Diseño de experimentos y modelado para optimización en la industria de procesos

Abstract

En la práctica industrial, es habitual que los procesos productivos presenten incertidumbre. Esta información incompleta suele ser insuficiente para generar modelos matemáticos que permitan representar fielmente un proceso en un amplio rango de condiciones de operación. Sin la acabada comprensión de los fundamentos que explican el comportamiento observado, las diferentes tareas de la ingeniería de procesos como el diseño, la planificación, el control y, en particular, la optimización se ven dificultadas. En este último caso, por el error de predicción de los modelos, pueden proponerse condiciones de operación subóptimas que disminuyen la performance del proceso respecto de la mejor posible. Por otro lado, un método de optimización puramente experimental (que no utilice modelos matemáticos) suele ser muy costoso, y desaprovecha información fenomenológica que se tiene sobre el proceso. Para hacer frente a esta problemática, se plantea una metodología de optimización que combina el uso de modelos de tendencia con feedback experimental en un marco de aprendizaje activo. Utilizando la información disponible, se formula un modelo matemático que relacione las respuestas del proceso con las variables de operación y se diseña un experimento con dos objetivos: optimizar la performance del proceso y maximizar la información entregada por el mismo. El experimento es llevado a cabo y se realizan las mediciones correspondientes. El modelo es actualizado para capturar la respuesta del proceso en las nuevas condiciones de operación y se diseña un nuevo experimento. Se realiza la experiencia y el ciclo se repite mientras las sucesivas iteraciones mejoren la performance del proceso.

In industrial practice, it is common for productive processes to present uncertainty. Incomplete information is usually not sufficient to generate mathematical models that truthfully represent a process in a wide range of operating conditions. Without the complete comprehension of the principles that explain an observed behavior, the common tasks of process engineering like design, scheduling, control and, specially, optimization are very difficult to perform. In the case of optimization, due to errors in model predictions, suboptimal operating conditions may be proposed, giving rise to lower process performance compared to the best possible one. On the other hand, an optimization method based solely on experimentation (without using any mathematical model) is usually very costly and doesn't exploit fundamental knowledge about the process. In order to face these problems, an optimization methodology that combines tendency models with experimental feedback in an active learning framework is presented. Using available knowledge, a mathematical model that links process responses with operating variables is presented and an experiment is designed with two aims: to optimize the process performance and to maximize the generation of information. The experiment is performed and measurements are taken. The model is updated to represent the process responses in the new operating conditions and a new experiment is designed. The experiment is performed and the cycle is repeated while the performance improves in each new iteration.