2.6.

1 Observabilidad y redundancia

• Un estado de proceso xi se dice que es observable o estimable si se puede calcular utilizando

simultáneamente los valores de medición y las limitaciones de conservación, o parte de ellas. Por lo tanto, el
problema es encontrar una estimación única de las variables xi del vector X que satisface el siguiente
sistema:

• 𝐹(𝑋) = 0 (2,32)
𝐺(𝑋) = 𝑍,
• donde Z es conocida y es el valor exacto de las variables medidas. La ecuación 2.32 representa la restricción
y de observación de ecuaciones de (2.30) donde las variables de incertidumbre se fijan a sus valores más
probables, es decir, cero.

• Una variable de estado, tal como una concentración de metal, que se mide directamente, es obviamente
observable desde una posible estimación es su valor medido. Por lo tanto, el concepto de observabilidad
sólo es importante para las variables de estado que no se miden directamente.
• Cuando todas las variables de estado son estimables, se dice que el proceso sea observable. Cuando al
menos una variable de estado es redundante la información del proceso se dice que es redundante. Cuando
todas las variables de estado son observables y no redundante, se dice que el sistema sea de observabilidad
mínima.
2.6.2 Principios generales de los métodos fijos y de
estado estacionario de la reconciliación de los datos
• Cuando f y g son funciones lineales y las restricciones de desigualdad están
inactivos, la solución a este problema es analítica. Esto ocurre cuando las
variables de proceso medidos son estados de la central o combinaciones
lineales de ellos, y representan caudales de componentes. A partir de las
estimaciones del estado, se puede corregir posteriormente los valores de
las variables medidas y estimar las variables de proceso no medidos.
• El método de optimización que puede ser usado para resolver el problema
sin restricciones definida por (2.30) es el enfoque habitual donde los
estados reconciliados son los valores X que cancelan los derivados de J con
respecto a x. Los métodos de resolución son ligeramente diferente para los
casos degenerados cuando cualquiera εo es cero.
• El método de Lagrange consiste en integrar la restricción f (X) = 0 en
el criterio J para formar una nueva función, la Lagrange L, que tiene
que ser óptima con respecto a las variables X y λ, siendo estos últimos
los multiplicadores de Lagrange:
• 𝐿 = 𝐽(𝑋) + 𝛴𝜆𝑖𝐹𝑖(𝑋), (2,51)
• Estos problemas de optimización pueden ser resueltos mediante
técnicas numéricas clásicas. Cuando J es cuadrática y las restricciones
son lineales, una solución analítica se puede obtener por resolución
del sistema de expresión de que los derivados del criterio de
reconciliación, o la función de Lagrange, tienen los valores cero. En
otros casos, cualesquiera de los métodos de programación no lineales
se pueden utilizar para minimizar el criterio, o métodos numéricos
utilizados para la resolución de las ecuaciones no lineales que expresa
que los derivados del criterio son cero.
 2.7 Los casos lineales: métodos de reconciliación
de datos de estado estacionario, estacionario y
desequilibrio de nodos

• 2.7.2 El caso estacionario

• El problema reconciliación estacionaria sin restricciones se formula
como el siguiente caso particular de (2.30):
Se proponen tres métodos para estimar la Vε covarianza matriz:
• Medición de las variables de estado por una combinación adecuada de
instrumentación para un período suficientemente largo de tiempo.

• Alternativamente, uno puede evaluar la Vε matriz por una aproximación de la

dinámica de las plantas, utilizando por ejemplo las funciones de transferencia
de primer orden con la evaluación aproximada de sus constantes de tiempo.

• Una tercera opción es utilizar Vε como un factor de ajuste que se puede ajustar
de forma heurística si- lowing una evaluación del rendimiento de conciliación
de datos en comparación con un comportamiento deseado. De hecho, este es el
método subjetivo que se adoptó en su mayoría, por ejemplo, cuando se
sintoniza incertidumbre del modelo varianzas relativas y las incertidumbres de
medición en las técnicas de filtrado de Kalman