Control inteligente y eficiencia energética en refrigeración industrial

Dirección Editorial: PhD. Jorge Luis León-González Diseño de portada y edición: DI. Yunisley Bruno-Díaz ISBN: 978-1-968794-14-9 DOI: https://doi.org/10.64092/NRCK3115 © Universidad Técnica Estatal de Quevedo, 2025. All rights reserved. La evaluación científica y metodológica de la obra se realizó a partir del método de Revisión por Pares Abierta (Open Peer Review). Este libro es una publicación de acceso abierto con los principios de Creative Commons Atribution 4.0 International License, que permite el uso, intercambio, adaptación, distribución y transmisión en cualquier medio o formato, siempre que dé el crédito apropiado al autor, origen y fuente del material gráfico. Si el uso del material gráfico excede el uso permitido por la normativa legal deberá tener permiso directamente del titular de los derechos de autor. SOPHIA EDITIONS 8404 N Rome Ave, Tampa, Florida, USA Email: [email protected] Phone: +1 (813) 699-2557 https://sophiaeditions.com/ COMITÉ EDITORIAL PhD. Adalia Liset RojasValladares, Universidad Metropolitana, Ecuador PhD. Adrian AbreusGonzález, Universidad de Cienfuegos, Cuba PhD. Adrian Ludet Arévalo-Salazar, Western University, Canadá PhD. Alejandro Rafael Socorro-Castro, Universidad Metropolitana, Ecuador PhD. Alina RodríguezMorales, Universidad de Guayaquil, Ecuador PhD. Farshid Hadi, Islamic Azad University, Irán PhD. Héctor TecumshéMojica-Zárate, Centro Regional Universitario OrienteUniversidad Autónoma Chapingo, México PhD. Esther VegaGea, Universidad de Córdoba, España PhD. Hugo Freddy TorresMaya, Universidad de Cienfuegos, Cuba PhD. Juan G. RiveraOrtiz, Ana G. Mendez University, USA Dr. C. Ngo Hong Diep, Thudaumot University, Vietnam PhD. Lázaro Salomón DibutToledo, Universidad del Golfo de California, México PhD. Luis LizasoainHernández, Universidad del País Vasco, España PhD. José Gervasio PartidaSeda, Centro Regional Universitario OrienteUniversidad Autónoma Chapingo, México PhD. Luisa MoralesMaure, Universidad de Panamá, Panamá PhD. Marily Rafaela Fuentes-Águila, Universidad Metropolitana, Ecuador PhD. Maritza Librada Cáceres-Mesa, Universidad Autónoma del Estado de Hidalgo, México PhD. Marta LinaresManrique, Universidad de Granada, España Dr. C. Seyyed Nasser Mousavi, Islamic Azad University, Irán PhD. Mikhail BenetRodríguez, Fundación Universitaria Cafam, Colombia PhD. Julio CaberoAlmenara, Universidad de Sevilla, España PhD. Raúl RodríguezMuñoz, Universidad de Cienfuegos, Cuba PhD. Rolando MedinaPeña, Universidad Metropolitana, Ecuador PhD. Samuel SánchezGálvez, Universidad de Guayaquil, Ecuador PhD. Yadir Torres Hernández, Universidad deSevilla,España CONTENIDO 01. 02. 1.1. Control automático y optimización de cámaras de refrigeración industrial ..............13 1.2. Cadena de suministro alimentaria: Gestión, calidad y flujo de productos ..........17 1.3. Sistemas y tecnologías de refrigeración industrial ......................................................20 1.4. Modelamiento matemático de componentes y sistemas de refrigeración ...24 1.5. Métodos y algoritmos de control automático aplicados a la refrigeración: Enfoques clásicos y avanzados ..................32 1.6. Análisis comparativo de métodos de control en refrigeración, energía y sistemas autónomos ...................................................43 1.7. Marco normativo y referencial para la gestión sostenible y la inocuidad en sistemas de refrigeración alimentaria .........................46 2.1. Ubicación geográfica, condiciones climáticas del área experimental y diseño metodológico del estudio ............................51 2.2. Enfoques de control en sistemas industriales ................................................. 56 2.4. Implementación del modelo matemático del sistema de refrigeración ........................63 2.5. Implementación de técnicas de control para el modelo de refrigeración ..................77 Fundamentos y estrategias para la gestión, control y sostenibilidad de sistemas de refrigeración industrial en la cadena alimentaria Implementación aplicada de control automático en cámaras de refrigeración industrial Introducción .........................................................................8 Conclusiones ................................................................... 117 Referencias Bibliográficas ...............................................119 INTRODUCCIÓN A nivel mundial, la evaluación del consumo y la optimización de la energía en los procesos industriales se ha convertido en un tema prioritario, dada su importancia en la eficiencia económica y la sostenibilidad ambiental. La industria desempeña un papel fundamental en el desarrollo de estrategias que permitan reducir el consumo energético sin comprometer la productividad, contribuyendo de manera significativa a la mitigación de los impactos negativos sobre el medio ambiente (Vivanco y Arroyo, 2025). Este interés se intensifica en países en desarrollo, donde el uso eficiente de los recursos energéticos representa un desafío estratégico tanto desde el punto de vista económico como ambiental. En Ecuador, por ejemplo, el sector industrial representa aproximadamente el 48.6% del consumo energético total, según registros del Ministerio de Energía y Minas, lo que subraya la necesidad de implementar soluciones que mejoren la eficiencia energética en las plantas industriales (Ecuador. Instituto de Investigación Geológico y Energético, 2025). En el contexto latinoamericano, la industria alimentaria se destaca como uno de los sectores más relevantes debido a su capacidad productiva y su aporte en la generación de empleo. En Ecuador, esta industria genera cerca de cinco de cada diez puestos de trabajo directo y contribuye con el 42.8% del ingreso económico nacional (Gómez et al., 2024). Dentro de esta industria, los sistemas de refrigeración industrial desempeñan un rol crítico, ya que permiten mantener los alimentos dentro de rangos de temperatura y humedad óptimos durante su almacenamiento y transporte, asegurando la calidad y seguridad de los productos hasta que llegan al consumidor final (Zamora et al., 2022). En particular, los productos cárnicos requieren condiciones específicas de temperatura: entre 3 °C y 7 °C para almacenamiento general y cercanas a 0 °C para prolongar su vida útil. Para procesos de congelación, las temperaturas deben mantenerse entre -12 °C y -18 °C, mientras que la humedad relativa debe ubicarse entre 90% y 95% para garantizar la calidad del producto (Organización de las Naciones Unidas para la Alimentación y la Agricultura, 2025). Mantener estas condiciones implica un consumo energético elevado, dado que los compresores representan aproximadamente el 80% del gasto total en una planta industrial, constituyendo un reto importante para mejorar la eficiencia y sostenibilidad de las operaciones (Crisanto, 2018). 16 Control inteligente y eficiencia energética en refrigeración industrial productos a temperaturas controladas mediante sistemas de compresión de vapor u otras tecnologías alternativas. Dada su operación continua, estas cámaras representan uno de los mayores consumos de energía dentro de las instalaciones industriales, lo que genera desafíos relacionados con los costos de operación y la sostenibilidad (Silva García y Soto Osorio, 2019). En particular, los congeladores y sistemas de almacenamiento en frío son indispensables para preservar la calidad de productos perecederos, pero su operación demanda un elevado consumo energético y requiere mantener estrictas condiciones ambientales, lo que obliga a implementar soluciones avanzadas para el monitoreo continuo, la predicción de fallas y la gestión eficiente de la energía (Bustamante et al., 2024). La integración de la teoría del control automático en las cámaras de refrigeración industrial permite aplicar estrategias avanzadas, como el control predictivo basado en modelos (MPC) y el control adaptativo, que utilizan modelos matemáticos para gestionar la interacción compleja de múltiples variables. Estas técnicas aseguran que las condiciones internas de la cámara se mantengan estables y eficientes frente a cambios en la carga térmica o perturbaciones externas, optimizando al mismo tiempo el consumo energético. La regulación precisa de ciclos de compresión, flujo de aire y temperatura permite reducir las pérdidas de energía y garantizar la calidad de los productos almacenados, cumpliendo con los estándares de eficiencia y sostenibilidad de la industria. La optimización energética se orienta a maximizar la eficiencia del sistema, disminuyendo el consumo de energía sin comprometer su desempeño. En el contexto de cámaras de refrigeración, esto se logra mediante algoritmos de control predictivo que ajustan dinámicamente variables como temperatura, humedad y ciclos de compresores según datos en tiempo real, identificando oportunidades de mejora mediante auditorías energéticas, análisis históricos y modelos matemáticos (Ramírez Agudo, 2020). Asimismo, la integración de fuentes de energía renovable se presenta 17 Control inteligente y eficiencia energética en refrigeración industrial como una alternativa cada vez más relevante para reducir la huella de carbono de los sistemas industriales de refrigeración. Paralelamente, la optimización operativa se centra en mejorar el desempeño de las cámaras frigoríficas mediante estrategias y herramientas que permiten alcanzar niveles óptimos de eficiencia, rendimiento y sostenibilidad. Dado el alto costo energético de estos sistemas y la necesidad de mantener condiciones ambientales estrictas, la aplicación de técnicas de control automático se vuelve fundamental para preservar la integridad de los productos sensibles, minimizar costos operativos y reducir el impacto ambiental asociado a la operación de estas instalaciones (Franco y Velásquez, 2020). La aplicación de control automático y estrategias de optimización energética y operativa en cámaras de refrigeración industrial representa una herramienta clave para la industria alimentaria y otros sectores estratégicos, permitiendo mantener la calidad de los productos, disminuir costos y promover prácticas sostenibles que se alineen con los objetivos de eficiencia y responsabilidad ambiental de las empresas modernas. 1.2. Cadena de suministro alimentaria: Gestión, calidad y flujo de productos La cadena de suministro alimentaria constituye un componente esencial dentro de la industria agroalimentaria, dado que integra todas las etapas del proceso productivo, desde la obtención de materias primas hasta la entrega del producto final al consumidor. Este sistema no solo asegura la disponibilidad y acceso a los alimentos, sino que también garantiza que se mantenga la calidad, la inocuidad y la frescura de los productos a lo largo de todo el flujo logístico. La complejidad de la cadena de suministro alimentaria radica en la coordinación eficiente de diversos actores y procesos, incluyendo producción, transformación, almacenamiento, transporte, distribución y comercialización, con el objetivo de satisfacer la demanda de los consumidores de manera segura y eficiente (Guaján, 2024). 