SCIÉNDO INGENIUM  
ISSN Nº 3084-7788 (En línea) Sci. ingen. 22(2): 49-58, (2026)  
Integración de control predictivo multivariable, control estadístico de  
procesos y redes neuronales artificiales para la detección y gestión de  
cambios estructurales en procesos industriales MIMO  
Integration of Multivariable Model Predictive Control, Statistical Process  
Control, and Artificial Neural Networks for the Detection and Management of  
Structural Changes in Industrial MIMO Processes  
*
Carlos Ivan Prado Gardini  
Facultad de Ingeniería, Universidad Tecnológica del Perú, Av. Petit Thouars 116, Lima 15046. Lima, Perú.  
* Autor correspondiente: gestionpyg@gmail.com (C. Prado)  
DOI: 10.17268/scien.inge.2026.02.04  
RESUMEN  
La presente investigación aborda la detección y supervisión de cambios estructurales en procesos industriales  
multivariables MIMO mediante una arquitectura integrada que combina control predictivo multivariable,  
control estadístico de procesos y redes neuronales artificiales. El objetivo es mejorar la discriminación opera-  
tiva entre perturbaciones externas, condiciones operativas esperadas y cambios estructurales internos del pro-  
ceso, preservando un desempeño adecuado de regulación en lazo cerrado. La metodología se basa en simula-  
ciones controladas y reproducibles de un proceso MIMO bajo escenarios sistemáticamente diseñados, que  
incluyen perturbaciones escalonadas, activación de restricciones operativas y derivas internas de parámetros.  
El control predictivo multivariable actúa como mecanismo de regulación, mientras que el control estadístico  
de procesos supervisa la estabilidad estadística mediante indicadores multivariables aplicados a residuos del  
modelo. Las redes neuronales artificiales se emplean como modelos de referencia no lineales con fines de  
consistencia estructural, sin intervenir directamente en la acción de control. Los resultados evidencian que la  
arquitectura MPC+ANN+MSPC redujo la ocupación de alarma post evento de 0,9834 a 0,1492 en el escena-  
rio S5, manteniendo valores comparables de RMSE, MAE y esfuerzo de control respecto al MSPC lineal. Se  
concluye que la integración propuesta es una herramienta robusta y viable para la supervisión avanzada de  
procesos industriales MIMO.  
Palabras clave: control predictivo multivariable; control estadístico de procesos; redes neuronales artificia-  
les; procesos MIMO; supervisión de procesos  
ABSTRACT  
This research addresses the detection and monitoring of structural changes in multivariable MIMO industrial  
processes through an integrated architecture that combines multivariable model predictive control, statistical  
process control, and artificial neural networks. The objective is to improve operational discrimination among  
external disturbances, expected operating conditions, and internal structural changes in the process, while  
preserving adequate closed-loop regulation performance. The methodology is based on controlled and repro-  
ducible simulations of a MIMO process under systematically designed scenarios, including step disturbances,  
activation of operational constraints, and internal parameter drifts. Multivariable model predictive control  
acts as the regulation mechanism, whereas statistical process control supervises statistical stability through  
multivariate indicators applied to model residuals. Artificial neural networks are employed as nonlinear refe-  
rence models for structural consistency assessment, without directly intervening in the control action. The  
results show that the MPC+ANN+MSPC architecture reduced the post-event alarm occupancy from 0.9834  
to 0.1492 in Scenario S5, while maintaining RMSE, MAE, and control effort values comparable to those of  
the linear MSPC scheme. It is concluded that the proposed integration is a robust and viable tool for advan-  
ced supervision of MIMO industrial processes.  
Keywords: multivariable model predictive control; statistical process control; artificial neural networks;  
MIMO processes; process supervision.  
Fecha de envío: 03-02-2026 Fecha de aceptación: 21-05-2026  
Fecha de publicación: 25-06-2026  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
1. INTRODUCCIÓN  
Los procesos industriales modernos se caracterizan por una creciente complejidad dinámica, una alta interac-  
ción entre variables y una operación bajo condiciones cambiantes de carga, calidad de materia prima y res-  
tricciones operativas. En sectores como la industria química, petroquímica, energética, agroindustrial y de ma-  
nufactura avanzada, estos procesos suelen modelarse como sistemas multivariables de múltiples entradas y  
múltiples salidas (Multiple-Input Multiple-Output, MIMO), en los cuales pequeñas desviaciones pueden pro-  
pagarse rápidamente a través del sistema, generando pérdidas económicas, degradación de la calidad del pro-  
ducto o riesgos operativos significativos (Schwenzer et al., 2021).  
La literatura reciente destaca que este nivel de complejidad dinámica y acoplamiento multivariable limita  
severamente la efectividad de estrategias de control convencionales, especialmente cuando los procesos ope-  
ran cerca de sus límites físicos y económicos. En este contexto, el Control Predictivo Basado en Modelo  
(Model Predictive Control, MPC) se ha consolidado como una de las estrategias de control avanzado más  
empleadas a nivel industrial, debido a su capacidad para anticipar el comportamiento futuro del proceso, ma-  
nejar restricciones explícitas y coordinar de forma óptima múltiples variables manipuladas en sistemas multi-  
variables complejos (Hernandez et al., 2024; Rivero-Contreras et al., 2025; Schwenzer et al., 2021).  
