Desarrollo e implementación de de un algoritmo evolutivo para el control automático de una autoclave
1
1
2
1
Luís E García Jaimes , Maribel Arroyave Giraldo , Henry Sarmiento M , Alejandro Peña , 1
Grupo ICARO. Politécnico Politécnico Colombiano Jaime Isaza Cadavid. Carrera 48 Nº 7 -151. Bloque Bloque P38 Of 111. Medellín, Colombia. 2 Grupo GIMEL. Universidad de Antioquia. Facultad de Ingeniería. Calle 67 Nº 53-108, Medellín, Colombia. Correspondencia: Luis E. García Jaimes. Carrera 48 Nº 7-151. Bloque P38 Of 111. Medellín, Colombia
[email protected]
Resumen: En el proyecto se abordó el diseño, construcción y automatización de una autoclave utilizada en el proceso de esterilización. Se diseñaron algoritmos de control para la temperatura, la presión y el nivel del agua. Para realizar el control de la misma se trabajó inicialmente con algoritmos convencionales de control del tipo PI implementados en plataforma Labview Labview y luego se planteó una solución basada en la implementación de un algoritmo evolutivo. Para la identificación del sistema se utilizó una red neuronal la cual fue entrenada con algoritmo evolutivo. El controlador utilizado trabaja con un algoritmo de gradiente descendente para minimizar la función objetivo definida como el error cuadrático medio entre la señal de referencia y la salida del modelo neuronal del proceso. Para generar el algoritmo evolutivo se se desarrolló una herramienta basada en el lenguaje lenguaje de programación programación Visual Basic.net.
Palabras clave: Autoclave, esterilización, automatización, algoritmo genético, red neuronal.
Development and implementation of an evolutionary algorithm for the automatic control of a sterilizer
Abstract: In the project the design, construction and automation of a sterilizer used in the sterilization process was approached. Algorithms of control for the temperature, the pressure
and the level of the water were designed. In order to make the control of the same one worked initially with conventional algorithms of control of type PI implemented in Labview platform and soon a solution based on the implementation of an evolutionary algorithm considered. For the identification of the system a neuronal network was used which was trained with evolutionary algorithm. The used controller works with an algorithm of descendent gradient to diminish the objective function defined like the average quadratic error between the signal of reference and the exit of the neuronal model of the process. In order to generate the algorithm evolutionary a tool based on the Visual programming language Basic.net was developed.
Key words: Sterilizer, sterilization, automation, genetic algorithm, neuronal network. Introducción
Una autoclave es un aparato diseñado para esterilizar alimentos y material médico o de laboratorio, utilizando vapor de agua a alta temperatura y alta presión. Las autoclaves funcionan permitiendo la entrada o formación de vapor de agua pero restringiendo su salida, la temperatura que debe alcanzarse dentro de la autoclave oscila entre 121ºC y 131 ºC con presiones entre 29.7 PSIA y 41.3 PSIA respectivamente. Existen otras aplicaciones para las autoclaves, como en el cocimiento y esterilización de conservas y alimentos enlatados que requieren un tratamiento por encima de los 100 grados centígrados. Para hacer más eficiente el proceso de esterilización, la autoclave se dotó de la instrumentación necesaria para controlar y monitorear las variables fundamentales que intervienen en dicho proceso: Temperatura, Presión y nivel de agua. Para controlar el proceso se implementaron inicialmente algoritmos de control PI diseñados por el método de asignación de polos y luego se manejó un algoritmo genético en combinación con redes neuronales. Esterilización
La esterilización consiste en la destrucción o eliminación de cualquier tipo de vida microbiana de los objetos inanimados, incluyendo las formas esporuladas de hongos y bacteria s.
La esterilización se puede realizar utilizando agentes físicos o agentes químicos [1]. Agentes Físicos: Se consideran los siguientes métodos:
Calor Seco: Puede suministrarse por: Flameado: exposición del objeto a la llama hasta la incandescencia. Incineración: utilizado para esterilizar todos aquellos productos en los que no importe su destrucción.