18 Control inteligente y eficiencia energética en refrigeración industrial A diferencia de otras cadenas de suministro, la agroalimentaria presenta desafíos particulares relacionados con la vida útil limitada de los productos, la sensibilidad a factores ambientales como temperatura y humedad, y la necesidad de cumplir con estándares de calidad y regulaciones sanitarias estrictas. Por ello, la gestión efectiva de esta cadena requiere la implementación de estrategias que integren planificación, control de inventarios, monitoreo de condiciones de almacenamiento y optimización del transporte, asegurando que los productos lleguen al consumidor en condiciones óptimas (Guaján, 2024). Además, la cadena de suministro alimentaria no solo implica el movimiento físico de los productos, sino también la circulación de información relevante entre productores, procesadores, distribuidores y entidades reguladoras. Esta comunicación permite una toma de decisiones más eficiente, favorece la trazabilidad de los alimentos y contribuye a la mejora continua de los procesos logísticos y de producción. En consecuencia, la cadena de suministro agroalimentaria se configura como un sistema dinámico y multidimensional, cuyo desempeño impacta directamente en la seguridad alimentaria, la rentabilidad de las empresas y la satisfacción del consumidor final. La evolución de la industria alimentaria ha enfrentado diversos retos relacionando con la alta demanda de alimentos, aspectos sociales, económicos y de preferencia en cuanto a los consumidores finales. Por esta razón esta industria ha generado diversas innovaciones para la gestión eficiente y adecuada de sus productos. La cadena de suministro agroalimentaria conocida como AFSC, es el conjunto de procedimientos y actividades que surgen desde la producción hasta la venta del producto para el consumo. Son los procesos que se involucran en la venta, producción, distribución y transformación de los servicios o productos hasta que llegan al usuario final o consumidor (Guaján, 2024). Este tipo de industria consta de una estructura básica la cual está compuesta por las etapas que se muestran en la Figura 1.1. 19 Control inteligente y eficiencia energética en refrigeración industrial Figura 1.1. Procesos de una cadena de suministro alimentaria. Entre los procedimientos encontrados dentro de la cadena de suministro alimentaria está la etapa de producción, en donde el productor primario se encarga de proveer maquinaria, semillas y los insumos para generar la materia prima. Esta pasa a la industrialización y mediante diversas etapas se procesa el producto para darle un valor agregado. Posteriormente se almacena los productos de acuerdo con el tipo de alimento en cámaras de refrigeración para poder enviarlos a tiendas o centros de distribución. Los consumidores adquieren los productos desde los centros minoristas siendo esta la etapa final del proceso. De igual manera el producto tiene a moverse de manera vertical en donde se presentan aspectos de calidad, demanda y precios hacia abajo; mientras que los involucrados en la parte superior son las diversas entidades gubernamentales que regulan este tipo de productos y generan un flujo de información (Guaján, 2024). La cadena de suministro agroalimentaria se diferencia de otras industrias ya que impone un tiempo de vida del producto para que pueda ser consumido. Esta característica muestra que la calidad puede presentar diversas variaciones dentro de su etapa de almacenamiento hasta el suministro a los usuarios, los cuales se relación a aspectos como la 20 Control inteligente y eficiencia energética en refrigeración industrial producción, manufactura, almacenamiento, entre otras, por lo cual es necesario el análisis de las condiciones de cada tipo de producto (Guaján, 2024). 1.3. Sistemas y tecnologías de refrigeración industrial La refrigeración es el proceso por el cual se disminuye la temperatura a un valor objetivo menor que la temperatura ambiente, implicando una transferencia de energía entre 2 cuerpos con el fin de reflejar la energía para poder retirar el calor. Este proceso es uno de los métodos con mayor utilidad dentro de la industria alimenticia porque permite conservar en frio los alimentos, desencadenando una disminución del crecimiento de bacterias en productos perecederos para su conservación. Estos métodos se utilizan de igual manera en la industria farmacéutica, florícola, entre otras (Idme, 2021). De estos conceptos surge la conservación, la cual es mantener intactas las cualidades, texturas y otros aspectos de calidad de los alimentos y bebidas frías. El principio fundamental de esto es evitar que los microorganismos deterioren o alteren la condición del producto. Las principales causas que evitan la correcta conservación de los alimentos pueden ser físicas, químicas y microbiológicas. En procesos microbiológicos, los alimentos presentan el crecimiento de esto cuando el producto no está almacenado a temperaturas adecuadas que puede ir desde los 25° a 45 °C, o cuando la humedad es mayor al 75%, condiciones que permiten la prevalencia de estos organismos. Para esto se generan las cámaras de refrigeración las cuales se encargan de mantener a una cierta temperatura al producto (Idme, 2021). •Sistemas de refrigeración por compresión La refrigeración por compresión es uno de los métodos con mayor uso dentro de la industria alimentaria para la preservación de los productos, refrigeración doméstica, acondicionamiento de temperatura en oficinas y automóviles. Esta tecnología utiliza alrededor del 15% al 17% del consumo 21 Control inteligente y eficiencia energética en refrigeración industrial energético a nivel mundial, siendo de gran impacto en la sostenibilidad de la industria en general. Para incrementar el rendimiento de este tipo de sistemas, así como su impacto ambiental se utilizan intercambiadores de calor o eyectores como se observa en la Figura 1.2 el diseño de este tipo de dispositivos está conformado por una boquilla, mezclador y difusor. De acuerdo con la ubicación de la boquilla puede estar configurado con un eyector de presión constante o con eyector de área constante. La efectividad de estos equipos se relaciona de manera directa con el rendimiento energético de las cámaras de refrigeración, en donde se compara la velocidad máxima de transferencia de calor con la velocidad real de transferencia (Rodríguez et al., 2024). Figura 1.2. Componentes de un sistema de refrigeración por compresión. •Sistemas de refrigeración por Peltier Este tipo de sistemas utilizan celdas Peltier para producir el fenómeno termoeléctrico. El efecto Peltier consiste en transmitir una corriente por medio de un circuito, el cual 22 Control inteligente y eficiencia energética en refrigeración industrial posee una temperatura inicial, para posteriormente generar una unión donde se produce absorción de calor y este se desprende de la celda. La principal característica de este sistema es que puede alternar su polaridad, es decir que puede tanto calentar como enfriar diversas superficies, teniendo una variedad de servicios dentro de la industria. Las células Peltier se encuentran compuestas por semiconductores tipo P y tipo N como se observa en la Figura 1.3, estos poseen alta conductividad eléctrica y baja conductividad térmica, permitiendo generar el efecto de transferencia de calor o frío, lo cual es un fenómeno poco común en componentes de la naturaleza (Fornés, 2022). Figura 1.3. Composición de una Célula Peltier. •Sistemas de refrigeración termoacústica Los sistemas termoacústicos están compuestos por un recolector de calor conocido como foco caliente el cual se produce por medio de una fuente térmica, mismo que utiliza un tubo de borosilicato que se expone a temperaturas mayores a 100 °C permitiendo generar energía térmica potencial. Posteriormente el aire atraviesa por una tobera de aluminio hacia el foco frio lo cual fuerza una diferencia de temperatura que ayuda al intercambio de calor con la carcasa del sistema, facilitando el enfriamiento. 23 Control inteligente y eficiencia energética en refrigeración industrial En este sistema se producen oscilaciones acústicas que ocurren en el regenerador y provocan que el fluido interno este expuesto a un ciclo de expansión, enfriamiento, compresión y calentamiento mediante un transductor electrodinámico. Para que este sistema termoacústico funcione las temperaturas se pueden determinar por medio de fuentes externas de calor como por ejemplo en las estufas, siempre y cuando estas estén activas (Covarrubias et al., 2022). •Sistemas de refrigeración por absorción La refrigeración por absorción es un proceso en donde se extrae el calor de un foco frío pasando el aire por un refrigerante que se encuentra a una presión baja y menor temperatura. Posteriormente se traslada hacia un evaporador en donde se mezcla con un fluido absorbente para incrementar la presión en fase líquida por medio de una bomba. Cuando la presión es elevada se ingresa calor a la mezcla del fluido en un generador y se lo transporta hacia un condensador donde se pasa el calor a un foco caliente. Finalmente, el refrigerante en fase líquida se despresuriza mediante una válvula lo cual produce que se genere un ciclo continuo en el evaporador (Velázquez, 2023) tal y como se muestra en la Figura 1.4. Figura 1.4. Esquema de un sistema de refrigeración por absorción. 24 Control inteligente y eficiencia energética en refrigeración industrial •Sistemas de refrigeración por adsorción La adsorción es un fenómeno por medio del cual moléculas líquidas o gaseosas y sólidos disueltos se adhieren al área de un sólido el cual se conoce como adsorbente. Existen dos tipos de adsorción que puede ser química producida por 2 componentes activos, en donde se intercambia los electrones generando una intensidad entre los componentes debido a la unión química. En cuanto a la adsorción física se genera debido a las fuerzas de Van der Waals lo cual forma capas de moléculas de adsorbato. Este procedimiento es reversible ya que la fuerza que une estos componentes no tiene la suficiente fuerza, en donde al suministrar calor se realiza una desorción física (Tapia, 2024). En la Figura 1.5 se puede observar un sistema de refrigeración por adsorción básico el cual cumple con las funciones de un colector solar. Este sistema posee un evaporador, absorbedor, condensador y tanque de refrigerante generando ciclos durante la noche y el día. Figura 1. 5. Sistema de refrigeración por adsorción con energía solar. 1.4. Modelamiento matemático de componentes y sistemas de refrigeración El modelamiento matemático de componentes y sistemas de refrigeración constituye una herramienta esencial para el análisis, diseño y optimización de los procesos térmicos en la industria. Este enfoque permite representar 25 Control inteligente y eficiencia energética en refrigeración industrial de manera cuantitativa el comportamiento dinámico de cada elemento que integra un sistema de refrigeración, incluyendo compresores, condensadores, evaporadores y otros componentes críticos, facilitando la predicción de su desempeño bajo diversas condiciones de operación. A través de modelos matemáticos, es posible simular la respuesta del sistema frente a variaciones de carga, cambios ambientales y ajustes en los parámetros de control, contribuyendo a la mejora de la eficiencia energética y la estabilidad térmica. El desarrollo de estos modelos requiere la integración de principios de termodinámica, transferencia de calor, mecánica de fluidos y control automático, generando representaciones precisas que reflejan las complejas interacciones entre variables como temperatura, presión, flujo de aire y humedad dentro de las cámaras de refrigeración. El modelamiento matemático no solo permite comprender el comportamiento de los sistemas, sino que también constituye la base para la implementación de estrategias avanzadas de control, como controladores predictivos y adaptativos, que optimizan el consumo de energía y aseguran la calidad de los productos almacenados. Este enfoque proporciona a ingenieros y profesionales del sector industrial la capacidad de simular distintos escenarios de operación, evaluar el impacto de posibles ajustes y diseñar soluciones más eficientes y sostenibles. Asimismo, facilita el análisis comparativo de diferentes técnicas de control y la identificación de oportunidades de mejora en el desempeño de los sistemas de refrigeración industrial, constituyendo un recurso indispensable para la innovación, la optimización de procesos y la adopción de buenas prácticas en la industria alimentaria y otros sectores estratégicos. •Modelo del Compresor El modelo del compresor toma en cuenta el intercambio de calor entre la salida y entrada dentro del compresor, así como el intercambio con la temperatura ambiental. En esto se analiza como si existiera una pared invisible la cual transfieren este calor y sus respectivas pérdidas electromecánicas tal y como se observa en la Figura 1.6. 