MEJORAS EN EL CONTROL DE NIVEL EN UN

SEPARADOR DE PETRLEO CRUDO

USANDO RED NEURONAL PARA EL AJUSTE DEL
CONTROLADOR PID ASOCIADO
Lyon, Euclides

Camejo, Juan

UNEXPO Vice-Rectorado Puerto Ordaz

(Recibido 14/11/14 - Aceptado 11/12/14)

Resumen: Se ejecut un proyecto para mejorar el desempeo del control de nivel en un separador
de crudo, asociado a una estacin de deshidratacin de la empresa petrolera del estado venezolano.
La separacin inadecuada del lquido-gas afecta negativamente el proceso de deshidratacin de
crudo posterior. Se recolectaron datos del proceso mediante una aplicacin desarrollada en un
lenguaje de alto nivel, se model y simul el separador, se ajustaron los parmetros del controlador
PID utilizando la metodologa PIDNN, se simul el lazo de control de nivel y se implementaron
los cambios en el autmata de la planta . Se obtuvo un modelo de segundo orden para el separador,
un controlador PID con accin derivativa nula y una banda muerta alrededor del valor final
deseado . Los indicadores de error ISE, IAE e ITAE mejoraron en 64, 67 y 90 % respectivamente,
el establecimiento del sistema mejor en 64%, se elimin la tendencia al sobre impulso y se logr
un descanso en la actividad del elemento final gracias a la Introduccin de la banda muerta, lo
anterior configura unos resultados satisfactorios en la simulacin e implementacin. El estudio
puede ser extrapolado a otros separadores que funcionen bajo condiciones y exigencias similares.
Palabras claves: Control de nivel, Modelado, Separador lquido-gas de crudo, PIDNN.

IMPROVEMENTS IN THE LEVEL CONTROL IN CRUDE

OIL SEPARATOR
USING NEURAL NETWORK TO ADJUST THE PID
CONTROLLER ASSOCIATED
Abstract: A project was implemented to improve the control performance level in oil separator
associated with dehydration station of the Venezuelan State oil company. Inadequate liquidgas separation adversely affects the subsequent crude oil dehydration process. Were collected
process data using an application developed in a high level language, is modeled and it simulated
the separator, adjusted the parameters of the PID controller using the PIDNN methodology,
simulated level control loop and implemented changes in plant Automat. A model of second
order for the separator, a PID controller with zero derivative action and a band dead around the
desired final value was obtained. ISE, IAE and ITAE error indicators improved in 64, 67 and
90% respectively, the establishment of the system improved in 64%, it eliminated the tendency to
overshoot and managed a break in the activity of the final element thanks to the introduction of
the dead band, the above set satisfying results in the simulation and implementation. The study
can be extrapolated to other separators which operate under similar requirements and conditions.
Key words: Level control, Modeling, liquid-gas separator of crude oil, PIDNN.

110

UNIVERSIDAD, CIENCIA y TECNOLOGA

Vol. 18, N 72, Septiembre 2014

Lyon, E., Camejo, J., Mejoras en el control de nivel en un separador de petrleo crudo.

I. INTRODUCCIN

frecuentes en los valores de la seal actuante sobre

la vlvula, que provocan juego mecnico o daos
totales producidos por la friccin excesiva de los
elementos. Lo anterior provoca que en el sistema
aparezcan no-linealidades como: zonas muertas,
adherencia esttica, sobre impulsos, desgaste en
las juntas, fallas de lubricacin, degradacin de las
membranas [4], contribuyendo con el aumento en
el mantenimiento y paradas del tren de separacin.