Estufa: se somete el objeto a 180ºC durante aproximadamente 20 minutos. Calor Húmedo: Esterilización con vapor de agua. A este grupo pertenecen: Esterilización en autoclave: se trata el objeto con vapor de agua a alta temperatura y alta presión.
Tindalización: se somete el producto a calentamientos intermitentes entre 60 y 100ºC durante 20 o 30 minutos garantizando la eliminación de las formas vegetativas.
Radiaciones: se utilizan varios métodos así: Luz ultra violeta: aplicada en la preparación de vacunas, cabinas de seguridad biológica y lugares de trabajo como mesas de laboratorios.
Radiaciones ionizantes: utilizada sobre todo para esterilizar dispositivos quirúrgicos, guantes, jeringas, etc. Agentes Químicos: Estos reaccionan con gran facilidad con diferentes grupos funcionales de los
ácidos nucleicos y proteínas alquilando estos radicales esenciales. Entre ellos se encuentran:
Óxido de etileno: es un gas que inactiva microorganismos sustituyendo átomos de hidrógeno lábiles por otros grupos como hidroxilos, carboxilos, etc.
Glutaraldehído: se sumerge el material que a esterilizar en una solución de este elemento al 2% Formol o formaldehido: Es un gas fácilmente soluble en agua que se utiliza al 40% (formalina). Se emplea en la esterilización hospitalaria y en la industria farmacéutica.
Autoclave
Una autoclave es un recipiente horizontal o vertical herméticamente cerrado que soporta altas presiones, para lograr temperaturas mayores a las que se obtienen en la ebullición [2] Cada microorganismo tiene una temperatura de crecimiento adecuada. Hay una temperatura mínima por debajo de la cual no hay crecimiento; una temperatura óptima a la que la velocidad de crecimiento es máxima. Por encima de esta temperatura óptima, la velocidad de crecimiento decae bruscamente y se produce la muerte celular. Para lograr un efecto esterilizante se debe mantener la presión y la temperatura mencionadas en la introducción durante un tiempo de 15-30 minutos, después de este período, la autoclave debe dejarse enfriar hasta que la presión interna alcance el valor de presión atmosférica [3]. La autoclave diseñada y construida para la ejecución del proyecto tiene las siguientes especificaciones de diseño: Tipo de autoclave:
Vertical
Capacidad:
40 litros
Forma de la cámara:
Cilíndrica
Origen del vapor:
Externo
Flujo máximo de vapor:
44 lb/h
Temperatura de trabajo:
130ºC (Máx.)
Presión interna:
55 PSI (Máx.)
Presión en e la camisa:
120 PSI (Máx.)
Material:
Acero inoxidable
Aislante térmico:
En área caliente
Tapa:
Basculante
Método de carga:
Superior
La figura 1 muestra el sistema de instrumentación y control de la autoclave.
Figura 1. Diagrama de instrumentación de la autoclave
La figura 2 muestra la autoclave físicamente.
Figura 2. Autoclave diseñada Parámetros programables
El software diseñado para el control de la autoclave permite la programación de los valores específicos de las variables que intervienen en el proceso de esterilización, es decir, al inicio del ciclo se dan las especificaciones para: Nivel de agua en la cámara de esterilización. Temperatura de esterilización.
Presión de trabajo. (El software la calcula una vez entrado el dato de temperatura) Tiempo de esterilización. Impresión de parámetros. Cuando se ejecuta el programa de control, se visualizan en la pantalla del computador los valores deseados para la temperatura y la presión así como los valores actuales de dichas variables. Secuencia de control
El ciclo completo de esterilización comprende las siguientes fases:
Llenado automático cámara de esterilización: con agua hasta el nivel deseado. Expulsión del aire de la cámara: se realiza calentando hasta 80 ºC sin presurizar la cámara pero controlando la rata de aumento de la temperatura. .
Calentamiento: a partir de 80º C se realiza controlando la presión y la temperatura. Esterilización: durante el tiempo programado a la temperatura seleccionada. Enfriamiento: al terminar la esterilización, la autoclave se deja enfriar hasta alcanzar temperatura ambiente.