32 Control inteligente y eficiencia energética en refrigeración industrial en consideración un modelo de la válvula de expansión y de carga del refrigerante. 1.5. Métodos y algoritmos de control automático aplicados a la refrigeración: Enfoques clásicos y avanzados Los sistemas de control son la combinación de elementos que en base a un requerimiento de la entrada se efectúa una acción controlada de tal forma que en la salida se obtenga el objetivo deseado (Martínez y Nicolalde, 2023). Para poder ejecutar este control se requiere de un sistema de lazo cerrado, es decir que exista una retroalimentación de la salida para obtener el error correspondiente de acuerdo con el valor de entrada fijado (Figura 1.9). Figura 1.9. Diagrama de bloques de un sistema de control. Para aplicar un control a un sistema físico, como la temperatura en una cámara de frío, se requiere de la información del modelo matemático, siendo esta una de las partes más importantes para determinar la estrategia de control. A continuación, se presentan diversas técnicas de control automático de la cuales se dan las principales características y funcionamiento. •Controlador PID Un controlador PID posee tres compontes principales, una acción integral, una proporcional y una derivativa. La parte proporcional (P) incrementa directamente mientras el error incrementa en el sistema, y cuando este valor es excesivo, se puede producir oscilaciones, mientras que cuando es muy bajo el sistema se hace lento. La parte integral (I), está asociada con el error en estado estacionario en donde se almacena este valor en un 33 Control inteligente y eficiencia energética en refrigeración industrial registro de memoria para poder hacer las comparaciones. El incrementar el valor de esta acción causa oscilaciones e inestabilidad en el sistema, mientras que la disminución afecta al error en estado estacionario debido a que el control es menos agresivo con los errores acumulados. Finalmente, la parte derivativa (D), permite estimar errores futuros y se relaciona con la velocidad de respuesta del sistema frente a variaciones de error para que estos no sean bruscos. El incrementar esta acción puede producir susceptibilidad al ruido en el sistema y una posterior inestabilidad, mientras que valores pequeños generan cambios lentos en el controlador (Martínez y Nicolalde, 2023). Un controlador PID en tiempo continuo se representa por: (Ec.1.20) Discretizando la ecuación se obtiene: (Ec.1.21) Donde: Existen diversas formas de aplicar un control PID para sistemas de temperatura, en donde se suele realizar la sintonización mediante el método de Ziegler – Nichols como se observa en la Tabla 1.1. 34 Control inteligente y eficiencia energética en refrigeración industrial Tabla 1.1. Constantes para sintonización del controlador PID. Tipo de Controlador Constante 𝒌𝒑Constante 𝑻𝒊Constante 𝑻𝒅 P 𝜏 𝐾𝜃 ∞0 PI 0.9* 𝜏 𝐾𝜃 𝜃 0.3 0 PID 1.2* 𝜏 𝐾𝜃 2𝜃0.5𝜃 Fuente: Martínez y Nicolalde (2023). Este método se utiliza cuando la función de transferencia tiene un comportamiento sigmoidal como se presenta en la siguiente ecuación. (Ec.1.22) Además de este método, existen múltiples técnicas de sintonización de controladores PID que mejoran el rendimiento en sistemas con características dinámicas complejas. Una de las técnicas más usadas se conoce como el Lugar Geométrico de las Raíces (Root Locus), la cual que permite ajustar los parámetros del PID variando la ubicación de los polos del sistema en el plano complejo garantizando la estabilidad y tiempo de respuesta (Villada, 2023). Otra técnica es la Optimización Numérica, donde se define una función objetivo que puede ser ISE, IAE, ITAE o ITSE, y se cuantifica el error del sistema, empleando algoritmos como Gradiente Descendente, Búsqueda Cuadrática o Métodos Evolutivos para encontrar los parámetros óptimos del controlador. De igual manera, los enfoques que están basados en la Respuesta en Frecuencia, como el método de Bode y Nyquist, permiten diseñar el controlador considerando el margen de ganancia y de fase requerido (Vidó, 2021). 35 Control inteligente y eficiencia energética en refrigeración industrial •Controladores difusos El controlador difuso es una expresión de tipo matemático para representar al razonamiento humano, siendo muy utilizado en sistemas expertos o relacionados con inteligencia artificial. Los algoritmos de lógica difusa utilizan reglas para poder generar la señal de control y procesar las entradas para que actúen sobre el proceso de control. En varios sistemas de tipo MISO (Multiple Input Single Output) se ingresan señales como la entrada de error, derivada del error y la señal de control. Para poder aplicar estos algoritmos en un sistema de control, se considera que el controlador es cíclico, es decir va a generar constantemente los estados de análisis. Este método de control posee 4 partes fundamentales que son la fuzzificación, inferencia, reglas de difusas y defuzzificación (Pampamallco, 2022). En la etapa de Fuzzificación, las entradas del sistema se convierten en variables de tipo difuso mediante las respectivas funciones de pertenencia. Estos controladores utilizan diversos tipos de función de pertenencia que pueden ser sigmoide (Figura 1.10 c), trapezoidal (Figura 1.10 b), o triangular (Figura 1.10 a). Figura 1.10. Funciones de pertenencia para Fuzzificación a) Triangular b) Trapezoidal c) Sigmoide. 36 Control inteligente y eficiencia energética en refrigeración industrial Posteriormente, se calcula el grado de cumplimiento el cual se define trazando una línea vertical con la señal de entrada, tal y como se observa en la Figura 1.11. Figura 1.11. Estimación del grado de cumplimiento de la función de pertenencia. Posteriormente se deben definir las reglas difusas que son reglas heurísticas que tiene la forma SI el antecedente se cumple ENTONCES sucede esta acción, donde el consecuente y antecedente son puros o resultan de la operación entre reglas. Estas conforman la base del control difuso ya que definen el comportamiento del sistema a varios tipos de valores de entrada. Cada regla se encuentra conformada por varios consecuentes y antecedentes. Un ejemplo de esta estructura es el siguiente: • 𝑆𝑖 𝑥1 = 𝑝1 ∧ 𝑥2 = 𝑝1, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑦 = 𝑝1 • 𝑆𝑖 𝑥1 = 𝑝1 ∧ 𝑥2 = 𝑝2, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑦 = ℎ0 • 𝑆𝑖 𝑥1 = ℎ0 ∧ 𝑥2 = 𝑝1, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑦 = ℎ0 • 𝑆𝑖 𝑥1 = ℎ0 ∧ 𝑥2 = 𝑝2, 𝑒𝑛𝑡𝑜𝑛𝑐𝑒𝑠 𝑦 = 𝑛1 Para realizar la inferencia en base a las reglas difusas establecidas se toma las funciones de pertenencia de la fuzzificación y se generan las salidas del sistema difuso. En primer lugar, se evalúan las entradas mediante el grado de ejecución de la regla, para posteriormente continuar hasta generar la conclusión de regla considerando 𝑛 − 1 grados de cumplimiento. La función de pertenencia muestra los valores o premisas de la salida tal y como se muestra en la Figura 1.12. 37 Control inteligente y eficiencia energética en refrigeración industrial Figura 1.12. Sistema difuso utilizando las reglas de inferencia Mandami. Finalmente, la defuzzificación convierte los datos de salida con respecto a la función de inferencia en datos numéricos utilizando la normalización de las respuestas lógicas de los antecedentes. Existen diversos métodos para realizar este procedimiento como el de Suma de Centros de Área, Centros Máximos y Centro de Área (Pampamallco, 2022). •Controladores por redes neuronales Se pueden modelar los sistemas de control mediante la construcción de redes neuronales definiendo su arquitectura y el entrenamiento. El perceptrón multicapa (MLP) es uno de los modelos más utilizados para generar sistemas de alta complejidad. Se utiliza una red de 2 capas que tiene una cantidad de p entradas, neuronas ocultas y m salidas. Generalmente, se utilizan funciones de activación sigmoides cuando se tiene una única capa oculta y para la salida una función lineal (Saldaña et al., 2023). La salida del sistema se representa mediante la ecuación: (Ec.1.23) Las ponderaciones asignadas a 𝑊𝑖𝑗 y 𝑤𝑗𝑘 se obtienen a partir del entrenamiento y que se van ajustando de acuerdo con el progreso de la red. Los datos de entrenamiento se conformado a partir de datos de entrada y salida, mediante una cantidad de N puntos: 38 Control inteligente y eficiencia energética en refrigeración industrial (Ec.1.24) De esta manera, con los pesos obtenidos, el sistema puede predecir la salida de la siguiente forma: (Ec.1.25) Donde 𝐷 corresponde a la matriz de regulación, la cual es una matriz diagonal compuesta de la unidad y la descomposición de los pesos. Para poder implementar un controlador basado en redes neuronales, se utiliza el método del modelo inverso, el cual sigue los siguientes pasos: 1. Generar las secuencias de entradas y salidas del proceso. 2. Conformar un conjunto de datos de entrenamiento 3. Entrenar el modelo mediante la regla delta. 4. Entrenar el modelo mediante la regla delta. En la Figura 1.13 se observa el diagrama de bloques de un sistema de control por redes neuronales, en donde la entrada de la red corresponde a la referencia y generando la señal de control 𝑣𝑘 para poder controlar el proceso, considerando que se debe generar un filtro para evitar oscilaciones hacia la planta (Saldaña et al., 2023). 39 Control inteligente y eficiencia energética en refrigeración industrial Figura 1.13. Diagrama de bloques de un sistema de control neuronal. •Control lineal cuadrático gaussiano El control lineal cuadrático gaussiano (LQG), es un método importante en cuanto al diseño de controladores óptimos, el cual se refiere a la inclusión de sistemas perturbados por ruido gaussiano aditivo, lo que indica que no se miden todas las variables de estado, y así se someten a funciones de costo cuadráticas. Este tipo de controlador se forma por la combinación de un filtro Kalman, un regulador lineal (LQR) y un estimador cuadrático (LQE), los cuales, debido al principio de separación permite realizar la estimación y diseñado de cada uno por separado (Hansem, 2022). En la Figura 1.14 se muestra el diagrama de bloques correspondiente al LQG, el cual se encarga de mejorar u optimizar el rendimiento de un sistema estocástico, mientras que el LQR se encarga de solucionar el problema de rendimiento para sistemas deterministas (Hansem, 2022). 40 Control inteligente y eficiencia energética en refrigeración industrial Figura 1.14. Diagrama de bloques de un sistema de control LQR. •Controlador predictivo por modelo El controlador predictivo por modelo (MPC) es una técnica de control que permite predecir el impacto de la acción de control en el sistema, minimizando la función objetivo. Este tipo de controladores se utiliza en sistemas como los convertidores de potencia, en donde el comportamiento es híbrido debido a que se usan señales discretas para los cambios entre los interruptores y señales continuas para las salidas del sistema de corriente o voltaje. Este controlador permite generar un control anticipado de forma regulada tal que se pueda compensar posibles perturbaciones futuras en el sistema. Cuando se determina la función del controlador, este es más fácil de implementar incluso en sistemas de tipo MIMO. La metodología que sigue este tipo de sistemas es la siguiente: 1. Las salidas futuras se encuentran en un rango u horizonte finito conocido como horizonte de predicción, el cual genera la predicción del modelo para cada iteración de muestreo en base al modelo de la planta. 2. Las señales de control futuras se estiman mediante la optimización en base al criterio de que la salida debe encontrarse lo más cercana a la función objetivo. 