Asimismo, investigaciones recientes evidencian una evolución progresiva del MPC hacia arquitecturas más  
avanzadas e híbridas, en las que se incorporan modelos no lineales y técnicas de aprendizaje automático con  
el objetivo de mejorar la robustez, la adaptabilidad y el desempeño del control bajo condiciones operativas  
altamente variables y estructuralmente complejas (Huang et al., 2023).  
La literatura reciente respalda de manera consistente al Control Predictivo Basado en Modelo (Model Predic-  
tive Control, MPC) como una de las estrategias más robustas para la gestión de procesos industriales multiva-  
riables con restricciones explícitas y elevada complejidad dinámica. Diversos estudios de revisión y aplicaci-  
ones industriales han validado su capacidad para optimizar simultáneamente el desempeño dinámico del pro-  
ceso y el cumplimiento de restricciones operativas, consolidando su adopción en sectores como energía, pe-  
tróleo y gas, procesos químicos complejos y procesos industriales de gran escala (Schwenzer et al., 2021;  
Castelletti et al., 2023; Yu & Long, 2024).  
Estos trabajos evidencian que el MPC puede ofrecer un equilibrio favorable entre calidad de control y efici-  
encia computacional, incluso en escenarios caracterizados por una fuerte interacción multivariable y regíme-  
nes operativos exigentes. No obstante, la literatura también coincide en señalar que el desempeño del MPC  
depende de manera crítica de la fidelidad del modelo interno utilizado para la predicción y de su adecuada  
correspondencia con la dinámica real del proceso (Schwenzer et al., 2021; Jung et al., 2023). En este contexto,  
diversos autores advierten que, si bien el MPC puede mantener un seguimiento adecuado de las referencias y  
una operación estable en lazo cerrado, su acción regulatoria puede ocultar degradaciones estructurales pro-  
gresivas del proceso, tales como desajustes planta–modelo, variaciones paramétricas lentas, degradación de  
actuadores o dinámicas internas no modeladas (Fiedler et al., 2023).  
En procesos industriales MIMO, un controlador MPC puede mantener un desempeño regulatorio aceptable  
sin evidenciar cambios estructurales internos no observables, como desajustes planta–modelo, deriva paramé-  
trica, deterioro de actuadores, envejecimiento de sensores o dinámicas no modeladas. Esto dificulta distinguir  
entre perturbaciones operativas compensables y modificaciones persistentes de la estructura dinámica del  
proceso.  
La brecha principal radica en la limitada disponibilidad de esquemas integrados que combinen control predic-  
tivo multivariable, control estadístico multivariante y modelos neuronales no lineales para detectar, diagnos-  
ticar y gestionar tempranamente dichos cambios en procesos acoplados. Esta limitación evidencia una insufi-  
ciente articulación entre regulación, monitoreo y diagnóstico estructural, especialmente relevante en sectores  
industriales peruanos como minería, energía, agua, cemento y agroindustria, donde predominan alta comple-  
jidad dinámica, variabilidad operativa y crecientes necesidades de digitalización.  
Con el fin de complementar los esquemas de control, el Control Estadístico de Procesos (Statistical Process  
Control, SPC), particularmente en su formulación multivariada (Multivariate Statistical Process Control,  
MSPC), se ha consolidado como una metodología robusta para la supervisión de la estabilidad estadística de  
procesos industriales complejos mediante técnicas estadísticas avanzadas. Herramientas clásicas como el  
estadístico T2 de Hotelling, el error cuadrático de predicción (Squared Prediction Error, SPE) y el Análisis de  
Componentes Principales (Principal Component Analysis, PCA) permiten detectar desviaciones respecto a un  
comportamiento nominal a partir de datos históricos, mediante la reducción de la dimensionalidad y el análi-  
sis de las correlaciones entre variables del proceso. La literatura reciente respalda ampliamente esta aproxi-  
mación. En particular, se ha reportado que el estadístico T2 de Hotelling constituye el indicador MSPC mas  
utilizado en aplicaciones industriales, evidenciando su relevancia práctica y su capacidad para integrar múlti-  
50  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
ples variables en un único índice de supervisión (Ueda & Souza, 2022). Asimismo, el PCA ha demostrado ser  
altamente eficaz para representar sistemas multivariables en espacios de menor dimensión, facilitando un  
monitoreo más preciso y eficiente del proceso al preservar la estructura de correlación dominante (Vega et al.,  
2022). De forma complementaria, se han propuesto extensiones avanzadas del MSPC, como el PCA direcci-  
onal, las cuales mejoran significativamente las capacidades diagnósticas del sistema de supervisión, acele-  
rando la detección de fallos y permitiendo una identificación más precisa de las variables responsables de las  
desviaciones observadas (Li et al., 2021).  
Sin embargo, los enfoques clásicos de supervisión de procesos basados en control estadístico multivariable  
presentan limitaciones estructurales cuando se enfrentan a dinámicas no lineales, acoplamientos fuertes entre  
variables y cambios persistentes en el comportamiento del proceso. Estudios recientes en monitoreo de pro-  
cesos industriales señalan que los métodos estadísticos tradicionales, aun en sus variantes multivariables,  
tienden a perder sensibilidad ante dinámicas complejas y no estacionarias, lo que dificulta la discriminación  
entre perturbaciones externas transitorias y cambios estructurales internos del sistema (Melo et al., 2024).  