Descarga: salida automática del agua y del vapor de la cámara de esterilización. Fin del Proceso: Aviso del fin del ciclo de esterilización Algoritmos de control Control convencional
Se diseñaron algoritmos de control convencional para cada variable así: Temperatura: control PI por asignación de polos. Presión: control PI por asignación de polos. Nivel: control on-off Para obtener la dinámica del proceso y realizar el ajuste de los controladores convencionales se utilizó el método de respuesta al escalón. Los modelos se aproximaron a sistemas de primer orden con retardo y se dan a continuación:
Modelo para la planta de temperatura:
Con periodo de muestreo T=1.2 min, la función de transferencia de pulso del sistema discreto correspondiente a la variable temperatura es:
Para calcular el controlador PI se tomó: tiempo de establecimiento amortiguamiento
, el resultado ubica los polos deseados en
y coeficiente de .
La ecuación característica del sistema con el controlador en lazo cerrado es:
Es decir:
La ecuación característica deseada es:
Comparando término a término las ecuaciones 5 y 6 se obtiene: q o=1.463, q1=-0.8917. El controlador es:
Modelo para la planta de presión:
Con un periodo de muestreo T=0.97 min, la función de transferencia de pulso del sistema discreto correspondiente a la variable presión es:
Para calcular el controlador PI se tomó: tiempo de establecimiento amortiguamiento
, lo cual ubica los polos deseados en
y coeficiente de .
La ecuación característica del sistema con el controlador en lazo cerrado es:
Es decir:
La ecuación característica deseada es:
Comparando término a término las ecuaciones 12 y 13 se obtiene: q o=0.8792, q 1=-0.5706. El controlador es:
Control utilizando algoritmos evolutivos
Identificación de Sistemas dinámicos utilizando redes neuronales: La identificación de sistemas dinámicos permite establecer una correspondencia entre los datos de entrada (señal de excitación) y los datos de salida (respuesta) de un sistema, concepto que se mantiene presente en las redes neuronales de manera análoga a los procesos de identificación que se realizan de manera tradicional. Uno de los modelos utilizados para la descripción de un sistema, es el modelo serie- paralelo de tipo NARMAX [4], [5]. Este modelo serie-paralelo puede ser descrito de manera analítica de la siguiente forma:
Donde: : Representa un par de datos de entrada y salida del sistema en el instante
t.
Las entradas a la red son la señal de la planta y los correspondientes retrasos temporales que definen el modelo serie-paralelo propuesto. Los datos de identificación para el modelo del sistema se generaron mediante la aplicación de escalones que cubrieron toda la zona de trabajo de la autoclave como se muestra en la Figura 3.
Figura 3. Datos para la identificación
La estructura de la red neuronal utilizada para la identificación de acuerdo con el modelo general
serie-paralelo, consiste en una red neuronal de dos capas con función de activación tangente hiperbólica en su capa oculta y función de activación lineal a la salida de la red. La capa de entrada está determinada por los valores de
m y n, que indican el orden conocido del sistema.
Para el caso particular de esta red se considera
m=2, n=2. La ecuación de salda de la red
neuronal está dada de la siguiente manera:
Donde: : Salida de la Red Neuronal para un conjunto de valores de entrada. : Pesos de la combinación lineal adaptativa de salida de la neurona : Pesos de conexión de entrada a la Red Neuronal.
: Vector de valores de entrada a la red. :
“bias”
o factores de excitación de entrada y salida a la red neuronal multicapa
respectivamente.
Estructura de la Red Neuronal de Identificación: Para el ajuste de los pesos de la red neuronal se utiliza el algoritmo de entrenamiento
backpropagation que se basa en el error
cuadrático medio entre los datos entregados por la red neuronal y los datos deseados obtenidos del sistema:
Donde: : Error cuadrático medio. : Valor deseado para el aprendizaje de la red neuronal. : Valor entregado por la red neuronal. : Número de datos para entrenamiento de la red.
Entrenamiento Evolutivo de la red neuronal del modelo de identificación. Para el entrenamiento de la red neuronal o ajuste de pesos de la misma, se utilizó un vector de 60 posiciones o genes denominados individuos. De acuerdo con los principios de la computación evolutiva, los algoritmos evolutivos realizan un proceso de optimización adaptativo según el comportamiento de varias soluciones o población de individuos. Esta población de individuos evolucionará mediante la transformación de sus genes de acuerdo con tres operadores básicos: Operador de Selección, Operador de cruce y Operador Mutación [6]. Los resultados obtenidos del proceso de identificación se muestran en la Figura 4.