En las estaciones tradicionales de deshidratacin de

crudo existen equipos esenciales, los separadores
liquido-gas [1], los hornos de tratamiento [2] y los
tanques de lavado. La obtencin final del crudo
dentro de las especificaciones internacionales,
requiere de un control adecuado de las variables de
proceso en estos equipos y primordialmente en el
separador. S en este, el nivel es mayor al mximo, se
corre el riesgo que pase lquido al sistema de venteo En el controlador PID antiguo existente antes
causando perdidas de produccin, s ocurre que el del presente estudio, se observ una entonacin
y configuracin inadecuada en sus coeficientes
nivel es menor al mnimo, pasa gas a los hornos.
propios y en los parmetros de tiempo real
Es importante destacar que las variaciones bruscas (muestreo del PID, ciclo de barrido) asociados al
de la vlvula de control del separador, provocan una funcionamiento del autmata fabricado por [5].
variacin proporcional en el flujo de salida del crudo, Para lograr una entonacin eficiente es necesario el
que entra al horno para ser calentado [3]. En el horno modelo del separador, existiendo fundamentalmente
las variaciones de flujo traen como consecuencia dos tendencias en la identificacin de plantas de
paradas por protecciones de bajo o alto flujo y por esta naturaleza: por mtodo analtico o por mtodo
basado en conocimiento del experto como se
temperatura s el crudo entra con gas.
muestran en [6][7][8].
Las variaciones de temperatura y flujo en el
crudo que ingresa al tanque de lavado, producen En este estudio se plantea el modelado de la
desestabilizacin en el proceso de coalescencia del planta a partir de datos recolectados en campo y
tanque, no se produce la separacin efectiva del procesados por un software comercial. El ajuste o
agua y el crudo, se producen fuertes emulsiones y entonacin del controlador PID se realiz mediante
se revuelve el material slido contenido en el fondo un programa de aplicacin implementado en el
del tanque. Producto de lo anterior se desencadenan lenguaje MatLab , que emula un PID mediante
fallas en el instrumento de medicin de interfase y una red neuronal especializada y que se corresponde
por tanto graves problemas en el sistema de control con una metodologa denominada PID neural
del tanque. Una de las medidas tomadas para network (PIDNN) que recoge las bondades de las
controlar la desestabilizacin del tanque de lavado estructuras PID y de la red neuronal tal y como lo
es la dosificacin de productos qumicos, tales manifiestan [9][10][11].
como: des-emulsionantes, humectante de slidos
y rompedores rpidos de emulsin, los cuales En el desarrollo de este artculo se presentan cinco
apartes: Manejo y flujo de datos, Modelado de la
aumentan el costo de produccin.
planta, Entonacin del Controlador, Simulacin
Como consecuencia, el crudo puede salir fuera de y resultados e Implementacin y resultados,
especificaciones y el agua recuperada del proceso seguidamente se presentan las Conclusiones,
no ser apta para la inyeccin. Es conveniente Referencias y Anexos.
destacar que los tiempos de recuperacin de las
condiciones normales del tanque son muy largos y II. DESARROLLO
podran extenderse por varios das.
A. Manejo y flujo de datos
En el sistema de control de nivel del separador, el
conjunto vlvula-actuador-posicionador tambin Los datos de proceso son almacenados en cada
se ve afectado, debido a las variaciones bruscas y ciclo de barrido o Scan, en la memoria del autmata
111

UNIVERSIDAD, CIENCIA y TECNOLOGA

Vol. 18, N 72, Septiembre 2014

PLC, el drive RSLinx de Rockwell Automation,

toma los datos de la memoria del autmata y
mediante enlace dinmico de datos DDE con una
macro desarrollada en Visual Basic, se actualizan
automticamente las celdas en la hoja de Excel
cada 2 segundos. La descripcin de las variables
recolectadas en los registro de la base de datos se
muestran en la tabla 1.
Tabla 1 Variables de la base de datos de proceso

Nombre
HORA
PV
OUT
SP
KP
KI
KD
ERR

Descripcin

Tipo de Dato

Fecha y hora de la muestra Fecha y hora

Variable del proceso (Nivel)
Flotante
% de apertura de vlvula
Flotante
Flotante
Set point de nivel deseado
Coeficiente proporcional
Flotante
Coeficiente Integral
Flotante
Coeficiente Derivativo
Flotante
Error Actual
Flotante

Se estableci un procedimiento, con el

controlador en modo manual, para obtener los
datos correspondientes a la variacin de la accin
de control OUT (% apertura de la vlvula) y de la
variable de proceso PV (Nivel), en una ventana
temporal de 2900 segundos, tomndose muestras
cada 2 segundos, lo cual implica 1450 datos por
variable, la figura 3 muestra la representacin
grfica de los datos llevados a MatLab, para
ser utilizados en la identificacin y validacin
mediante simulacin.