Estas limitaciones han motivado el uso de modelos alternativos capaces de representar explícitamente la no  
linealidad y la dinámica del proceso. En particular, las redes neuronales artificiales han demostrado una ele-  
vada capacidad para modelar procesos industriales complejos, capturando relaciones dinámicas y no lineales  
que no son fácilmente representables mediante modelos lineales o basados en primeros principios. Su aplica-  
ción ha sido ampliamente documentada en tareas de detección y diagnóstico de fallos, predicción y modelado  
dinámico, tanto en procesos benchmark como en aplicaciones industriales reales (Cavalcanti et al., 2021;  
Wang et al., 2022; Zheng et al., 2022).  
Además de las redes neuronales artificiales, la literatura reporta alternativas para el modelado no lineal, la  
supervisión estructural y la detección de fallas en procesos MIMO, tales como SVM/SVR, procesos gaussia-  
nos, bosques aleatorios, modelos neurodifusos, DPCA, Kernel PCA y arquitecturas LSTM. Estas técnicas  
ofrecen capacidades complementarias en aproximación no lineal, clasificación de anomalías, tratamiento de  
incertidumbre, análisis temporal e interpretación de patrones dinámicos. No obstante, en este estudio se se-  
leccionan las RNA por su equilibrio entre capacidad de aproximación no lineal, compatibilidad con esquemas  
MPC–MSPC, implementación fuera de línea e integración no intrusiva en el lazo de control. Por tanto, la  
RNA no se asume como una alternativa universalmente superior, sino como una opción metodológicamente  
adecuada para la supervisión estructural temprana en procesos industriales MIMO.  
No obstante, la literatura especializada también advierte que la incorporación directa de modelos neuronales  
profundos en esquemas de control o supervisión puede introducir desafíos relevantes asociados a la interpre-  
tabilidad, la estabilidad en lazo cerrado y la aceptación industrial. En particular, trabajos recientes destacan la  
necesidad de evaluar cuidadosamente la integración de modelos neuronales dentro de arquitecturas de control  
predictivo, con el fin de garantizar estabilidad, trazabilidad y desempeño consistente del sistema bajo condi-  
ciones operativas variables (Ren et al., 2022) Estas consideraciones refuerzan la conveniencia de enfoques  
híbridos que combinen la robustez de los métodos estadísticos con la capacidad de representación no lineal  
de las redes neuronales.  
A pesar de estos avances, persiste un vacío científico relevante: la ausencia de una arquitectura  
integrada, metodológicamente controlada y experimentalmente validada que permita distinguir de forma con-  
sistente perturbaciones externas de cambios estructurales internos en sistemas MIMO, sin comprometer el  
desempeño de la regulación automática ni introducir complejidad innecesaria en el lazo de control. En parti-  
cular, se identifica una carencia de enfoques que utilicen redes neuronales artificiales como modelos de refe-  
rencia no lineales con fines de supervisión estructural, integradas de forma no intrusiva junto con MPC y  
MSPC, y evaluadas mediante métricas cuantitativas,  
reproducibles y alineadas con la práctica industrial. En respuesta a esta problemática, el presente estudio  
propone y evalúa una arquitectura integrada para la detección y gestión de cambios estructurales en procesos  
industriales MIMO, combinando control predictivo multivariable, control estadístico de procesos y redes  
neuronales artificiales. El objetivo principal es demostrar que dicha integración permite discriminar perturba-  
ciones externas de cambios estructurales internos, mejorar la detección temprana de desviaciones severas y  
reducir la tasa de falsas alarmas, sin afectar significativamente el desempeño de regulación ni incrementar el  
esfuerzo de control. La contribución fundamental radica en el uso de ANN como modelos de referencia no  
lineales para la evaluación de consistencia estructural, validados mediante un diseño experimental controlado  
y reproducible, utilizando métricas coherentes con la literatura científica y con las exigencias del entorno  
industrial.  
51  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
2. METODOLOGÍA  
2.1 Objeto de estudio  
El objeto de estudio de la presente investigación es la detección y gestión de cambios estructurales internos  
en procesos industriales multivariables acoplados, modelados como sistemas de múltiples entradas y múlti-  
ples salidas (MIMO), que operan bajo condiciones dinámicas y restricciones operativas. El interés central no  
radica únicamente en la identificación de desviaciones estadísticas, sino en el análisis causal de alteraciones  
persistentes en la relación dinámica entrada–salida que define el comportamiento nominal del proceso. En  
este contexto, el estudio se orienta a evaluar el desempeño de una arquitectura integrada de control y supervi-  
sión, compuesta por Control Predictivo Basado en Modelo (MPC), Control Estadístico de Procesos Multiva-  
riado (MSPC) y Redes Neuronales Artificiales (ANN), con el objetivo de discriminar perturbaciones externas  
y condiciones operativas esperadas de cambios estructurales internos del proceso, preservando simultánea-  
mente un desempeño adecuado de regulación en lazo cerrado.  
El análisis experimental se desarrolla sobre el Shell Heavy Oil Fractionator (SHOF), un benchmark industrial  
MIMO ampliamente utilizado en la literatura especializada en control predictivo multivariable para la evalu-  
ación de estrategias avanzadas de control, supervisión y optimización. El SHOF representa un proceso diná-  
mico acoplado de tres variables manipuladas y tres variables controladas, caracterizado por interacciones  
cruzadas, retardos de transporte y restricciones operativas, constituyendo un entorno de prueba representativo  
de procesos industriales reales de gran escala. Dicho benchmark se emplea exclusivamente como planta de  
simulación, permitiendo la generación controlada de escenarios nominales y no nominales bajo condiciones  
completamente reproducibles, sin constituir en sí mismo el objeto de estudio de la investigación.  