3. Esta señal se envía mientras que la señal anterior es rechazada debido a que en la siguiente iteración este valor ya es conocido por el sistema. Este proceso se repite de manera continua para todas las secuencias. 41 Control inteligente y eficiencia energética en refrigeración industrial Para poder controlar el sistema se define la ecuación dinámica de la planta: (Ec.126) Para calcular las predicciones se desplaza k veces la respuesta del sistema, asumiendo que la salida inicial es 0, y la siguiente aproximación se expresa: (Ec.1.27) Para que la ecuación se pueda resolver se determinan los límites de cálculo con el objetivo que el problema computacional pueda resolverse, separando los valores pasados y futuros, obteniendo la ecuación: (Ec.1.28) •Controlador Sliding Mode El objetivo principal de este controlador es conseguir obtener la salida deseada mediante la acción de una función polinomial. Una vez que se ha alcanzado el objetivo principal el controlador inicia con la oscilación de su salida para mantener los parámetros dentro de este punto. Estas variaciones se denominan “chattering” y perjudican de manera común al actuador por lo que se adicionan ciertos sistemas para evitar este problema durante la etapa de control. La ley de control para un sistema de segundo orden se puede representar de la siguiente forma: (Ec.1.29) Para poder evitar el chattering en un controlador SMC, se utilizan condicionales para diferentes zonas, y así se 48 Control inteligente y eficiencia energética en refrigeración industrial Además, establece procedimientos específicos para garantizar un entorno higiénico, incluyendo la correcta operación y mantenimiento de equipos de refrigeración, así como la supervisión continua de las instalaciones para asegurar que los alimentos se mantengan en condiciones óptimas (Servicio Ecuatoriano de Normalización, 2019). Por su parte, la NTE INEN-ISO/TS 22002-1, que regula los Programas de Prerrequisitos en Seguridad Alimentaria, detalla los criterios necesarios para el diseño, operación y mantenimiento de instalaciones dedicadas al almacenamiento y procesamiento de alimentos. Esta normativa enfatiza la importancia de mantener los parámetros críticos de temperatura, humedad y circulación de aire bajo control constante, evitando la contaminación y asegurando la preservación de las propiedades organolépticas y nutricionales de los productos. Además, establece la obligatoriedad de implementar sistemas de monitoreo, registro y control que permitan garantizar la vida útil de los alimentos hasta su llegada al consumidor final, fortaleciendo la confianza en la cadena de suministro y la seguridad alimentaria (Servicio Ecuatoriano de Normalización, 2009). Este marco normativo constituye un respaldo integral para la implementación de sistemas de refrigeración eficientes, sostenibles y confiables dentro del sector alimentario. La articulación de disposiciones constitucionales, objetivos de desarrollo global y estándares técnicos nacionales e internacionales no solo asegura la inocuidad y calidad de los productos, sino que también promueve la eficiencia energética, la sostenibilidad ambiental y la innovación tecnológica. La convergencia de estos elementos constituye un fundamento sólido para el diseño, operación y control de sistemas de refrigeración modernos, capaces de satisfacer las demandas crecientes de seguridad, eficiencia y sostenibilidad en la industria alimentaria contemporánea. El presente capítulo ha permitido establecer los fundamentos teóricos y prácticos necesarios para comprender la gestión y optimización de los sistemas de refrigeración industrial 49 Control inteligente y eficiencia energética en refrigeración industrial dentro de la cadena alimentaria, integrando aspectos de control automático, sostenibilidad y normatividad vigente. Se ha evidenciado que la aplicación de técnicas de control, desde los enfoques clásicos como los controladores PID hasta estrategias avanzadas como el control predictivo por modelos y los sistemas inteligentes basados en lógica difusa o redes neuronales, resulta esencial para mantener las variables críticas de operación dentro de rangos óptimos, garantizando la eficiencia energética, la estabilidad del sistema y la calidad de los productos almacenados. Asimismo, la integración de la refrigeración industrial con la cadena de suministro alimentaria resalta la importancia de mantener flujos de productos controlados y seguros, considerando tanto la trazabilidad como la inocuidad de los alimentos. La revisión de sistemas y tecnologías de refrigeración, así como el modelamiento matemático de sus componentes, proporciona herramientas valiosas para el diseño, simulación y optimización de procesos, permitiendo anticipar comportamientos y tomar decisiones fundamentadas antes de la implementación real. El análisis comparativo de métodos de control ha mostrado que no existe una solución única para todos los contextos, sino que la selección de la estrategia más adecuada depende de factores como la complejidad del sistema, las características del producto, los objetivos energéticos y la inversión disponible. En este sentido, los enfoques inteligentes y predictivos ofrecen ventajas significativas en términos de precisión, reducción de sobreoscilaciones y eficiencia energética, mientras que los métodos clásicos siguen siendo útiles por su robustez y simplicidad de implementación. Finalmente, la inclusión del marco normativo y referencial, tanto nacional como internacional, refuerza la necesidad de que los sistemas de refrigeración no solo cumplan con criterios de eficiencia y optimización, sino que también garanticen la inocuidad alimentaria, el respeto por la sostenibilidad ambiental y el cumplimiento de los objetivos 50 Control inteligente y eficiencia energética en refrigeración industrial de desarrollo sostenible. En conjunto, este capítulo establece una base integral para la gestión eficiente, segura y sostenible de los sistemas de refrigeración industrial en el sector alimentario, sentando las bases para los desarrollos técnicos y estratégicos que se abordarán en los capítulos posteriores. 2.1. Ubicación geográfica, condiciones climáticas del área experimental y diseño metodológico del estudio La investigación se realizó en una industria alimenticia del cantón Santo Domingo parroquia Valle Hermoso, ubicado en la provincia de Santo Domingo de los Tsáchilas, Ecuador; cuyas coordenadas geográficas son -0.092214525, -79.27952740, cuyo nombre se mantiene en reserva debido a la confidencialidad de sus operaciones. 02. IMPLEMENTACIÓN APLICADA DE CONTROL AUTOMÁTICO EN CÁMARAS DE REFRIGERACIÓN INDUSTRIAL 52 Control inteligente y eficiencia energética en refrigeración industrial Este sector posee un clima de tipo tropical lluvioso, en donde la temperatura ambiental tiene una media de 25 °C, con un alto porcentaje de humedad relativa lo cual genera ciertos desafíos en la industria alimenticia local. Debido a estas condiciones climáticas, el consumo energético en equipos como los sistemas de refrigeración requieren un uso más intensivo que en otras regiones de tal manera que se preserven los alimentos bajo los estándares requeridos (Ecuador. Consejo Municipal de Santo Domingo, 2025). Los sistemas de refrigeración son importantes debido a que impiden el crecimiento de bacterias en los alimentos y contribuyen con su conservación. Cuando los nutrientes que poseen los alimentos se presentan en condiciones de temperatura y humedad inadecuadas, las bacterias tienden a incrementar su número y consecuentemente producen enfermedades que pueden ser relacionadas con el consumo de alimentos contaminados. Pese a esto, el mantener una correcta regulación de las condiciones óptimas en la cadena de frío requiere un consumo elevado de energía lo cual se relaciona directamente con las emisiones de efecto invernadero que se producen en el ambiente (Quiñones, 2021). Considerando estos aspectos, la empresa privada analizada de la cual no se da el nombre debido a su confidencialidad ha enfrentado varios retos relacionados con el consumo energético en sus sistemas de refrigeración. Esto se debe a que existe una carencia en sistemas de control avanzado dentro de las cámaras de refrigeración que consideren aspectos como la temperatura, humedad, flujo de aire y presión no permitiendo que exista un ajuste dinámico de estos parámetros con respecto a las condiciones ambientales de la zona. Este problema principal produce que el sistema sufra de fluctuaciones térmicas, un mayor desgaste de los equipos y el incremento en los costos de mantenimiento debido a un control ineficiente. Una oportunidad para abordar esta problemática consiste en la implementación de técnicas de control avanzado, tales como el uso de algoritmos predictivos o modelos 53 Control inteligente y eficiencia energética en refrigeración industrial matemáticos basados en redes neuronales los cuales pueden mejorar aspectos como el consumo energético, tiempo de enfriamiento y la operatividad del sistema, garantizando que las condiciones internas de las cámaras mantengan una estabilidad para la conservación adecuada de los productos. En la empresa alimenticia cuyo nombre se reserva debido a temas de confidencialidad, la cual se encuentra ubicada en la provincia de Santo Domingo de los Tsáchilas, se ha presentado la necesidad de mejorar el control de las cámaras de refrigeración mediante el análisis y evaluación de diferentes técnicas de control automático avanzado en donde se pueda optimizar de manera eficiente el consumo energético y el desempeño operativo de este tipo de sistemas en el contexto y condiciones ambientales de la zona, sin comprometer la calidad del proceso de refrigeración. La optimización energética y operativa de las cámaras de refrigeración industrial se presenta como un desafío a ser abordado para la mejora en las industrias del sector alimenticio de la zona de Santo Domingo, considerando las condiciones climáticas del sector, mismas que requieren altas demandas de refrigeración para la conserva correcta de los alimentos. Tomando en cuenta esto, los sistemas de refrigeración representan un alto porcentaje en el consumo total de la empresa de estudio la cual alcanza el 30% de acuerdo con las bases del consumo analizado de la compañía. Este alto consumo implica un impacto directo en los costos de operación de la planta, considerando que los equipos de condensación que se utilizan para el enfriamiento tienen potencias elevadas lo cual incrementa el costo de la tarifa eléctrica. De igual manera, los costos asociados a este tipo de sistemas se consideran como un factor importante ya que el mantenimiento de compresores puede llegar a cerca de $30,000 mensuales cuando presentan fallas en su funcionamiento, lo cual representa un impacto económico para la empresa. Este costo, pese a no ser habitual, genera 54 Control inteligente y eficiencia energética en refrigeración industrial problemas que incrementan de manera directa el costo del producto final para los usuarios, que se puede evitar mejorando la eficiencia de los sistemas de control optimizando la gestión energética y las condiciones de operación. La presente investigación se enfoca en analizar diferentes técnicas de control automático de tal forma que se mejore la eficiencia energética en las cámaras de refrigeración de la empresa, considerando que las estrategias tradicionales de control no consiguen adaptarse de manera correcta a la dinámica de ciertas variables involucradas en el sistema tales como la temperatura, humedad, presión y flujo de aire lo cual produce un desempeño no adecuado de este tipo de sistemas. La principal justificación de este trabajo de investigación se basa en la inclusión de sistemas avanzados, como el control predictivo, adaptativo o basado en inteligencia artificial ya que estos poseen un mejor potencial para responder de forma eficiente a los cambios de las variables analizadas, optimizando el consumo energético