B. Modelado de la planta
Se aplic un mtodo de identificacin experimental
de modelos de proceso [7], utilizando el System
Identification Toolbox de Matlab, el cual utiliza
como entrada los datos de la variable OUT (%
Apertura Vlvula) y como salida los datos de la
variable PV (Nivel en pies).
Previamente se seleccionaron los tramos de
crecimiento del nivel DATA1 y de decrecimiento del
nivel DATA2, para ser utilizados en la identificacin
y en la validacin respectivamente. Se ensay
con diferentes tipos de funciones de transferencia,
finalmente se gener una funcin de transferencia en
la frecuencia compleja S , de estructura compatible
con los procesamientos ulteriores.
En la figura 2 se observan los resultados de la salida
de para el modelo P2ZUn que result ser el ms
ajustado. La similitud (Best Fit) del modelo es mayor
al comparar con DATA1 (71.73%) que cuando se
compara con DATA2 (61.14%), esto es debido a que
el modelo se obtuvo a partir de DATA1.

Como puede observarse en la figura 1, la variable

OUT fue forzada a tomar valores en forma de
Figura 2.Comparacin modelo-datos
escaln para 30 %, 45% y 60 %, lo cual provoc
un comportamiento de la variable PV en forma
cuasi trapezoidal, entre aproximadamente 2.5 y 5.0 El porcentaje de similitud (Best Fit), equivalente
pies, con un tramo de crecimiento, un tramo estable al factor de correlacin R2, se calcula mediante la
y tramo de decrecimiento.
ecuacin 1.

Figura 1. Datos importados desde Matlab

112

(1)

Lyon, E., Camejo, J., Mejoras en el control de nivel en un separador de petrleo crudo.

Donde y es la salida medida, es la simulada o de la respuesta del sistema, tambin se observa que,
salida del modelo, es la media de y.
al insertar el sistema en un lazo cerrado, desmejora
este parmetro. El error en estado estable no es
Se evalu el modelo con tramos diferentes de datos sensible a la presencia del cero, pero el error aparece
figura 3, observndose una buena generalizacin en lazo cerrado, lo que hace presumir la necesidad
en el orden de 63.26 % de similitud.
de un efecto predominantemente integrador en el
controlador para cancelar el efecto. Los datos de
la Tabla 2 se obtuvieron mediante una batera de
comandos de MatLab, los cuales se muestran en
el Anexo 1.
Tabla 2: Parmetros de anlisis de influencia del cero

Parmetro
Figura 3.Validacin con varios tramos de datos.

Lazo
Sin cero
Con cero

Tiempo crecError estado esimiento Seg.