2.1 Enfoque metodológico y diseño experimental  
La investigación adopta un enfoque cuantitativo, experimental y reproducible, basado en simulaciones con-  
troladas del benchmark SHOF. Se implementa un diseño experimental sistemático, en el cual se definen es-  
cenarios operativos mutuamente excluyentes, permitiendo evaluar de manera aislada y comparativa el com-  
portamiento de cada componente de la arquitectura propuesta frente a perturbaciones externas y cambios es-  
tructurales internos.  
Todos los experimentos se ejecutan bajo condiciones estrictamente reproducibles, empleando semillas aleato-  
rias fijas, parámetros explícitamente documentados y condiciones iniciales idénticas, lo que garantiza la tra-  
zabilidad, repetibilidad y verificabilidad de los resultados por parte de investigadores independientes.  
Figura 1. Arquitectura integrada MPC+MSPC+ANN propuesta para supervisión estructural de procesos industriales  
MIMO.  
52  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
2.2 Control predictivo multivariable (MPC)  
La regulación del proceso se implementa mediante Control Predictivo Basado en Modelo (MPC), el cual ac-  
túa como mecanismo principal de control en lazo cerrado en todos los escenarios evaluados. El MPC se di-  
seña a partir de un modelo lineal nominal discreto del SHOF, incorporando explícitamente restricciones so-  
bre las variables manipuladas y sus tasas de variación, en concordancia con prácticas industriales reales.  
Los horizontes de predicción y control, así como los pesos asociados a las variables de salida y a las acciones  
de control, se mantienen constantes a lo largo de todos los experimentos, asegurando la comparabilidad di-  
recta entre escenarios y arquitecturas de supervisión. El MPC permanece activo durante toda la simulación,  
reproduciendo condiciones realistas de operación industrial en las que la regulación del proceso se encuentra  
permanentemente en funcionamiento.  
2.3 Supervisión estadística multivariada (MSPC)  
La supervisión estadística del proceso se implementa mediante Control Estadístico de Procesos Multivariado  
(MSPC), utilizando técnicas de Análisis de Componentes Principales (PCA). El modelo MSPC se calibra  
exclusivamente bajo condiciones nominales estacionarias, empleando como variables de entrada los residuos  
del modelo predictivo lineal del MPC, lo que permite desacoplar el desempeño de control de la detección  
estadística.  
A partir de esta calibración se obtienen los estadísticos multivariables Hotelling T² y Squared Prediction Er-  
ror (SPE), junto con sus respectivos límites de control definidos para un nivel de confianza estadística fijo.  
Una vez concluida la calibración, el esquema MSPC se mantiene estrictamente invariante y se aplica sin reca-  
libración en todos los escenarios no nominales, permitiendo evaluar de manera objetiva su capacidad intrín-  
seca de detección frente a perturbaciones externas y cambios estructurales internos, sin introducir sesgos  
adaptativos.  
2.4 Modelo neuronal artificial como referencia no lineal  
Las redes neuronales artificiales (ANN) se emplean como modelos de referencia no lineales, con fines exclu-  
sivos de supervisión estructural. La ANN se entrena previamente en modalidad fuera de línea, utilizando da-  
tos generados bajo condiciones nominales y perturbadas, y permanece fija durante la ejecución de todos los  
experimentos.  
La ANN no interviene en el lazo de control, evitando problemas asociados a estabilidad, interpretabilidad y  
ajuste en línea. La supervisión basada en ANN se realiza mediante el análisis del error de predicción, el cual  
se somete a un esquema MSPC independiente, permitiendo detectar desviaciones estructurales persistentes  
no capturadas por el modelo lineal nominal del MPC.  
2.5 Escenarios experimentales  
En la Tabla 1 se definen múltiples escenarios experimentales reproducibles, diseñados para representar situa-  
ciones relevantes en entornos industriales. Cada escenario se caracteriza por un instante de ocurrencia clara-  
mente definido, permitiendo una evaluación objetiva del tiempo de detección y del comportamiento post-  
evento de los sistemas de  
supervisión.  
Tabla 1: Escenarios de simulación considerados y su interpretación operativa.  
Escenario  
Perturbación / evento aplicado  
Interpretación operativa  
Naturaleza de la desvia-  
ción  
S0_NOMINAL  
Sin cambios; operación  
nominal (in-control)  
Régimen nominal de  
referencia para calibración  
y comparación  
Variabilidad estadística  
mínima (sin cambio  
estructural)  
S2_10  
S2_20  
Sesgo aditivo en MV:  
+10 % en u1a partir de k0  
Perturbación manipulada /  
desviación en actuador o  
señal de mando  
Desviación operativa  
inducida en u (sin cambio  
estructural)  
Sesgo aditivo en MV:  
+20 % en u1a partir de k0  
Perturbación manipulada  
de mayor severidad  
(condición más exigente)  
Desviación operativa  
inducida en u (sin cambio  
estructural)  
53  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
Escenario  
Perturbación / evento aplicado  
Interpretación operativa  
Naturaleza de la desvia-  
ción  
S4  
Referencia agresiva:  
+20 % en r para activar restricciones  
Operación restringida por  
límites de actuadores (régi-  
men saturado)  
Desviación operativa con  
restricciones activas (sin  
cambio estructural)  
S5  
Deriva interna de ganancia  
en planta: +30 % post k0  
Cambio estructural interno  
(alteración persistente de la  
relación entrada–salida)  
Cambio estructural interno  
(inconsistencia modelo–  
planta)  
2.6 Métricas de evaluación  
El desempeño de las arquitecturas evaluadas se cuantifica mediante métricas ampliamente aceptadas en la  
literatura y se muestran en la Tabla 2. Para la supervisión estadística se emplean indicadores como el Avera-  
ge Run Length (ARL), la tasa de falsas alarmas (FAR) y la ocupación de alarma post-evento. El desempeño  
de control se evalúa mediante métricas de error de seguimiento (RMSE y MAE) y mediante indicadores de  
esfuerzo de control basados en la energía de las variaciones de las acciones manipuladas.  