y la estabilidad operativa. El diseño de la presente investigación es de tipo cuantitativo experimental debido a que permite evaluar de forma objetiva cada una de las técnicas de control avanzado considerando aspecto de eficiencia energética y operativa en las cámaras de refrigeración industrial. Al aplicar técnicas como la recolección y análisis de datos numéricos se garantiza el enfoque cuantitativo para determinar que los resultados obtenidos tengan una fundamentación. En cuanto al componente experimental, se ejecutan las simulaciones bajo diversas condiciones de operación aplicando las estrategias de control predictivo, adaptativo e inteligencia artificial, validando la efectividad de cada uno. La aplicación de este diseño se lo realiza mediante la implementación de los modelos matemáticos y aplicación de simulaciones en el entorno de MATLAB/Simulink, donde se analizan distintos escenarios de perturbaciones y operación en las cámaras de refrigeración. Estos experimentos permitirán la manipulación de la variable controlada para 55 Control inteligente y eficiencia energética en refrigeración industrial observar el impacto que tiene cada controlador en respuesta a aspectos como el consumo energético y la estabilidad térmica del sistema. Estos resultados serán comparados entre sí para determinar qué estrategias de control es la más adecuada para la aplicación en las cámaras de refrigeración analizadas. En cuanto a las fases de investigación, la primera corresponde a la observación directa, en donde se ejecuta el monitoreo y registro de las variables que influyen en el comportamiento de las cámaras de refrigeración, lo cual se realiza utilizando sensores y sistemas de adquisición de datos. Esta observación permite entender la dinámica del sistema para poder implementarla en el entorno de simulación. Estos datos son importantes para poder evaluar el funcionamiento de las técnicas de control y establecer una referencia inicial para la posterior validación. En la segunda fase se analizan los datos obtenidos y se genera el modelo computacional para examinar el comportamiento del sistema en estado transitorio y en estado estable verificando el tipo de modelo que corresponde a su funcionamiento. Mediante diversas pruebas se observa la estabilidad y relación con diversas variables que afecten el comportamiento operativo del sistema. En base a este análisis se determinará la línea base para la comparación y definición de los escenarios de prueba en donde se evaluarán las estrategias de control. Finalmente, en la tercera fase se realiza las simulaciones mediante el uso de un simulador para modelar y evaluar el desempeño de las técnicas de control predictivo, adaptativo e inteligencia artificial. Se aplicarán escenarios similares para cada propuesta de control de tal manera que se puedan comparar los resultados obtenidos en cada uno identificando cuál de ellos tiene una mejor respuesta en cuanto a la optimización del consumo energético y mejoramiento de la estabilidad del sistema. Los instrumentos de investigación se escogieron de tal forma que se pueda garantizar el registro, procesamiento y análisis 56 Control inteligente y eficiencia energética en refrigeración industrial de los datos necesarios para el diseño y validación de las técnicas de control aplicadas a las cámaras de refrigeración industrial. A continuación, se presentan los principales instrumentos definidos: •MATLAB/Simulink: Utilizado como herramienta principal para la implementación y evaluación de las técnicas de control planteadas. En este software se modela la dinámica operativa de la planta, se realizan las simulaciones bajo diferentes escenarios y se analiza la influencia de las estrategias de control en cuanto a eficiencia y estabilidad. •Sistemas de adquisición de datos: integra un sistema de adquisición de datos que el cual permite el registro de las variables de las cámaras de refrigeración en tiempo real por medio de sensores. Este sistema permite que pueda integrar esta información en Matlab/Simulink para aplicar la identificación y así obtener el modelo de la planta. •Análisis Comparativo de Técnicas de Control: Se validan las estrategias de control avanzado, evaluando parámetros como como eficiencia energética, estabilidad, repuesta ante perturbaciones y complejidad de implementación, determinando la técnica más adecuada para optimizar el sistema de enfriamiento. 2.2. Enfoques de control en sistemas industriales El control de procesos industriales constituye uno de los pilares fundamentales en la automatización moderna, ya que permite garantizar la estabilidad, eficiencia y calidad en la operación de sistemas complejos. La diversidad de dinámicas presentes en los entornos industriales ha impulsado el desarrollo de múltiples enfoques de control, que van desde métodos clásicos hasta técnicas avanzadas apoyadas en inteligencia artificial. Entre los más utilizados se encuentra el controlador Proporcional-Integral-Derivativo (PID), reconocido por su simplicidad, robustez y facilidad de 57 Control inteligente y eficiencia energética en refrigeración industrial implementación en la mayoría de los procesos productivos. No obstante, las crecientes exigencias en términos de precisión, adaptabilidad y capacidad de respuesta frente a entornos no lineales han favorecido la incorporación de estrategias más sofisticadas, como el control difuso (Fuzzy), el control basado en redes neuronales y los controladores adaptativos. Estos enfoques ofrecen diferentes ventajas: mientras el PID sigue siendo una solución versátil para procesos lineales y de dinámica bien definida, los controladores difusos y neuronales destacan por su capacidad para gestionar la incertidumbre, la complejidad y los comportamientos no lineales. Por su parte, los controladores adaptativos permiten una respuesta flexible frente a cambios en la dinámica del sistema, ajustando parámetros en tiempo real. El análisis y comparación de estas técnicas resulta esencial para seleccionar la estrategia más adecuada en función de los objetivos de operación, las restricciones técnicas y los requerimientos de sostenibilidad energética. En este sentido, la integración de diferentes métodos de control no solo optimiza el desempeño de los sistemas industriales, sino que también contribuye a la innovación tecnológica y a la competitividad en sectores clave de la producción. •Controlador PID clásico El controlador Proporcional Integral Derivativo (PID) es el controlador con más utilidad dentro de la industria, este permite ajustar la salida de la planta de acuerdo con la combinación de las acciones Proporcional (P), Integral (I), Derivativo (D). En la Tabla 2.1 se observan las principales ventajas y desventajas del Controlador PID, destacando que posee una fácil implementación dado que la mayoría de los controladores de la industria tienen bloques definidos para este tipo de control. En cuanto a las desventajas se tiene que requiere ajustar de manera específica para evitar pérdidas de estabilidad. 64 Control inteligente y eficiencia energética en refrigeración industrial temperatura de trabajo a las que está sometida. En la Figura 2.6 se observan los datos de cada una de las 6 cámaras de refrigeración de la empresa siendo la cámara 2 la cual se tomará como referencia para el análisis y modelado matemático. Figura 2.6. Datos registrados en cámaras de refrigeración de la empresa. Al ser un sistema que se encuentra influenciado por factores tales como la potencia de refrigeración, el flujo de aire del ventilador, estado del extractor y la válvula de inyección de vapor se considera como un sistema MIMO, tal y como se observa en la Figura 2.7. Para esto se realizó un análisis de balance energético para determinar cada una de las ecuaciones diferenciales que representan el comportamiento del sistema. Figura 2.7. Variables que intervienen en la cámara de refrigeración. 65 Control inteligente y eficiencia energética en refrigeración industrial •Balance térmico de temperatura Se determina la variación de energía interna de la masa de aire de acuerdo con la ecuación diferencial: (Ec. 2.1) Donde: 𝑚𝑎: Masa de Aire dentro de la cámara 𝑐𝑝: Calor Específico del aire 𝑇: Temperatura interna de la cámara de refrigeración 𝑄𝑖𝑛 = 𝑘(𝑇𝑎𝑚𝑏 − 𝑇): Ganancia de Calor 𝑄𝑜𝑢𝑡 = 𝑈1: Potecia Calórica del Sistema Simplificando los valores: Aplicando la Transformada de Laplace: Agrupando: Linealizando el sistema para obtener un sistema de primer orden, asumiendo que la temperatura interna debe rondar en 0 °C: 66 Control inteligente y eficiencia energética en refrigeración industrial Se obtiene la función de transferencia: Definiendo que: 𝐾11 = 0.0076 Ω → Ganancia de Temperatura por Aplicación de Potencia 𝜏𝑇11 = 1200 𝑠 → Tiempo de Estabilización de Temperatura Obteniendo: Se considera también el efecto que tiene el flujo de aire sobre la temperatura, ya que el aire mejora la convección incrementando la capacidad de enfriamiento del sistema. En base a esto se plantea la ecuación: (Ec. 2.2) Donde: 𝑎1: Contante Proporcional de enfriamiento 𝑏1: Constante de Efecto del Flujo en el enfriamiento 𝑈2: Flujo de aire en la cámara de Refrigeración Calculando la Transformada de Laplace: 𝑠𝑇(𝑠) = 𝑎1𝑇(𝑠) + 𝑏1𝑈2(𝑠) Se obtiene la función de transferencia: 67 Control inteligente y eficiencia energética en refrigeración industrial Donde: Finalmente, el modelo matemático de la temperatura en la cámara de refrigeración se representa por: (Ec. 2.3) En la Figura 2.8 se observa el diagrama de bloques correspondiente a las funciones de transferencia que representan la dinámica de la temperatura en el sistema de refrigeración analizado el cual consta de 2 bloques escalón que representan la potencia de refrigeración y el flujo de aire del ventilador, 2 bloques de función de transferencia y un sumador que dará la respuesta total del sistema para visualizarla en el scope. Figura 2.8. Diagrama de bloques Simulink de temperatura interna del sistema. 68 Control inteligente y eficiencia energética en refrigeración industrial Finalmente, en la Figura 2.9 se observa el comportamiento frente a una entrada escalón, mismo que permite observar de manera precisa cómo el sistema responde a un cambio repentino y sostenido en la entrada tanto para la potencia de refrigeración y el flujo de aire del ventilador. Se puede observar que se tiene un sistema lento y estable, con una dinámica de primer orden con un tiempo de establecimiento que va en torno a los 500.89 segundos. Figura 2.9. Respuesta al escalón del comportamiento dinámico de temperatura. •Balance de masa de vapor de agua Se utiliza el principio de conservación de la masa de vapor de agua en un volumen controlado la cual está representada por: (Ec. 2.4) Donde: 𝐻(𝑡): Cantidad de Humedad en el Sistema 𝑎2: Constante de Eliminación de Humedad 69 Control inteligente y eficiencia energética en refrigeración industrial 𝑏2: Cantidad de Inyección de Vapor 𝑢3(𝑡): Señal que Controla la Inyección de Vapor Se aplica la transformada de Laplace: 𝑠𝐻(𝑠) = −𝑎2𝐻(𝑠) + 𝑏2𝑈3(𝑠) Agrupando: (𝑠 + 𝑎2)𝐻(𝑠) = 𝑏2𝑈3(𝑠) Se obtiene la función de transferencia: Para obtener una función de primer orden se reemplaza: Se considera también el efecto que tiene el flujo de aire sobre la humedad, considerando una función de transferencia lineal de la forma: Donde: 70 Control inteligente y eficiencia energética en refrigeración industrial Obteniendo: Finalmente, el modelo matemático de la humedad en la cámara de refrigeración se representa por: (Ec. 2.5) En la Figura 2.10 se observa el diagrama de bloques correspondiente a las funciones de transferencia que representan la dinámica de la humedad en el sistema de refrigeración analizado el cual consta de 2 bloques escalón que representan el estado del extractor y el flujo de aire del ventilador, 2 bloques de función de transferencia y un sumador que dará la respuesta total del sistema para ser visualizado en el scope. Figura 2.10. Diagrama de bloques Simulink de humedad interna del sistema. Finalmente, en la Figura 2.11 se observa el comportamiento de la humedad frente a una entrada escalón tanto para el flujo del aire del ventilador como el estado del extractor. El sistema es de primer orden estable con un tiempo de establecimiento de 979.0149 segundos y con una respuesta suave, sin sobreimpulso ni oscilaciones. 