table %
Abierto Cerrado Abierto Cerrado
1670
1810
0
9
862
995
0
9

El modelo P2ZUn, corresponde a una funcin de

transferencia de segundo orden con un par de polos
imaginarios y un cero, obtenida con 20 iteraciones Para la ulterior entonacin del PID mediante red
en el estimador y posee la forma que se muestra en neuronal, es necesario discretizar la planta con un
la ecuacin 2:
retenedor de orden cero. El tiempo de muestreo
utilizado inicialmente para la discretizacin,
(2) se determin mediante el criterio de asumir la
toma de 100 muestras entre el inicio del rgimen
Donde:
transitorio hasta el tiempo de crecimiento Tr=995
seg., obtenido este ltimo para la variacin de
K = 0.10221; Tw = 614.11; Zeta = 0.94211; PV de 0 a 0.8 pies, resultando aproximadamente
Tz = 273.22;
10 seg., no obstante dado que los datos con que
se identific la planta fueron tomados a 2 seg. se
Este tipo de sistemas es analizado en [12], utiliz este ltimo para el entrenamiento de la red
caracterizndolos por que la constante de tiempo neuronal. Esto determin la implementacin final
Tz, asociada a la presencia del cero no afecta el con la toma de aproximadamente 500 nuestras
valor final K, no afecta la cantidad ni localizacin al transcurrir 995 segundos. El resultado de la
de polos, dado que Tz < Tw la dinmica provocada discretizacin con tiempo de muestreo de 2 seg. se
por el cero no introduce comportamiento de sobre presenta en la ecuacin 3
impulso ni de impulso invertido en el momento de
variaciones en la entrada del sistema. El valor del
factor de amortiguacin Zeta, ubica al sistema cerca
(3)
de ser crticamente amortiguado, con tendencia a la
sobre amortiguacin.
C. Entonacin de Controlador
Los parmetros medidos para analizar la influencia El algoritmo PID antiguo, presente en el controlador
del cero en la ecuacin de transferencia se muestran antes de la ejecucin de este proyecto, tiene la
en la Tabla 2, obtenidos como respuesta a un escaln estructura que se muestra en la ecuacin 4.
unitario en lazo abierto y lazo cerrado con ganancia
de controlador unitaria. Se puede observar que la
presencia del cero mejora el Tiempo de crecimiento
(4)
113

UNIVERSIDAD, CIENCIA y TECNOLOGA

Vol. 18, N 72, Septiembre 2014

CV es la accin de control.
Kp, Ki, Kd son las constantes del controlador.
SP es la referencia o valor deseado en la salida PV.
PV es el valor actual en la salida.
E es el error.
Polar valor de correccin de desviaciones.

Es importante resaltar que la accin derivativa no
depende del error, esto mejora el desempeo en el
seguimiento de la referencia SP, debido a que cuando
esta cambia bruscamente, la accin derivativa se
mantiene insensible. De lo contrario magnificara
el efecto en forma de picos en la accin de control
CV, provocando inestabilidad en la salida PV
(variable de proceso). Para la implementacin, de la
propuesta final del presente estudio, no se utilizar
el valor Polar, por considerarlo innecesario.

El objetivo principal es reducir al mnimo el

gradiente de salida de la red, segn la ecuacin 5

(5)
Donde r(k) son las entradas, y(k) la salida de la red
y N el numero de pasos de entrenamiento.
El programa computacional para el entrenamiento
de la red fue desarrollado en un archivo .m de
MATLAB y consta de cuatro diferentes mdulos,
mostrados en la figura 5.

Para el diseo y algoritmo de entrenamiento

de la red neuronal se utiliz una metodologa
denominada PID neural network (PIDNN). La
red utilizada emula el controlador presentado en la
ecuacin 4 y consta de tres capas, una de entrada,
una oculta y una de salida como se muestra en la
figura 4.
En la capa de entrada estn las neuronas SP y PV,
especializadas en acondicionar las denominadas
variables de referencia y de proceso, del lazo de
control. En la capa oculta estn las neuronas P,
I y D, especializadas en emular las funciones
proporcional, integral y derivativa del controlador
PID. La capa de salida est constituida solo por
la neurona CV que suma las tres contribuciones y
genera la salida y que es la variable de control.
Los pesos KP, KI y KD, de las conexiones entre la
capa oculta y la neurona CV, se constituyen en las
constantes tpicas del controlador PID, una vez que
la red ha aprendido, estos valores son colocados en
el PID del autmata de la planta.