Estas métricas permiten una evaluación objetiva, trazable y reproducible del compromiso entre desempeño de  
regulación y capacidad de supervisión estructural.  
Tabla 2. Métricas empleadas para la evaluación del desempeño de control y supervisión estadística  
Escenarios  
Métrica Dominio  
Definición  
Base de cálculo  
Número esperado de muestras entre  
instante del evento k0 y el primer  
el  
instante  
kd en que el estadístico  
Longitud media de corrida desde la ocu-  
rrencia de un evento hasta su detección  
sostenida  
ARL1  
Supervisión  
S2–S5  
MSPC excede el límite de control  
durante  
L
muestras consecutivas.  
Fracción de muestras previas al even-  
to en las que el estadístico MSPC  
excede el límite de control sin pre-  
sencia de cambio estructural.  
Tasa de falsas alarmas bajo operación  
nominal previa al evento.  
S0, S1  
FARpre Supervisión  
Proporción de muestras posteriores  
al evento en las que el estadístico  
MSPC permanece por encima del  
límite de control.  
Ocupación temporal del estado de  
S2–S5  
AORpost Supervisión alarma posterior al evento.  
Raíz del promedio del error cuadráti-  
co entre la salida del proceso y la  
referencia.  
Error cuadrático medio de seguimiento.  
Todos  
RMSE  
Control  
Promedio del valor absoluto del  
error entre la salida del proceso y la  
referencia  
Todos  
Todos  
MAE  
J∆u  
Control  
Control  
Error absoluto medio de seguimiento  
Índice de esfuerzo de control.  
Suma de la energía de las variacio-  
nes  
sucesivas de las acciones manipuladas  
3. RESULTADOS Y DISCUSIÓN  
Los resultados obtenidos muestran que las arquitecturas evaluadas mantienen un desempeño de control com-  
parable bajo todos los escenarios considerados. En particular, los indicadores globales de error de seguimien-  
J
to (RMSE y MAE) y el esfuerzo de control asociado a la variación de las variables manipuladas ∆u pre-  
sentan valores comparables dentro del margen operativo observado entre el esquema MPC convencional (no  
mostrado por brevedad), el esquema MPC con supervisión estadística (MPC+MSPC) y la arquitectura inte-  
54  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
grada MPC+ANN+MSPC. Este comportamiento consistente se observa tanto en escenarios de perturbación  
escalonada como en condiciones de operación forzada con activación de restricciones, lo que evidencia que  
la incorporación de mecanismos adicionales de supervisión no degrada el desempeño de regulación ni intro-  
duce penalizaciones significativas en la acción de control.  
Tabla 3. Comparación integrada del desempeño regulatorio y la capacidad de supervisión estructural bajo distintos esce-  
narios operativos en un sistema MIMO  
Escenario Arquitectura  
RMSE_all MAE_all  
J
ARL  
2
FAR_pre AOR_post  
∆u  
1
S2_10  
S2_10  
S2_20  
S2_20  
S4  
MPC+MSPC_L  
0,0309  
0,0309  
0,0562  
0,0562  
0,0257  
0,0257  
0,0213  
0,0213  
0,0233 1,5484  
0,0233 1,5484  
0,0401 1,5773  
0,0167  
0,0333  
0,0167  
NDS  
0,9890  
0,0276  
0,9945  
0,0608  
0,0055  
0,0331  
0,9834  
0,1492  
MPC+ANN+MSPC_ANN  
MPC+MSPC_L  
NDS  
1
MPC+ANN+MSPC_ANN  
MPC+MSPC_L  
0,0401 1,5773 NDS  
0,0157 5,1784 NDS  
0,0157 5,1784 NDS  
0,0167  
0,0333  
0,0167  
0,0333  
S4  
MPC+ANN+MSPC_ANN  
MPC+MSPC_L  
S5  
0,0165 1,9089  
3
S5  
MPC+ANN+MSPC_ANN  
0,0165 1,9089 NDS  
Nota:  
Valores menores son deseables para RMSE, MAE, FAR_pre, AOR_post y JΔu. Un menor ARL₁ indica una detección  
sostenida más rápida cuando está definida. NDS (No Detection Sustained) indica ausencia de detección sostenida bajo el criterio  
L=3 consistente con escenarios sin cambio estructural interno.  
En consecuencia, los resultados confirman que la arquitectura propuesta preserva las propiedades fundamen-  
tales del MPC como regulador multivariable, condición indispensable para su viabilidad en aplicaciones  
industriales reales.Las siguientes tablas resumen simultáneamente el desempeño de control y la capacidad de  
supervisión estructural, permitiendo distinguir entre variabilidad operativa esperada y cambios estructurales  
internos del proceso.  