71 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.11. Respuesta al escalón del comportamiento dinámico de humedad. •Balance de masa de aire Según el principio de conservación de masa de aire en un volumen cerrado se tiene la expresión: (Ec. 2.6) Y se relaciona la masa de aire con la presión mediante la ecuación de gases expresada por: 𝑃𝑉 = 𝑚𝑅𝑇 (Ec.2.7) Despejando: Donde: 𝑃: Presión de aire 𝑉: Volumen de aire 72 Control inteligente y eficiencia energética en refrigeración industrial 𝑅: Constante Específica del Aire 𝑇: Temperatura Absoluta 𝑚: Masa del Aire Derivando respecto al tiempo: Reemplazando en el balance de masa de aire: Se asume que: 𝑚󰇗𝑖𝑛 = 𝑏3𝑢4(𝑡) → Donde esta expresión representa la apertura o cierre de la válvula de ingreso de aire. 𝑚󰇗𝑜𝑢𝑡 = 𝑎3𝑃(𝑡) → Relación con la Presión interna del sistema. Obteniendo: Reemplazando: Se calcula la transformada de Laplace: Despejando se obtiene: 73 Control inteligente y eficiencia energética en refrigeración industrial De igual manera se analiza la influencia del flujo de aire en la presión mediante una función de transferencia lineal de la forma: Donde: Obteniendo: Finalmente, el modelo matemático de la presión en la cámara de refrigeración se representa por: (Ec. 2.8) En la Figura 2.12 se observa el diagrama de bloques correspondiente a las funciones de transferencia que representan la dinámica de la presión en el sistema de 80 Control inteligente y eficiencia energética en refrigeración industrial de 572.93[s], las cuales ingresaron 0.2 y -0.2 [°C] al sistema en diferentes tiempos. Figura 2.18. Respuesta al escalón unitario del sistema de control PID de temperatura con perturbaciones. Posteriormente se realiza el mismo procedimiento para el sistema de control PID de Humedad generando el diagrama de bloques que se observa en la Figura 2.19 en donde se colocan las respectivas perturbaciones para poder observar la respuesta del sistema. Figura 2.19. Diagrama de bloques del sistema de control PID de humedad con perturbaciones. Se observa en la Figura 2.20 la respuesta al escalón unitario en donde se verifica que tiene un sobreimpulso únicamente que lleva a los 8.02% y con una respuesta a las perturbaciones que corresponde a 777.924[s]. las cuales ingresaron 0.2 y -0.2 [%HR] al sistema en diferentes tiempos. 81 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.20. Respuesta al escalón unitario del sistema de control PID de humedad. Igualmente se procede a generar el diagrama de bloques del Sistema de Control PID de presión incluyendo las perturbaciones respectivas que permitan comprobar su respuesta tal y como se observa en la Figura 2.21. Figura 2.21. Diagrama de bloques del sistema de control PID de presión con perturbaciones. Se observa en la Figura 2.22 la respuesta al escalón unitario en donde se verifica que tiene un sobreimpulso únicamente del 9.46% con respecto al set point y con una respuesta a las perturbaciones que corresponde a 328.52 [s], las cuales ingresaron 0.2 y -0.2 [Pa] al sistema en diferentes tiempos. 82 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.22. Respuesta al escalón unitario del sistema de control PID de presión. Finalmente se implementa el diagrama de bloques del Sistema de Control PID de flujo de aire incluyendo las perturbaciones respectivas que permitan comprobar su respuesta tal y como se observa en la Figura 2.23. Figura 2.23. Diagrama de bloques del sistema de control PID de flujo de aire con perturbaciones. 83 Control inteligente y eficiencia energética en refrigeración industrial Se observa en la Figura 2.24 la respuesta al escalón unitario en donde se verifica que tiene un sobreimpulso de 7.53% con respecto al set point y con una respuesta a las perturbaciones que corresponde a 35.62 [s], las cuales ingresaron 0.05 y -0.05 [m3/s] al sistema en diferentes tiempos. Figura 2.24. Respuesta al escalón unitario del sistema de control PID de flujo de aire con perturbaciones. •Sintonización de los controladores PID Se realiza la sintonización de los controladores para observar el comportamiento en diversas condiciones de Kp, Ki y Kd de tal forma de observar la respuesta y seleccionar el mejor. Mediante Zieger Nichols y una sintonización por medio del PID Tuner se implementaron 3 controladores de cada variable, como se muestra en la Figura 2.25. 84 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.25. Sintonización de Controladores PID a) Controlador de Temperatura, b) Controlador de Humedad, c) Controlador de Presión, d) Controlador de Flujo. Se comprueba en la Tabla 2.7 que el controlador de temperatura sintonizado mediante la herramienta PID Tuner, específicamente el segundo controlador, da mejores resultados con un sobreimpulso del 6.94% y un tiempo de establecimiento de 54.9711 [s]. En cuanto a humedad el controlador 3 entrega un tiempo de establecimiento de 657.88 [s] y un sobreimpulso de 7.53%. La respuesta de los otros controladores se observa en la Tabla 2.7. Tabla 2.7. Parámetros de sintonización de controladores PID. Controlador PID Temperatura Zieger Nichols PID Tuner 1 PID Tuner 2 KP 85,4874 5,0856 2,8020 KI 13,8155 0,0658 0,0364 KD 3,4539 -3,4670 -164,2100 85 Control inteligente y eficiencia energética en refrigeración industrial Sobreimpulso 12,30% 6,94% 7,53% Tiempo de Establecimiento 5,8863 54,9771 36,1954 Tiempo de Subida 0,6771 14,2432 7,5279 Controlador PID Humedad Zieger Nichols PID Tuner 1 PID Tuner 2 KP -8,8850 -1,3375 -1,9389 KI -0,0921 -0,0100 -0,0154 KD 75,4330 12,1400 1,8066 Sobreimpulso 11,37% 6,58% 8,02% Tiempo de Establecimiento 226,3619 779,9637 657,8849 Tiempo de Subida 43,5620 227,7644 166,3800 Controlador PID Presión Zieger Nichols PID Tuner 1 PID Tuner 2 KP 0,3100 0,0181 0,0456 KI 0,1085 0,0004 0,0010 KD 2,3026 0,0000 -0,1960 Sobreimpulso 14,34% 9,46% 9,44% Tiempo de Establecimiento 43,3532 293,8641 164,6339 Tiempo de Subida 4,8818 77,7893 32,0335 Controlador PID Flujo de Aire Zieger Nichols PID Tuner 1 PID Tuner 2 KP 0,3893 0,0287 0,0627 KI 0,5464 0,0027 0,0070 KD 0,4575 -0,0020 0,0506 Sobreimpulso 12,30% 6,94% 7,53% Tiempo de Establecimiento 5,8863 54,9771 36,1954 Tiempo de Subida 0,6771 14,2432 7,7225 86 Control inteligente y eficiencia energética en refrigeración industrial Implementación de controlador MPC Para poder implementar un controlador predictivo, se utiliza el bloque MPC Controller el cual asigna cada una de las variables de entrada y salida para posteriormente realizar la sintonización como se observa en la Figura 2.26 mediante la variación del horizonte de predicción (20) y el control de predicción (2). Figura 2.26. Sintonización del controlador MPC. Una vez sintonizados cada uno de los controladores se procede a implementar el sistema de control MPC de temperatura como se observa en la Figura 2.27 ubicando las mismas perturbaciones que en el controlador PID para poder evaluar y comparar su respuesta. Figura 2.27. Diagrama de bloques del sistema de control MPC de temperatura con perturbaciones. 87 Control inteligente y eficiencia energética en refrigeración industrial Se procede a verificar la respuesta del sistema como se observa en la Figura 2.28, donde se comprueba que un sobreimpulso que llega al 9.85% previo a la estabilización, sin embargo, se observa que tiene un tiempo de establecimiento de 4086.5 [s] y un tiempo de recuperación ante perturbaciones de 1389 [s], las cuales ingresaron 0.1 y -0.1 [°C] al sistema en diferentes tiempos. Figura 2.28. Respuesta al escalón unitario del sistema de control MPC de Temperatura con perturbaciones. Posteriormente se procede a implementar sistema de control MPC, tanto para la humedad, como para la presión dentro de un mismo controlador como se observa en la Figura 2.29 con sus respectivas perturbaciones. 88 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.39. Diagrama de bloques del sistema de control MPC de humedad y presión con perturbaciones. Se procede a verificar la respuesta del sistema de humedad como se observa en la Figura 2.30, donde se comprueba que tiene un sobreimpulso de 16.19% previo a la estabilización, con un tiempo de establecimiento de 6005.1 [s] y un tiempo de recuperación ante perturbaciones de 2061 [s], las cuales ingresaron 0.1 y -0.1 [%HR] al sistema en diferentes tiempos. De igual manera, se observa en la Figura 2.31 la respuesta del sistema de presión con el controlador MPC implementado, donde comprueba que se tiene un sobreimpulso de 29.63% previo a la estabilización, con un tiempo de establecimiento de 3497.9 [s] y un tiempo de recuperación ante perturbaciones de 1062 [s], las cuales ingresaron 0.2 y -0.2 [Pa] al sistema en diferentes tiempos. 89 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.30. Respuesta al escalón unitario del sistema de control MPC de humedad con perturbaciones. Figura 2.31. Respuesta al escalón unitario del sistema de control MPC de presión con perturbaciones. 96 Control inteligente y eficiencia energética en refrigeración industrial Se procede a verificar la respuesta del sistema como lo muestra la Figura 2.38, donde comprueba que se tiene un sobreimpulso que llega a los 7.99% previo a la estabilización con un tiempo de establecimiento de 378.12 [s] y un tiempo de recuperación ante perturbaciones de 431.99 [s], las cuales ingresaron 0.1 y -0.1 [°C] al sistema en diferentes tiempos. Figura 2.38. Respuesta al Escalón Unitario del Sistema de Control Neuronal de Temperatura con Perturbaciones. De igual manera, se genera el modelo entrenado de red neuronal de humedad y exportado hacia Simulink de tal forma que se pueda conectar el bloque como se observa en la Figura 2.39 con sus respectivas entradas, salidas y perturbaciones para poder ejecutar las validaciones respectivas. Figura 2.39. Diagrama de bloques del sistema de control neuronal de humedad con perturbaciones. 97 Control inteligente y eficiencia energética en refrigeración industrial Se procede a verificar la respuesta del sistema de humedad como se observa en la Figura 2.40, donde comprueba que se tiene un sobreimpulso que llega al 7.50% del set point esperado, con un tiempo de establecimiento de 506.64 [s] y un tiempo de recuperación ante perturbaciones de 555.19 [s], las cuales ingresaron 0.1 y -0.1 [%HR] al sistema en diferentes tiempos. Figura 2.40. Respuesta al escalón unitario del sistema de control neuronal de humedad con perturbaciones. Se genera el modelo entrenado de red neuronal de presión y se exporta hacia Simulink de tal forma que se pueda conectar el bloque como indica la Figura 2.41 con sus respectivas perturbaciones para poder ejecutar las validaciones respectivas. Figura 2.41. Diagrama de bloques del sistema de control neuronal de presión con perturbaciones. 98 Control inteligente y eficiencia energética en refrigeración industrial Se procede a verificar la respuesta del sistema de presión como se observa en la Figura 2.42 donde se comprueba que tiene un sobreimpulso que llega al 9.91% del set point esperado, con un tiempo de establecimiento de 592,22 [s] y un tiempo de recuperación ante perturbaciones de 514.12 [s], las cuales ingresaron 0.1 y -0.1 [Pa] al sistema en diferentes tiempos. Figura 2.42. Respuesta al escalón unitario del sistema de control neuronal de presión con perturbaciones. Finalmente, se genera el modelo entrenado de red neuronal de flujo de aire y se lo exporta hacia el entorno de Simulink de tal forma que pueda conectar el bloque como indica la Figura 2.43 con sus respectivas perturbaciones para poder ejecutar las validaciones. 