Figura 4: Estructura de capas de la red neuronal

114

Figura 5. Algoritmo de aprendizaje de la red neuronal

Mdulo de valores iniciales: Nmero de entradas

y salidas del sistema a ser controlado, valores
iniciales de pesos de las conexiones entre capaz de
red, tasa de aprendizaje y nmero de iteraciones.
Mdulo de clculo directo: Reside la estructura de
la red neuronal que emula el controlador, figura 8.
La rampa de referencia y la salida del sistema, se
realizan funciones PID en la capa oculta. Los pesos
de las conexiones entre la capa oculta y la de salida
equivalen a las constantes del PID. La neurona de
salida genera una seal que se comporta como la
seal de control del sistema.
Mdulo Back Propagation: Se establece la
funcin de costo de la ecuacin 5, en el perodo de
entrenamiento los pesos de conexin de la red que
emula el controlador, son actualizados de acuerdo
con el gradiente de entrenamiento asignado, hasta
que culmine la cantidad de iteraciones programadas
o alcancen los valores adecuados

Lyon, E., Camejo, J., Mejoras en el control de nivel en un separador de petrleo crudo.

Mdulo del Sistema Controlado: Reside la ecuacin

en diferencia producto de la discretizacin del
sistema a controlar.
Se ejecutan un conjunto de cinco rampas de 2000
segundos cada uno, con una duracin total de
10000 segundos, tiempo en el cual se ejecuta todo
el programa obteniendo los parmetros PID.
El proceso de entrenamiento culmina una vez que
la red consigue los valores adecuados para cada
peso, que resultaron ser KP=10.0, KI=0.007 y
KD=0. Es comprensible el valor de KD, debido a
que las seales que llegan a la neurona D, presentan
variaciones casi nulas, por un lado r 2 en la entrada
de la neurona PV es carente de variaciones bruscas
en su pendiente debido a las caractersticas del
modelo obtenido para el separador mostrado en
la ecuacin 2 y a la condicin de diseo w13=0
mostrada en la figura 4.

Figura 6: Grfica de resultados obtenidos bajo

simulacin

Para enfocar el anlisis bajo parmetros relativos

al control ptimo, se midieron los indicadores de
desempeo relativos al error y los de estabilidad
relativa mostrados en la tabla 4.

Comparando la informacin de la figura 6 con la de

tabla 4, para el lazo nuevo se ralentiza la respuesta
D. Simulacin y resultados obtenidos.
pero se establece ms rpido, en realidad en este tipo
de sistema de manejo de material y tambin los que
Se sometieron a prueba bajo simulacin, en
manejan energa, los sobre impulsos y oscilaciones que
forma simultnea los lazos contentivos de los
retardan el establecimiento del rgimen permanente
controladores PID con parmetros antiguos y con
son perjudiciales y son consecuencia de una respuesta
parmetros nuevos obtenidos del aprendizaje de la
brusca, como ocurra en el lazo antiguo.
red neuronal que se muestran en la tabla 3.
Tabla 4: Indicadores de desempeo de los Lazos
Tabla 3: Parmetros de los controladores.

Constantes del
controlador
Kp
Ki
Kd
Tiempo de
muestreo (s)

20
1.5
2

Controlador Nuevo
10
0.007
0

0.05

Controlador Inicial

En la figura 6, se muestran los resultados obtenidos,

en la parte superior se presenta: la referencia
SP (amarillo), salida de nivel con PID antiguo
(morado), salida de nivel con PID nuevo (azul).
En la parte inferior se presenta el % apertura de
la vlvula para el lazo con PID antiguo (amarillo),
el % apertura de la vlvula para el lazo con PID
nuevo (morado).