Aunque el desempeño de control se mantiene comparable entre arquitecturas, las diferencias emergen con  
claridad en los indicadores de supervisión estadística, como se resume en la Tabla 3. En los escenarios de  
perturbación escalonada aplicadas a las variables manipuladas (S2_10 y S2_20), el esquema basado en  
MSPC sobre el residual lineal del modelo nominal (MSPC_L) exhibe una detección sostenida rápida (ARL1  
bajo), pero acompañada de una ocupación de alarma post-evento cercana a la unidad (AOR_post ≈ 1), lo que  
evidencia una alta sensibilidad con baja selectividad. En contraste, la supervisión basada en el error de pre-  
dicción neuronal (MSPC_ANN) reduce de manera sustancial la ocupación de alarma post-evento (AOR_post  
bajo a moderado) y limita la longitud de rachas consecutivas de alarma, sugiriendo un comportamiento más  
selectivo y menos propenso a generar fatiga de alarmas. Este contraste es coherente con la naturaleza de las  
señales supervisadas: mientras el residual lineal eL cuantifica desviaciones respecto al modelo lineal nominal  
y puede amplificar transitorios compensables por el controlador, el error neuronal eANN actúa como un indi-  
cador de consistencia estructural no lineal, permitiendo discriminar de forma más efectiva entre perturbacio-  
nes operativas y desviaciones persistentes del comportamiento aprendido del proceso.  
Un resultado particularmente relevante se observa en el escenario S4, diseñado para representar una condi-  
ción operativa exigente pero esperada, en la cual el proceso es forzado mediante un cambio agresivo de refe-  
rencia que activa restricciones en las variables manipuladas, como se resume en la Tabla 1. En este escenario,  
ambas arquitecturas —MPC+MSPC_L y MPC+ANN+MSPC_ANN— mantienen un desempeño de control  
estable, con errores de seguimiento y esfuerzo de control comparables, confirmando la capacidad del MPC  
para gestionar restricciones explícitas sin pérdida significativa de regulación. Desde la perspectiva de super-  
visión, ninguno de los esquemas presenta detección sostenida de cambios estructurales (ARL1 no definido), y  
las tasas de ocupación de alarma post-evento permanecen bajas, lo que indica una adecuada discriminación  
entre una condición operativa exigente y una falla estructural interna. Este resultado es particularmente rele-  
vante desde el punto de vista industrial, ya que demuestra que la arquitectura integrada no confunde la acti-  
vación de restricciones—un comportamiento inherente al diseño del MPC— con degradaciones estructurales  
del proceso, evitando así la generación de falsas alarmas en situaciones de operación normal, pero extrema.  
En consecuencia, el escenario S4 valida la robustez semántica del esquema de supervisión propuesto, al pre-  
servar la coherencia entre la lógica de control y la interpretación estadística de las señales de monitoreo.  
Tabla 4. Respuesta de los esquemas de supervisión ante un escenario operativo exigente sin modificación estructural  
interna  
Arquitectura  
ARL1  
FARpre  
AORpost  
Rachas (máx.)  
Interpretación  
MPC + MSPC_L  
NDS  
0,0167  
0,0055  
1
Operación exigente  
55  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
Arquitectura  
ARL1  
FARpre  
AORpost  
Rachas (máx.)  
Interpretación  
NDS  
MPC + ANN + MSPCANN  
0,0333  
0,0331  
6
Operación exigente  
ARL₁ no definido (NDS) indica ausencia de detección sostenida bajo el criterio L=3, coherente con un esce-  
Nota:  
nario de operación exigente sin pérdida de causalidad entrada–salida. FAR_pre corresponde a la tasa de falsas  
alarmas previa al evento. AOR_post representa la ocupación de alarma posterior al evento. Rachas (máx.) Indica  
máxima longitud de secuencias consecutivas de alarma tras la activación de restricciones  
Con el fin de evaluar la sanidad estadística del esquema de supervisión propuesto, se analizaron métricas pre-  
evento y post-evento orientadas a verificar la ausencia de alarmas espurias y la correcta interpretación de las  
condiciones operativas normales. Los resultados, resumidos en la Tabla 5, muestran que tanto el esquema  
MPC+MSPC como la arquitectura integrada MPC+ANN+MSPC_ANN presentan tasas de falsas alarmas  
pre-evento reducidas (FAR_pre < 0,05) y ausencia de alarmas anticipadas (preAlarm = 0) en todos los esce-  
narios evaluados. Asimismo, los valores acotados de rachas máximas consecutivas post-evento confirman  
que la activación de alarmas no responde a saturaciones estadísticas ni a ruido persistente, sino a condiciones  
dinámicas coherentes con los eventos introducidos en cada escenario.  
Tabla 5. Evaluación de la sanidad estadística y persistencia de alarmas del esquema de supervisión bajo escenarios  
operativos y cambios estructurales.  
Arquitectura  
Escenario  
FARpre  
0,0167  
0,0333  
0,0167  
0,0333  
PreAlarm  
maxRunpost  
MPC + MSPC_L  
MPC + ANN + MSPCANN  
MPC + MSPC_L  
S4  
S4  
S5  
S5  
0
0
0
0
1
2
178  
2
MPC + ANN + MSPCANN  
Nota:  
FAR_pre corresponde a la tasa de falsas alarmas previa al evento. PreAlarm indica la presencia de alarmas  
anticipadas antes del instante de ocurrencia del evento. maxRun_post representa la máxima longitud de rachas con-  
.
secutivas de alarma tras el evento, utilizada como indicador de persistencia y potencial fatiga de alarmas  
En conjunto, estos resultados evidencian que la arquitectura propuesta mantiene una supervisión estadísti-  
camente sana, evitando la confusión entre variabilidad operacional esperada y cambios estructurales reales  
del proceso.  