Modelo del Control Neuronal Adaptativo. El control de sistemas dinámicos utilizando redes neuronales permite reducir la complejidad del modelamiento de los sistemas descritos por ecuaciones diferenciales, ya que el modelamiento de
sistemas dinámicos por técnicas neuronales utiliza solo un conjunto de conexiones que procesan la información y establecen relaciones numéricas y funcionales entre los datos de entrada y salida del sistema.
Figura 4. Resultado de la identificación
La respuesta dinámica del sistema puede ser modelada mediante una red neuronal en función de las entradas y las salidas del sistema de acuerdo con la siguiente ecuación:
Donde
son los valores de entrada y salida del sistema para la
ventana temporal seleccionada y son el refuerzo para el aprendizaje de la red encargada de la identificación y modelado del sistema. El valor de
neuronal
indica la respuesta
de la planta ante estos valores. De acuerdo con los principios del control adaptativo y las redes neuronales, la adaptación calcula la señal de control mediante la utilización del gradiente descendente [7], según la ecuación:
En donde: : Señal de control en el instante t. : Error del sistema con respecto al valor de referencia : Factor de ajuste de aprendizaje o ganancia de paso. (
)
: Razón de cambio del error frente a la señal de control aplicada al sistema. Como se puede observar en la ecuación 18, esta tiene una estructura similar a la de entrenamiento utilizado por la redes neuronales de tipo backpropagation, en las cuales se busca ajustar los pesos para disminuir el error en la respuesta de la red a los valores de entrenamiento, mientras que en el caso del control adaptativo se busca el ajuste del sistema a una señal de referencia ajustando la señal de control de acuerdo con el cambio que sufre el error a partir de la señal de control aplicada al sistema. De acuerdo con la ecuación 19 y el modelo neuronal del sistema, se obtiene la siguiente regla en cadena para la actualización de la señal de control:
En donde:
Reemplazando 20, 21, 22, 23, 24 en 19 la señal de control puede darse en la forma:
La ecuación 25 se puede escribir en la forma:
Experimentalmente se encontró un mejor desempeño en el controlador al incluir un factor como multiplicador del término u(t)
Es de anotar que los valores de
se determinan por aprendizaje o experimentalmente por el
diseñador del sistema. La velocidad y estabilidad del mismo dependen de la selección adecuada de estos valores. Para el sistema de la autoclave se trabajó con diferentes valores de
. Experimentalmente
se obtuvieron los mejores resultados con Estrategia de Control
De acuerdo con las particularidades del proceso de esterilización el algoritmo de control se realiza tres etapas fundamentales así:
Etapa de Calentamiento: En esta etapa se establece como referencia para la temperatura una rampa cuya pendiente tiene un incremento de temperatura de
, siendo x un valor
constante (x=0,1111 para alcanzar una temperatura de 121 ºC en 15 min, considerando como temperatura inicial 21 ºC). Luego de que el sistema alcanza 80 ºC, la válvula de presión se cierra y continua el calentamiento con aumento de presión controlado hasta una temperatura de 121 ºC o 131ºC a una presión de 29.7 PSI ó 41.3 PSI respectivamente según el material a esterilizar. Esta etapa se programó con una duración de 15 minutos.
Etapa de Sostenimiento: Luego de llegar a la temperatura de 121ºC o de 131 ºC comienza el proceso de sostenimiento de la misma durante un tiempo de 20-30 minutos. En esta etapa también se controla y monitorea la presión del sistema a un valor de 29.4 PSI ó 41.3PSI según el caso. El tiempo programado para las pruebas fue de 20 min.
Etapa de enfriamiento: Al finalizar la etapa de sostenimiento, la válvula de entrada de vapor se cierra, a partir de este momento se espera la disminución de temperatura, se despresuriza la autoclave y por último se realiza el drenaje de la misma. Las figuras 5 y 6 muestran la respuesta de la temperatura y de la presión de la autoclave durante un ciclo completo de esterilización.