99 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.43. Diagrama de bloques del sistema de control neuronal de flujo de aire con perturbaciones. Se procede a verificar la respuesta del sistema de flujo de aire con el controlador neuronal como se observa en la Figura 2.44, donde se comprueba que tiene un sobreimpulso del 5.05% del set point, con un tiempo de establecimiento de 103,1 [s] y un tiempo de recuperación ante perturbaciones de 128.45 [s], las cuales ingresaron 0.1 y -0.1 [m3/s] al sistema en diferentes tiempos. Figura 2.44. Respuesta al escalón unitario del control neuronal de flujo de aire con perturbaciones. 100 Control inteligente y eficiencia energética en refrigeración industrial •Sintonización del controlador neuronal Se ejecuta la sintonización de los controladores neuronales para observar el comportamiento en diversas arquitecturas variando la cantidad de neuronas en la capa oculta y el tipo de función de entrenamiento de tal forma que se pueda observar la respuesta y seleccionar el mejor controlador. Se implementaron 3 controladores de cada variable, como se muestra en la Figura 2.45. Figura 2.45. Sintonización de Controladores Neuronal a) Controlador de Temperatura, b) Controlador de Humedad, c) Controlador de Presión, d) Controlador de Flujo. Se comprueba en la Tabla 2.10 que el controlador de temperatura ajustado 3500 datos de entrenamiento, 1500 para la validación, con 10 neuronas en la capa oculta y una función de activación bayesiana entrega mejores resultados para esta variable con un sobreimpulso del 1.93% y un tiempo de establecimiento de 392.2 [s]. La respuesta de los otros controladores se las observa en la Tabla 2.10. 101 Control inteligente y eficiencia energética en refrigeración industrial Tabla 2.10. Parámetros de sintonización de controladores neuronales. Controlador NEURONAL Temperatura Exactitud 1,0000 1,0000 0,9900 Sobreimpulso 7,99% 1,93% 8,64% Tiempo de Establecimiento 378,1281 392,2098 1.183,8000 Tiempo de Subida 97,3135 201,3648 166,7700 Controlador NEURONAL Humedad Exactitud 0,9999 0,9999 0,9998 Sobreimpulso 7,50% 161,85% 189,12% Tiempo de Establecimiento 506,6422 850,1057 489,2298 Tiempo de Subida 117,9284 20,8440 12,9042 Controlador NEURONAL Presión Exactitud 0,9998 0,9998 0,9996 Sobreimpulso 5,63% 30,98% 9,91% Tiempo de Establecimiento 511,7900 403,7349 592,2214 Tiempo de Subida 182,3800 46,3600 121,7669 Controlador NEURONAL Flujo de Aire Exactitud 0,9650 0,9709 0,9545 Sobreimpulso 7,90% 5,05% 3,36% Tiempo de Establecimiento 62,2697 103,1012 171,8107 Tiempo de Subida 17,2223 37,5116 65,0972 Implementación de controlador adaptativo Para la implementación de un controlador adaptativo en el modelo planteado se utiliza el bloque Model Reference Adaptative Control que se observa en la Figura 2.46 el cual requiere un modelo de referencia al cual va a ajustar el control y el modelo original de la planta. Para el caso planteado ajusta a un modelo de primer orden el cual tiene un tiempo 102 Control inteligente y eficiencia energética en refrigeración industrial menor de establecimiento y que está dado por la función de transferencia que se presenta a continuación: (Ec. 2.11) Figura 2.46. Parámetros del bloque Model Reference Adaptative Control para control de temperatura. Una vez establecido el sistema de referencia se implementa el diagrama de bloques del controlado adaptativo de temperatura que indica la Figura 2.47, donde coloca como entradas el error y la salida de temperatura medida y conecta la salida de control al modelo de la planta. De igual manera que los casos anteriores ubican las perturbaciones que permiten la validación y verificación de los resultados del controlador. Figura 2.47. Diagrama de bloques del sistema de control adaptativo de temperatura con perturbaciones. 103 Control inteligente y eficiencia energética en refrigeración industrial Se procede a verificar la respuesta del sistema de temperatura con el controlador adaptativo como visualiza la Figura 2.48, donde se comprueba que tiene un sobreimpulso que llega a 9.29%, con un tiempo de establecimiento de 14.58 [s] y un tiempo de recuperación ante perturbaciones de 20.478 [s], las cuales ingresaron 0.1 y -0.1 [°C] al sistema en diferentes tiempos. Figura 2.48. Respuesta al escalón unitario del sistema de control adaptativo de temperatura con perturbaciones. Como se observa en la Figura 2.49, implementa el sistema de control adaptativo en base a la referencia de humedad asignada, y conecta cada uno de los componentes incluyendo las perturbaciones para comprobar el funcionamiento del controlador. Figura 2.49. Diagrama de bloques del sistema de control adaptativo de humedad con perturbaciones. 104 Control inteligente y eficiencia energética en refrigeración industrial Se verifica la respuesta del sistema de humedad con el controlador adaptativo como se visualiza en la Figura 2.50, donde se comprueba que tiene un sobreimpulso del 0% y un tiempo de recuperación ante perturbaciones de 1.54 [s], las cuales ingresaron 0.05 y -0.05 [%HR] al sistema en diferentes tiempos. Figura 2.50. Respuesta al escalón unitario del sistema de control adaptativo de humedad con perturbaciones. De igual manera, como muestra la Figura 2.51, implementa el sistema de control adaptativo en base a la referencia de presión asignada, y conecta cada uno de los componentes incluyendo las perturbaciones para comprobar el funcionamiento del controlador. Figura 2.51. Diagrama de bloques del sistema de control adaptativo de presión con perturbaciones. 105 Control inteligente y eficiencia energética en refrigeración industrial Verificando la respuesta del sistema de presión con el controlador adaptativo como visualiza la Figura 2.52, donde comprueba que tiene sobreimpulso de 0% y un tiempo de recuperación ante perturbaciones de 0,34 [s], las cuales ingresaron 0.05 y -0.05 [Pa] al sistema en diferentes tiempos. Figura 2.52. Respuesta al escalón unitario del sistema de control adaptativo de presión con perturbaciones. Finalmente, como se indica la Figura 2.53, se implementa el sistema de control adaptativo en base a la referencia de flujo de aire asignada, y conecta cada uno de los componentes incluyendo las perturbaciones para comprobar el funcionamiento del controlador. Figura 2.53. Diagrama de bloques del sistema de control adaptativo de flujo de aire con perturbaciones. 112 Control inteligente y eficiencia energética en refrigeración industrial Tabla 2.15. Parámetros de evaluación de controladores avanzados para humedad. Comprobación Humedad PID MPC NEURONAL ADAPTATIVO Tiempo de Establecimiento (s) 828,64 2018,5 506,64 65,39 Sobreimpulso (%) 8,02 14,69 7,5 0 Error en Estado Estacionario 0 0 0 0 Tiempo de Establecimiento en Perturbaciones (s) 777,92 2061 555,19 1,54 Consumo Energético Estado Estable (W) 302,5 302,9 1082,3 302,7 En la Tabla 2.16 se observa el score obtenido para los controladores de humedad, donde indica que el controlador adaptativo genera mejores resultados que los otros con un 4.65 puntos, seguido del PID con 4.2. Tabla 2.16. Score total de controladores de humedad. Comprobación Humedad PID MPC NEURONAL ADAPTATIVO Tiempo de Establecimiento (s) 3 2 4 5 Sobreimpulso (%) 3 2 4 5 Error en Estado Estacionario 5 5 5 5 Tiempo de Establecimiento en Perturbaciones (s) 3 2 4 5 Consumo Energético Estado Estable (W) 5 3 2 4 SCORE TOTAL 4,2 3,1 3,55 4,65 En cuanto a presión interna de la cámara, la Tabla 2.17 visualiza que el control adaptativo presenta ventajas hacia los otros controladores con respecto al tiempo de establecimiento con 110.52 [s], no genera sobreimpulso, tiene un error en 113 Control inteligente y eficiencia energética en refrigeración industrial estado estacionario de 0 igual que los otros controladores, y posee un tiempo de recuperación ante perturbaciones de 0.34 [s]. En cuanto al consumo energético se visualiza que el controlador MPC tiene una mayor ventaja con 1082 [W], seguido del control neuronal con 1648 [W]. Tabla 2.17. Parámetros de evaluación de controladores avanzados para presión. Comprobación Presión PID MPC NEURONAL ADAPTATIVO Tiempo de Establecimiento (s) 438,74 754,15 592,22 110,52 Sobreimpulso (%) 9,46 29,63 9,91 0 Error en Estado Estacionario 0 0 0 0 Tiempo de Establecimiento en Perturbaciones (s) 328,52 1062 514,12 0,34 Consumo Energético Estado Estable (W) 1994 1082 1648 1994 La Tabla 2.18 muestra el Score Obtenido para los controladores de presión, en donde verifica que el controlador Adaptativo genera mejores resultados que los otros con un 4.3 puntos, seguido del neuronal con 3.85. Tabla 2.18. Score total de controladores de presión. Comprobación Presión PID MPC NEURONAL ADAPTATIVO Tiempo de Establecimiento (s) 4 2 3 5 Sobreimpulso (%) 4 2 3 5 Error en Estado Estacionario 5 5 5 5 Tiempo de Establecimiento en Perturbaciones (s) 4 2 3 5 Consumo Energético Estado Estable (W) 2 5 4 3 SCORE TOTAL 3,55 3,8 3,85 4,3 114 Control inteligente y eficiencia energética en refrigeración industrial Se evalúa los controladores avanzados para la planta de flujo de aire de la cámara de refrigeración analizada como indica la Tabla 2.19. Se visualiza que el controlador Adaptativo tiene un tiempo de establecimiento de 72.59 [s] con un error en estado estacionario de 0 y un consumo energético de 51.95 [W]. Con respecto al sobreimpulso este controlador presenta un 0 al igual que el MPC, seguido del neuronal que posee un 5.05%. El control adaptativo y PID tienen mejor tiempo de recuperación ante perturbaciones con 0.62 [s] y 35.62 [s] respectivamente. Tabla 2.19. Parámetros de evaluación de controladores avanzados para la variable de flujo de aire. Comprobación Flujo de Aire PID MPC NEURONAL ADAPTATIVO Tiempo de Establecimiento (s) 52,38 307,81 103,1 72,59 Sobreimpulso (%) 7,53 0 5,05 0 Error en Estado Estacionario 0 0 0 0 Tiempo de Establecimiento en Perturbaciones (s) 35,62 515,11 128,45 0,62 Consumo Energético Estado Estable (W) 116,9 571,4 571,4 51,95 La Tabla 2.20 indica el score obtenido para los controladores de presión, donde determina que el controlador adaptativo genera mejores resultados que los otros controladores con 5 puntos, seguido del PID con 4.1 puntos. 115 Control inteligente y eficiencia energética en refrigeración industrial Tabla 2.20. Score total de controladores de flujo de aire. Comprobación Flujo de Aire PID MPC NEURONAL ADAPTATIVO Tiempo de Establecimiento (s) 4 2 3 5 Sobreimpulso (%) 3 5 4 5 Error en Estado Estacionario 5 5 5 5 Tiempo de Establecimiento en Perturbaciones (s) 4 2 3 5 Consumo Energético Estado Estable (W) 4 3 3 5 SCORE TOTAL 4,1 3,55 3,65 5 Finalmente se realiza la comparación de cada uno de los controladores implementados que se sintonizaron para mejorar la respuesta operativa de cada uno observando el comportamiento con respecto a la función escalón como se muestra en la Figura 2.56. Se verifica que el controlador neuronal para temperatura tiene una respuesta sin oscilaciones y con un sobreimpulso del 8.94% y un tiempo de establecimiento de 101.47 segundos. En cuanto a la variable de humedad, se muestra que el controlador adaptativo ajustado tiene un sobreimpulso de 0% y un tiempo de establecimiento de 38.59 segundos. Por otro lado, la variable de presión el controlador adaptativo tiene una respuesta que sobresale con respecto a las otras variables con un sobreimpulso de 2.31% y un tiempo de establecimiento de 89.99 segundos. Por último, el controlador de flujo de aire, en este caso el neuronal, tiene un tiempo de establecimiento 103.13 segundos y un sobreimpulso de 5.03% siendo los que mejor respuesta ofrecen en el sistema. 116 Control inteligente y eficiencia energética en refrigeración industrial Figura 2.56. Comparativa Final de Controladores a) Controlador de Temperatura, b) Controlador de Humedad, c) Controlador de Presión, d) Controlador de Flujo. En base a los resultados obtenidos se observa que las técnicas de control avanzadas como el MPC, Neuronal y el Adaptativo generan mejores resultados en cada una de las comparaciones de control considerando los aspectos de consumo energético y eficiencia operativa. 