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
DOI:
https://doi.org/10.17268/scien.inge.2026.02.04Palabras clave:
control predictivo multivariable, control estadístico de procesos, redes neuronales artificiales, procesos MIMO, supervisión de procesosResumen
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 operativa entre perturbaciones externas, condiciones operativas esperadas y cambios estructurales internos del proceso, preservando un desempeño adecuado de regulación en lazo cerrado. La metodología se basa en simulaciones 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 escenario 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.
Referencias
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 control method for multimode process control. IEEE Transactions on Industrial Electronics, 70(11), 11544–11554. https://doi.org/10.1109/TIE.2022.3229323
Jung, M., Mendes, P. R. d. C., Önnheim, M., & Gustavsson, E. (2023). Model predictive control when utilizing 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 re-view of neural network modeling approaches for model predictive control. Computers & Chemical Engi-neering, 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 su-pervised hybrid CNN–LSTM network for industrial processes. ACS Omega, 7(19), 16653–16664. https://doi.org/10.1021/acsomega.2c01108
Publicado
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:
- Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.
- Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.
- Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado
