
siguiendo las guías de autores de revistas internacionales (titulo, autores, resumen, palabras
clave, secciones, referencias, letra a 12 puntos, márgenes amplios, doble espacio, referencias
estandarizadas, lista de figuras, figuras, etc.).
Las secciones que contiene el proyecto son:
1. Introducción: En esta sección se proporcionan las generalidades y la motivación para mo-

delar, analizar y controlar el caso de estudio.
2. Modelado matemático: En esta sección se presenta el modelo matemático del caso de estudio.
Se debe de justificar la derivación del modelo matemático e identificar los términos que
contiene. Aquí también se obtienen los puntos de equilibrio del modelo matemático.
3. Simulación dinámica: En esta sección se realiza la programación numérica y la simulación

dinámica del caso de estudio.
4. Análisis en el dominio del tiempo: En esta sección se realiza la linealización del modelo
matemático, la evaluación de la estabilidad a lazo abierto, el plano de fase y un estudio de
sensibilidad paramétrica.
5. Diseño y análisis del control clásico PID: En esta sección se obtiene la función de transferencia
del sistema a lazo abierto y cerrado, se obtiene los diagramas de localización de raíces, Bode
y de Nyquist y se diseña e implementa un control tipo PID.
6. Diseño y análisis del control con técnicas en el espacio de estados: En esta sección se evalúan
las propiedades de controlabilidad y observabilidad y se deriva una ley de control por retro—
alimentado de estados para el caso de estudio.
7. Conclusiones: En esta sección se presentan los comentarios finales de los resultados obtenidos
con el caso de estudio y una reflexión sobre el procedimiento y la utilidad del proyecto.
252

SCP Notas Curso

Cargado por

Copyright:

Formatos disponibles

SCP Notas Curso

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

SCP Notas Curso

Cargado por

Copyright:

Formatos disponibles

I SBN 607 - 477 - 126 -X

Hector F. Puebla Núñez

Universidad Autónoma Metropolitana

1 c 2007 ChemCad es una marca registrada de Chemstations, Inc.

4. Análisis de Procesos 110

5. Control Clásico de Procesos 169

6. Control Moderno de Procesos 210

A. Introducción a Matlab3 239

B. Introducción a Simulink4 246

C. Proyecto de Simulación y Control de Procesos 251

3 c Matlab es una marca registrada de The MathWorks, Inc. (ww.mathworks.com/trademarks)

1-1. Elementos básicos de un diagrama de bloques. . . . . . . . . . . . . . . . . . . . . 21

2-1. Sistema de tanques agitados en serie. . . . . . . . . . . . . . . . . . . . . . . . . . 58

3-1. Método de Newton-Raphson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84

5-1. Selección de elementos de una configuración retroalimentada de Simulink. . . . . . 177

6-1. Controlabilidad de dos tanques agitados en serie. . . . . . . . . . . . . . . . . . . 216

A-1. Pantalla inicial de Matlab. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240

B-1. Pantalla inicial de Simulink. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247

CSTR..............Reactor Continuo de Tanque Agitado5

Estas notas tienen la finalidad de apoyar el curso de Simulación y Control de Procesos de

1. Los cursos en la UAM se imparten en forma trimestral, que se componen de 12 semanas

3. Integra los conocimientos de diferentes unidades de enseñanza aprendizaje (UEA), tales

El autor agradece a la UAM la oportunidad de publicar estas notas y contribuir a la actua—

La mayoría de procesos industriales se conciben y diseñan para operar en condiciones de estado

Operación del proceso en presencia de perturbaciones: La operación de diseño en estado

Cambios en la demanda del producto: La variación de precios y disponibilidad de materia

Los procesos industriales también presentan problemas complicados, por ejemplo:

Comportamiento dinámico no lineal. La operación de muchos procesos industriales presen-

La tarea de un ingeniero en el campo de control de procesos (denominado de aquí en adelante

1. Productos de mayor calidad.

3. Protección del medio ambiente.

4. Mayor rendimiento de la capacidad instalada.

5. Mayores márgenes de seguridad.

1.1. Terminología del control de procesos

Sistema: Un sistema es un proceso físico en el cual señales de entrada se convierten a señales

Sistema lineal: Un sistema que cumple el principio de superposición.

Estado transitorio o dinámico: El comportamiento dinámico de un sistema describe como

Modelo: Un modelo es una descripción matemática de la realidad. Un modelo matemático

Modelo estacionario: Un modelo estacionario es un modelo que no depende del tiempo.

Punto de referencia (set point): El valor de operación deseado.

Controlador: Es el dispositivo que recibe la información de la variable controlada y el punto

Elemento final de control o actuador: Es un dispositivo que implementa las decisiones

Sensor: Es un dispositivo donde se produce un fenómeno mecánico, eléctrico o similar, el

Transmisor: Comunica la salida del sensor al controlador. El sensor se conecta al transmisor,

Robustez: Un comportamiento se dice que es robusto si este no se ve afectado por variaciones

Lazo cerrado: El sistema controlado opera con control retroalimentado.

1.2. Diagramas de bloques

Señal con dirección inversa

Figura 1-1: Elementos básicos de un diagrama de bloques.

Símbolos especiales: Comparadores de señales (sumatoria / resta), escalamiento, integración,

La Figura (1-1) muestra los elementos básicos de un diagrama de bloques.

2-b Dos sistemas, 1 y 2 , colocados en serie o cascada. En el sistema 1 entra la señal 1 y en

2-d Dos sistemas, 1 y 2 colocados en un arreglo retroalimentado. En el sistema 1 entra la

1.3. Elementos y configuraciones básicas de un sistema de

1. Sensor/transmisor: La medición de la variable que se controla se hace generalmente mediante

3. Punto de referencia: El punto de referencia establece valores de operación deseados.

4. Perturbaciones: Las perturbaciones afectan el comportamiento y el punto de operación del

1.3.1. Configuración retroalimentada

En la configuración retroalimentada una salida del proceso determina la acción de un contro-

Medir la variable a controlar,