Indicador de
desempeo

Lazo Antiguo

Lazo Nuevo

ITAE

2.60E+07

2.70E+06

IAE

4190

1398

ISE

1612

588

Ts

2.07E+04

7423

Mp

86.90%

0%

Td

93.02

745.09

Tr

110.86

3514

En la Tabla 4 se observa que los indicadores de error

ITAE, ISE e IAE se reducen entre un 64 y un 90 %
lo cual indica una mejora en el rendimiento del lazo
nuevo, esto implica adecuado manejo de material
y energa. Se mejora el tiempo de establecimiento
(Ts) de 20700 a 7423 seg., esto es deseable para
establecer rpidamente el rgimen permanente. Se
elimina el sobre impulso (Mp) que alcanzaba valores
115

UNIVERSIDAD, CIENCIA y TECNOLOGA

Vol. 18, N 72, Septiembre 2014

de 86.9 %, lo cual se manifestaba en campo como

una ingobernabilidad del lazo y prdida de material,
energa y disponibilidad de la planta. Se ralentiza el
crecimiento de la respuesta aumentando los tiempos
de retardo (Td) y de crecimiento (Tr).
E. Implementacin y resultados.
Se independiz el periodo de ejecucin (muestreo)
del mdulo PID del ciclo de barrido rutinario (Scan)
del autmata, con ayuda de una funcin de tiempo
se dispara el funcionamiento del mdulo PID con
un periodo constante de 2 segundos, que fue el
tiempo de muestreo utilizado para la obtencin de
KP, KI y KD en la red neuronal.

III. CONCLUSIONES
El lazo de control de nivel antiguo, someta la
planta a un estrs extremo, prdida de material,
energa y poca disponibilidad, producto de una
inadecuada valoracin de los parmetros del
PID, incluyendo el parmetro de tiempo real
denominado tiempo de muestreo.

Mediante la red neuronal especializada, se

logr determinar los parmetros adecuados para
el controlador PID y conjuntamente con las
modificaciones introducidas para conformar el
lazo de control de nivel nuevo, bajo simulacin
se observa una mejora sustancia en el desempeo
de la planta entre 60 y 90%, segn el ndice de
Se incorpora una banda muerta segn lo desempeo basado en error que se utilice.
recomendado en [13], simtrica de 0.02 pies
alrededor de la variable de proceso. Esta banda se La ralentizacin de la respuesta del sistema, la
aplica para reducir las oscilaciones indeseables que eliminacin de sobre impulsos y la mejora en el
pueden producirse cuando el error cruza por cero, tiempo de estabilizacin, permite predecir una
de esta forma disminuye el desgaste mecnico por reduccin en las fallas mecnicas y elctricas
friccin en la vlvula de control, manteniendo en en los actuadores y sensores en toda la planta de
algunos tramos la accin de control constante sobre deshidratacin, lo que implica menor cantidad de
la vlvula s el cambio en la variable de proceso no mantenimiento correctivo.
alcanza a salir de la banda.
Se propone el desarrollo, ulterior a este trabajo y
En la figura 7, se verifica mediante datos de campo, como su posible continuacin, de un estudio que
el resultado de la implementacin del nuevo permita realizar el ajuste de los parmetros del
controlador donde se evidencia la mejora en el controlador en lnea, partiendo de los datos de
comportamiento del Nivel (rojo) y la estabilidad proceso en tiempo real.
del % apertura de la vlvula de control (azul).
En crculos punteados se marcan los segmentos IV. REFERENCIAS
de accin de la banda muerta sobre la vlvula de
control, lo cual implica un descanso en la operacin [1] PDVSA (1995). Manual de diseo del proceso,
de la vlvula.
Separacin fsica, Tambores Separadores:
Principios bsicos. Documento tcnico MDP03-S-01, Venezuela: PDVSA.
[2] PDVSA Distrito San Tom (2004). Manual
de construccin del horno 8. Venezuela: PDVSA
Distrito San Tom.
[3] PDVSA Distrito San Tom (1998). Manual
de operacin de la estacin Bared-10. Venezuela:
PDVSA Distrito San Tom.
Figura 7: Respuesta del sistema tras la implementacin

116

[4] Fisher Controls International, INC (2005).

Lyon, E., Camejo, J., Mejoras en el control de nivel en un separador de petrleo crudo.