Los resultados obtenidos concuerdan con estudios recientes que documentan las limitaciones de los enfoques  
convencionales de MSPC frente a dinámicas no lineales y a condiciones operativas no estacionarias en pro-  
cesos industriales complejos (Melo et al., 2024). En particular, la reducción observada en la ocupación de  
alarmas tras eventos y la mayor capacidad para discriminar entre perturbaciones operativas transitorias y  
cambios estructurales persistentes son compatibles con comportamientos reportados en arquitecturas híbridas  
basadas en aprendizaje supervisado. De forma análoga, los hallazgos muestran afinidad conceptual con los  
enfoques LSTM–MPC descritos por Huang et al. (2023), donde la incorporación de modelos no lineales me-  
jora la representación dinámica del proceso; no obstante, en el presente trabajo la red neuronal se emplea  
exclusivamente como referencia estructural en modo fuera de línea, evitando su inserción directa en el lazo  
de control. Complementariamente, los resultados respaldan las recomendaciones metodológicas de Ren et al.  
(2022), que abogan por la integración de modelos neuronales en arquitecturas de supervisión y control pre-  
servando criterios de estabilidad, interpretabilidad y viabilidad operativa industrial.  
4. CONCLUSIONES  
La presente investigación confirma que la integración no intrusiva de control predictivo multivariable, con-  
trol estadístico de procesos y redes neuronales artificiales constituye una arquitectura eficaz y metodológica-  
mente consistente para la detección y gestión de cambios estructurales en procesos industriales MIMO. La  
arquitectura propuesta permite discriminar de forma confiable entre perturbaciones externas operativas y mo-  
dificaciones internas persistentes del proceso, sin comprometer el desempeño de regulación en lazo cerrado.  
Los resultados obtenidos mediante simulaciones controladas y reproducibles demuestran que el control pre-  
dictivo multivariable mantiene un comportamiento regulatorio adecuado incluso bajo escenarios exigentes  
con activación de restricciones. Asimismo, la incorporación de redes neuronales artificiales como modelos de  
referencia no lineales aporta evidencia complementaria de inconsistencias estructurales no capturadas por el  
modelo nominal, reduciendo la ocupación y persistencia de alarmas y evitando la confusión entre saturacio-  
nes operativas esperadas y fallas estructurales reales, sin introducir complejidad adicional en el lazo de con-  
trol.  
56  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
La evaluación cuantitativa mediante métricas de desempeño de control y supervisión valida que la arquitectu-  
ra integrada mejora la detección temprana de cambios estructurales severos y refuerza la robustez global del  
esquema de supervisión. Además, mantiene niveles comparables de error de seguimiento y esfuerzo de con-  
trol respecto a enfoques convencionales, cerrando así la brecha existente entre regulación multivariable efici-  
ente y supervisión estructural confiable identificada en la literatura.  
La arquitectura propuesta presenta potencial aplicación en procesos industriales peruanos de alta complejidad  
dinámica, particularmente en circuitos de molienda y flotación minera, así como en sistemas termoenergéti-  
cos y plantas de tratamiento de agua. En minería, la integración MPC+MSPC+ANN podría contribuir a de-  
tectar tempranamente degradaciones operativas, desajustes planta–modelo y variaciones persistentes en vari-  
ables críticas de recuperación y molienda, reduciendo falsas alarmas y pérdidas de eficiencia. En sistemas de  
agua y energía, permitiría mejorar la supervisión de procesos multivariables sujetos a perturbaciones y res-  
tricciones operativas.  
Los principales costos de implementación se asocian a instrumentación industrial, integración computacional  
y calibración de modelos, mientras que los beneficios potenciales incluyen mayor confiabilidad operativa,  
reducción de alarmas espurias, mejor capacidad diagnóstica y soporte a estrategias de mantenimiento predic-  
tivo. Entre los riesgos principales destacan la dependencia de datos representativos, la complejidad de inte-  
gración industrial y la necesidad de validación experimental bajo condiciones reales de operación.  
La arquitectura propuesta presenta como fortalezas principales la integración no intrusiva entre MPC, MSPC  
y ANN, la preservación del desempeño regulatorio y la mejora en la discriminación entre perturbaciones ope-  
rativas y cambios estructurales persistentes. Asimismo, el enfoque mantiene interpretabilidad operacional y  
compatibilidad con esquemas industriales convencionales de supervisión y control. No obstante, el trabajo  
presenta limitaciones asociadas a la dependencia de datos representativos para el entrenamiento neuronal, la  
ausencia de validación experimental en planta real y la evaluación restringida a un benchmark industrial si-  
mulado. Adicionalmente, el desempeño del esquema puede verse afectado ante dinámicas altamente no esta-  
cionarias, cambios abruptos de régimen o condiciones operativas no incluidas durante el entrenamiento del  
modelo neuronal.  
Como proyección futura, se recomienda extender el enfoque propuesto hacia escenarios con dinámicas no  
estacionarias de mayor complejidad e incertidumbre, así como validar experimentalmente la arquitectura en  
plantas piloto o procesos industriales reales. Asimismo, futuras investigaciones podrían incorporar estrategias  
de aprendizaje profundo adaptativo, reentrenamiento en línea, transferencia de aprendizaje, métodos híbridos  
de diagnóstico y mecanismos de interpretabilidad para fortalecer la capacidad de supervisión estructural bajo  
condiciones industriales variables y de gran escala.  