Figura 4. Respuesta del la temperatura y la presión. Algoritmo Evolutivo
Figura 5. Respuesta de la temperatura y la presión. Control PI
Conclusiones
Los algoritmos de control se probaron en la autoclave descrita al principio del artículo, la temperatura se controló a 121 ºC y la presión correspondiente a 29.7 PSI La realización del control, dio como resultado un correcto funcionamiento de las diferentes secuencias de regulación y un buen desempeño de los algoritmos de control utilizados.
Durante la etapa de calentamiento, la temperatura sigue a la rampa de referencia con un pequeño retraso, característica inherente en la respuesta de sistemas con retardo. El error en este caso está entre límites aceptables. Cuando se le aplica la referencia constante se observa inicialmente un pequeño sobreimpulso en la respuesta de la temperatura y luego esta alcanza el valor deseado con error cero. En la parte final de la grafica se observa el cierre de la válvula de control de temperatura para lograr el enfriamiento natural de la autoclave. Cuando la temperatura comienza a ascender, la presión responde al incremento de la temperatura, pero con un pequeño retraso, por ser también este un proceso con retardo. La variación de la presión se realiza acorde con la correspondiente a la temperatura dada por las tablas de vapor de agua. En el momento en que la temperatura adquiere un valor constante, la presión se estabiliza manteniendo el valor de presión correspondiente a la temperatura. Al descender la temperatura, la presión también cae hasta alcanzar el valor de la presión atmosférica. El desempeño del algoritmo evolutivo en el control automático de la autoclave muestra que esta técnica es una buena alternativa para la regulación
de procesos con retardo y
comportamiento no lineal, debido a que actualiza de forma continua y automática sus propios parámetros de acuerdo con los cambios que experimenta la variable de ajuste. Con este control el error de estado estable del sistema se redujo a un valor mínimo aceptable y las perturbaciones provocadas fueron corregidas satisfactoriamente. El desarrollo del proyecto permitió comprobar la congruencia entre las simulaciones realizadas y los resultados experimentales obtenidos al realizar el control de la autoclave. El control de las variables de temperatura y presión se logro de acuerdo a la programación de tiempos y valores realizada, con errores de estado estable mínimos y con un buen desempeño de los algoritmos de control estimados.
La implementación del controlador con algoritmo evolutivo, a pesar de ser complejo y requerir de un tiempo de desarrollo considerable presentó un desempeño comparable con el del controlador PI estimado utilizando asignación de polos.
Reconocimientos
El trabajo “Desarrollo e implementación de un
algoritmo evolutivo para el control
automático de una autoclave” del cual hacen parte los resultados presentados en este artículo, fue parcialmente financiado por el convenio de investigación Politécnico Colombiano Jaime Isaza Cadavid - Universidad de Antioquia, en el marco del convenio CNVPOLI-UDEA 04-0102 y desarrollado por los grupos de investigación ICARO y GIMEL, respectivamente.
Referencias
[1] Black, J. Microbiology Principles and Exploration. John Wiley Son, Inc. 1999. P p 313-332 [2] Brownell, L.E., Young, E.H. Process equipment design. New York, John Wiley & Sons. Pp 249-254 [3] Clavell, L. Pedrique de Aulacio, M. Microbiología. Manual de Métodos Generales. Facultad de Farmacia. Universidad Central de Venezuela. 1992. pp 76-84 [4] Chen, S. and S.A. Billings (1989) Representation of Non-Linear Systems: the NARMAX Model. Int. J. Control, 49 (3). [5] Narendra, K. Parthasarathy, S. Identificaction and Control of Dynamical Systems using Neural Networks, IEEE Transactions on Neural Networks, Vol. 1 Nº 1, 1990. [6] Coello C., Carlos. Introducción a la Computación Evolutiva, (Notas de Curso). Laboratorio Nacional de Informática Avanzada. México, Veracruz, 2000. PP 115-173 [7] Gallardo, A. J. Diseño e Implementación de un Sistema de Control Avanzado para Procesos Complejos, Universidad Católica del Norte, Antofagasta, Chile, 2003.