Control Valve Handbook, 4a ed, USA: Fisher Wiley & Sons Inc., 2nd ed. USA.
Controls International, INC.
[13] TEG Energy Group INC (2012). PID
[5] Allen Bradley (1998). Manual de Referencia Deadband Implementation. Application Guideline
del conjunto de instrucciones. Documento tcnico 9. USA:TEG Energy Group INC.
1785-6.1ES, , Milwaukee, USA: Allen Bradley.
[6] Adeniyi, O. (2004). Development of Model V. ANEXOS
and Simulation of a Two-Phase, Gas-Liquid
Horizontal Separator. Leonardo Journal of Anexo 1
Sciences, 3(5), 34-45.
% Estudio del efecto de la presencia del cero.
[7] Del pozo, J. (2010). Identificacin de sistemas % Modelo del separador.
usando Matbab. Guayaquil, Ecuador: Escuela K = 0.10221;
% Ganancia Pies/% Apertura
Superior Politcnica del Litoral.
vlvula
Tw = 614.11;
% Constante Tiempo dominante
[8] Ramrez M., Colina E. (2008). Fuzzy model Seg.
based control: application to an oil production Zeta = 0.94211; % Amortiguamiento.
separator [documento en lnea de la ieee Tz = 273.22;
% Constante Tiempo dinmica
computersociety]. http://doi.ieeecomputersociety. Numerador.
org/10.1109/HIS.2008.100.
% Numerador de la funcin de transferencia.
num=tf([Tw 1],1);
[9] Shahraki, F., Fanaei, M. A., & Arjomandzadeh, % Denominador de la funcin de transferencia.
A. R. (2009). Adaptive system control with den=tf([Tw*Tw 2*Zeta*Tw 1],1);
PID neural networks. Chemical Engineering % Sistema sin Cero en el Numerador.
transaction, 17, 1395-1401.
sys1=K*(1/den);
t=(0:1:3999);
[10] Shu, H., Y. PI,(2000). PID Neural Networks for step(sys1,t); % Escaln lazo abierto.
Time-delay Systems, New York, USA: Computers pause
and Chemical Engineering.
Cloop = feedback(sys1,1);
step(Cloop ,t); % Escaln lazo cerrado.
[11] Maraba, A., Kuzucuoglu. (2011). Speed pause
Control of an Asynchronous motor using PID % Sistema con Cero en el Numerador.
Neural Network. Studies in informatics and control, sys=K*(num/den);
vol. 20. No.3. Estambul, Turkia [Documento en t=(0:1:3999);
lnea]. Disponible en www.sic.ici.ro.
step(sys,t); % Escaln lazo abierto.
pause
[12] Seborg, D., Edgar, T., and Mellichamp, Cloop = feedback(sys,1);
D.(2004). Process Dynamics and Control, John step(Cloop ,t); % Escaln lazo cerrado.

117

RESUMEN BIOGRFICO
Euclides Lyon.
Ttulos en Ing. Electricista y MSc. Electrnica, obtenidos en la UNEXPOPuerto Ordaz Venezuela en 1990 y 2003 respectivamente. Diploma de Estudios
Avanzados DEA en la Universidad de Mlaga Espaa en 2005. Actualmente
estudiante ejecutando tesis en el Doctorado en Ciencias de la Ingeniera en la
UNEXPO-Puerto Ordaz Venezuela, profesor agregado de pre y postgrado en las
materias: Control Borroso, Control de Procesos por Computadoras y Autmatas
Programables Industriales; Coordinador del Centro de Investigacin y Control
(https://sites.google.com/site/cenaycupo) y del Laboratorio de Automatizacin y
Control en la UNEXPO-Puerto Ordaz Venezuela.
Telfono: +584166873701, Correo electrnico: ealyon.doctorando@unexpo.
edu.ve, elyon@unexpo.edu.ve, ealyon.unexpo@gmail.com

118

UNIVERSIDAD, CIENCIA y TECNOLOGA

Vol. 18, N 72, Septiembre 2014