REFERENCIAS BIBLIOGRÁFICAS  
Castelletti, A., Ficchì, A., Cominola, A., Segovia, P., Giuliani, M., Wu, W., Lucia, S., Ocampo-Martinez, C.,  
De Schutter, B., & Maestre, J. M. (2023). Model predictive control of water resources systems: A review  
and research agenda. Annual Reviews in Control, 55, 442–465.  
https://doi.org/10.1016/j.arcontrol.2023.03.013  
Cavalcanti, F., Kozonoe, C. E., Pacheco, K., & Alves, R. M. B. (2021). Application of artificial neural net-  
works to chemical and process engineering. In Deep learning applications. IntechOpen.  
https://doi.org/10.5772/intechopen.96641  
Fiedler, F., Karg, B., Lüken, L., Brandner, D., Heinlein, M., Brabender, F., & Lucia, S. (2023). do-mpc: To-  
wards FAIR nonlinear and robust model predictive control. Control Engineering Practice, 140, 105676.  
https://doi.org/10.1016/j.conengprac.2023.105676  
Hernandez, C., Matta, N., Almadhoun, W., Chelligue, T., Palomino, C., Alhammo, A., Ayoubi, R., Arnaout,  
A., Penubarthi, S., Pandey, M., Abdullayev, A., Sabbagh, A. A., Asarpota, J., Mijares, G., & Damarla, P.  
(2024). Revolutionizing oil field operations: Implementing multivariable predictive control to drive au-  
tonomous well control operations. ADIPEC. https://doi.org/10.2118/222967-MS  
Herrera Vega, J. C., de Jesús Rahmer, B., & Herrera Vidal, G. (2022). Análisis de componentes principales  
(ACP) aplicados al control estadístico de procesos multivariados. Investigación e Innovación en Inge-  
nierías, 10(1), 17–29. https://doi.org/10.17081/invinno.10.1.4972  
Huang, K., Wei, K., Li, F., Yang, C., & Gui, W. (2023). LSTM-MPC: A deep learning based predictive con-  
trol method for multimode process control. IEEE Transactions on Industrial Electronics, 70(11), 11544–  
11554. https://doi.org/10.1109/TIE.2022.3229323  
57  
Prado, C.; revista Sciéndo Ingenium, v. 22, n. 2, pp. 49 – 58, 2026.  
Jung, M., Mendes, P. R. d. C., Önnheim, M., & Gustavsson, E. (2023). Model predictive control when utiliz-  
ing LSTM as dynamic models. Engineering Applications of Artificial Intelligence, 123, 106226.  
https://doi.org/10.1016/j.engappai.2023.106226  
Li, J., Ding, D., & Tsung, F. (2021). Directional PCA for fast detection and accurate diagnosis: A unified  
framework. IEEE Transactions on Cybernetics. https://doi.org/10.1109/TCYB.2021.3070590  
Melo, A., Câmara, M., & Pinto, J. C. (2024). Data-driven process monitoring and fault diagnosis: A compre-  
hensive survey. Processes, 12(2), 251. https://doi.org/10.3390/pr12020251  
Ren, Y. M., Alhajeri, M. S., Luo, J., Chen, S., Abdullah, F., Wu, Z., & Christofides, P. D. (2022). A tutorial  
review of neural network modeling approaches for model predictive control. Computers & Chemical En-  
gineering, 165, 107956. https://doi.org/10.1016/j.compchemeng.2022.107956  
Rivero-Contreras, R. E., Zamarreño, J. M., & Tadeo, F. (2025). Avances en el control predictivo para con-  
troladores lógicos programables. Revista Iberoamericana de Automática e Informática Industrial, 23(1),  
13–24. https://doi.org/10.4995/riai.2025.22466  
Schwenzer, M., Ay, M., Bergs, T., & Abel, D. (2021). Review on model predictive control: An engineering  
perspective. The International Journal of Advanced Manufacturing Technology, 117(5–6), 1327–1349.  
https://doi.org/10.1007/s00170-021-07682-3  
Ueda, R. M., & Souza, A. M. (2022). An effective approach to detect the source(s) of out-of-control signals  
in productive processes by vector error correction (VEC) residual and Hotelling’s T² decomposition tech-  
niques. Expert Systems with Applications, 187, 115979. https://doi.org/10.1016/j.eswa.2021.115979  
Wang, K., Chen, J., Song, Z., Wang, Y., & Yang, C. (2022). Deep neural network-embedded stochastic non-  
linear state-space models and their applications to process monitoring. IEEE Transactions on Neural  
Networks and Learning Systems, 33(12), 7682–7694. https://doi.org/10.1109/TNNLS.2021.3086323  
Yu, Z., & Long, J. (2024). Review on advanced model predictive control technologies for high-power con-  
verters and industrial drives. Electronics, 13(24), 4969. https://doi.org/10.3390/electronics13244969  
Zheng, J., Ma, L., Wu, Y., Ye, L., & Shen, F. (2022). Nonlinear dynamic soft sensor development with a  
supervised hybrid CNN–LSTM network for industrial processes. ACS Omega, 7(19), 16653–16664.  
https://doi.org/10.1021/acsomega.2c01108  
58