117 Control inteligente y eficiencia energética en refrigeración industrial La investigación se realizó en una industria alimenticia ubicada en la parroquia Valle Hermoso del cantón Santo Domingo, en la provincia de Santo Domingo de los Tsáchilas, Ecuador, donde se analizó la problemática del consumo energético y la eficiencia operativa de las cámaras de refrigeración industrial. La empresa estudiada, cuyo nombre se mantiene en reserva por razones de confidencialidad, enfrenta limitaciones derivadas de la ausencia de sistemas de control automático avanzado que integren de manera dinámica variables críticas como la temperatura, la humedad, el flujo de aire y la presión. Esta carencia provoca fluctuaciones térmicas, incremento del desgaste de los equipos y mayores costos de mantenimiento, lo que afecta directamente la sostenibilidad y calidad de los procesos de refrigeración. En este contexto, se evaluaron diferentes técnicas de control automático, entre ellas el controlador PID, el controlador predictivo basado en modelos (MPC), el controlador difuso, los controladores neuronales y el control adaptativo. Se comprobó que el controlador PID presenta ventajas de fácil implementación y bajo costo computacional, aunque sus prestaciones son limitadas en sistemas complejos. Por su parte, el MPC mostró un alto potencial para sistemas multivariables con múltiples entradas y salidas, aunque su aplicación práctica se ve restringida por el elevado costo computacional. Los controladores neuronales demostraron gran capacidad de adaptación a sistemas no lineales, aunque su diseño es complejo debido a la amplia variabilidad de configuraciones posibles. El control adaptativo, en cambio, se destacó por no requerir ajustes constantes, ya que se adapta automáticamente a la referencia planteada, aunque también implica un costo computacional elevado. El modelado matemático de las cámaras de refrigeración incluyó variables como temperatura, CONCLUSIONES 118 Control inteligente y eficiencia energética en refrigeración industrial humedad, presión y flujo de aire interno, considerando como variables de control la potencia de refrigeración, la potencia del ventilador, el estado del extractor y la válvula de inyección. Mediante ecuaciones de balance térmico, balance de masa de vapor, balance de masa de aire y dinámica del aire interno, se verificó que esta última influye de manera significativa en las variables de temperatura, humedad y presión. Las funciones de transferencia implementadas en Simulink permitieron observar el comportamiento del sistema en lazo cerrado, comprobando que el flujo de aire presenta un amortiguamiento que genera oscilaciones, mientras que las demás variables son subamortiguadas y no generan oscilaciones. Finalmente, la simulación y validación de las técnicas de control implementadas arrojaron resultados diferenciados según la variable de estudio. Para la temperatura, el controlador neuronal ofreció una respuesta sin oscilaciones, con un sobreimpulso del 7.99 % y un tiempo de establecimiento de 378.12 segundos. En la humedad, el controlador adaptativo ajustado alcanzó un desempeño sobresaliente, con sobreimpulso del 0 % y un tiempo de establecimiento de 65.39 segundos. Respecto a la presión, el mismo controlador adaptativo mostró los mejores resultados, también con un sobreimpulso del 0 % y un tiempo de establecimiento de 110.52 segundos. En el flujo de aire, igualmente el control adaptativo ofreció la mejor respuesta, con un tiempo de establecimiento de 72.59 segundos y un sobreimpulso del 0 %. La investigación evidencia que la implementación de técnicas de control automático avanzado, en particular el uso de controladores adaptativos y neuronales representa una alternativa viable para mejorar la eficiencia energética, la estabilidad del sistema y la conservación de productos en cámaras de refrigeración industrial. La integración de estos métodos en la empresa analizada permitiría reducir los costos operativos, prolongar la vida útil de los equipos y optimizar los procesos productivos, generando un impacto positivo tanto en la sostenibilidad empresarial como en la calidad de los productos almacenados. 119 Control inteligente y eficiencia energética en refrigeración industrial Abo-Sennah, M., El-Dabah, M., & Mansour, A. (2021). Maximum power point tracking techniques for photovoltaic systems: A comparative study. International Journal of Electrical and Computer Engineering (IJECE), 11(1), 57–73. https://doi.org/10.11591/ijece. v11i1.pp57-73 Bustamante-Limones, A., Rodríguez-Borges, C., & Pérez-Rodríguez, J. A. (2024). Evaluación del uso de gemelos digitales en los sistemas de producción. AiBi Revista de Investigación, Administración e Ingeniería, 12(3), 195-204. https://doi.org/10.15649/2346030X.4382 Covarrubias, C., Farrera, N., & Guillén, H. (2022). Desarrollo de un microgenerador eléctrico termoacústico, que funciona con el calor residual de una fuente térmica. Ciencia Latina Revista Científica Multidisciplinar, 6(4), 5668–5680. https://ciencialatina.org/index.php/ cienciala/article/view/3040/4454 Crisanto, W. (2018). Estudio comparativo de los costos de operación del túnel de enfriamiento continuo y el túnel de enfriamiento californiano para optimizar el proceso de empacado de la uva, en la agrícola Zeit Organisch S.A.C. [Tesis de grado, Universidad Nacional de Piura]. Cuevas, C., & Fonseca, N. (2020). Modelado de un sistema de refrigeración caracterizado en un rango amplio de condiciones de operación. Ingeniare. Revista chilena de ingeniería, 28(4), 728–739. https://www.scielo.cl/pdf/ingeniare/ v24n4/art16.pdf Ecuador. Agencia Nacional de Regulación, Control y Vigilancia Sanitaria. (2015). Registro Oficial Res. 042 BPM-Alimentos. https://www. controlsanitario.gob.ec/wp-content/uploads/ downloads/2015/08/Registro-Oficial-Res-042BPM-Alimentos.pdf REFERENCIAS BIBLIOGRÁFICAS 120 Control inteligente y eficiencia energética en refrigeración industrial Ecuador. Asamblea Nacional Constituyente. (2008). Constitución de la República del Ecuador. Registro Oficial 449. https://www.oas.org/juridico/pdfs/mesicic4_ecu_ const.pdf Ecuador. Asamblea Nacional. (2019). Ley Orgánica de Eficiencia Energética. Registro Oficial 475. https://www. gob.ec/sites/default/files/regulations/2024-08/Ley%20 Organica%20Eficiencia%20Energ%C3%A9tica%20 Ultima%20Reforma%20R.O.%20475.pdf Ecuador. Concejo Municipal de Santo Domingo. (2025). Situación. https://www.santodomingo.gob.ec/ Ecuador. Instituto de Investigación Geológico y Energético. (2025). Consumo eléctrico por habitante continúa creciendo en Ecuador. https://www.geoenergia.gob.ec/ consumo-electrico-por-habitante-continua-creciendo-enecuador Ecuador. Instituto Ecuatoriano de Normalización. (2009). Norma técnica ISO/TS 22002-1:2009. Programas de prerrequisitos en seguridad alimentaria. https://www.inapidte.ac.cr/pluginfile.php/14489/mod_resource/content/13/ pdf/normas.pdf Ecuador. Instituto Ecuatoriano de Normalización. (2019). Infórmate sobre las Normas de Inocuidad de los Alimentos que cuidan de ti. https://www.normalizacion. gob.ec/informate-sobre-las-normas-de-inocuidad-de-losalimentos-que-cuidan-de-ti Fornés, J. (2022). Estudio y desarrollo de un sistema de refrigeración mediante células Peltier para el alivio en pacientes con dolor crónico [Tesis de maestría, Universidad Politécnica de Valencia]. Franco, C. A., & Velásquez, F. (2000). Cómo mejorar la eficiencia operativa utilizando el trabajo en equipo. Estudios Gerenciales, (76), 27-35. https://www.redalyc.org/ pdf/212/21207602.pdf Gómez, J. (2023). Desarrollo e implementación de un sistema de control avanzado no lineal de brazos y cabeza para un robot móvil [Tesis de maestría, Pontificia Universidad Católica del Perú]. 121 Control inteligente y eficiencia energética en refrigeración industrial Gómez, M., Nieto, E., Moscoso, E., & Lascano, N. (2024). Actividades de innovación en el sector alimentos y bebidas de Ecuador: Un modelo probabilístico. Contaduría y Administración, 69(231), 278-301. https://dialnet.unirioja. es/descarga/articulo/9418388.pdf Guaján, N. (2024). Análisis de la cadena de suministro agroalimentaria con un enfoque en sostenibilidad de una empresa productora de pulpas de fruta [Tesis de grado, Escuela Politécnica Nacional]. Hansem, R. (2022). Diseño y análisis comparativo de un sistema de péndulo invertido aplicando técnicas de control lineal cuadrático gaussiano [Tesis de grado, Universidad Católica de Santa María]. Idme, P. (2021). Análisis de la conservación de alimentos en cadena de frío con base a un sistema Peltier [Tesis de grado, Universidad Tecnológica del Perú]. International Organization for Standardization. (2018). Norma internacional ISO 22000. https://iestpcabana.edu.pe/wpcontent/uploads/2021/11/NORMA-ISO-22000.pdf Martínez, M., & Nicolalde, J. (2023). Diseño e implementación de sistemas de control embebidos; PID, por retroalimentación de estados y lógica difusa en plantas de temperatura y velocidad de motor DC, para prácticas en laboratorio de control automático y microcontroladores [Tesis de grado, Escuela Superior Politécnica del Litoral]. Organización de las Naciones Unidas para la Alimentación y la Agricultura. (2025). Almacenamiento no refrigerado o refrigerado de la carne fresca y los subproductos comestibles. https://www.fao.org/4/t0566s/T0566S12.htm Ortiz, A., Garcia, S., & Simarro, R. (2021). Comparative study of optimal multivariable LQR and MPC controllers for unmanned combat air systems in trajectory tracking. Electronics, 10(3). https://doi.org/10.3390/ electronics10030331 Pampamallco, J. (2022). Diseño e implementación de controladores basados en lógica difusa para una planta de procesos multipropósito [Tesis de grado, Universidad de Ingeniería y Tecnología]. 128 Control inteligente y eficiencia energética en refrigeración industrial ISBN: 978-1-968794-14-9 El libro aborda la problemática del alto consumo energético en los sistemas de refrigeración utilizados en la industria alimentaria, con especial énfasis en el contexto ecuatoriano. La investigación se llevó a cabo en una empresa de la parroquia Valle Hermoso, cantón Santo Domingo, provincia de Santo Domingo de los Tsáchilas en ecuador; cuyo nombre se reserva por confidencialidad. En este entorno, se identificaron retos asociados al elevado gasto energético, fluctuaciones térmicas y desgaste prematuro de equipos, ocasionados por la ausencia de sistemas de control avanzado en las cámaras de refrigeración. El estudio integra fundamentos teóricos y prácticos sobre control automático, modelamiento matemático de variables críticas como temperatura, humedad, presión y flujo de aire, así como la implementación de estrategias de control inteligente, incluyendo controladores PID, predictivos (MPC), adaptativos y neuronales. Se diseñaron modelos de simulación en Simulink para evaluar la dinámica de los sistemas y validar la respuesta en lazo cerrado bajo diferentes condiciones. Los resultados demostraron que los controladores neuronales aplicados a la temperatura ofrecieron una respuesta estable con un sobreimpulso de 7.99 % y un tiempo de establecimiento de 378.12 segundos. En cuanto a la humedad, el controlador adaptativo ajustado obtuvo un desempeño óptimo, con 0 % de sobreimpulso y un tiempo de establecimiento de 65.39 segundos. Variables como presión y flujo de aire también evidenciaron un mejor comportamiento bajo control adaptativo, mostrando estabilidad y rapidez en el ajuste. Este libro constituye un aporte académico y técnico dirigido a estudiantes, investigadores y profesionales de la ingeniería de control, automatización y eficiencia energética. Al combinar teoría, simulación y aplicación práctica, demuestra cómo la implementación de técnicas de control inteligente puede optimizar la operación de los sistemas de refrigeración industrial, reduciendo el consumo energético, mejorando la sostenibilidad ambiental y garantizando la calidad de los productos alimentarios.