XII Reunin de Trabajo en Procesamiento de la Informacin y Control, 16 al 18 de octubre de 2007

Estimador de Estados en Fermentacin Alcohlica en Continuo de Zymomonas Mobilis Mediante Filtrado Bayesiano Recursivo
Luca Quintero, Adriana Amicarelli, Fernando di Sciascio
Instituto de Automtica (INAUT) Universidad Nacional de San Juan, Av. Lib. San Martn 1109 5400 San Juan Argentina. {olquinte,amicarelli,fernando}@inaut.unsj.edu.ar
En particular el proceso de fermentacin alcohlica en continuo con Zymomonas Mobilis se caracteriza por presentar un problema de difcil solucin. Esto se debe a que estos microorganismos exhiben un comportamiento cintico altamente no lineal y oscilatorio, adems varios de los estados del proceso son difciles o imposibles de medir (concentracin de biomasa y variables intermedias para representar la tasa de cambio en la produccin de etanol y para determinar el efecto de inhibicin). La fermentacin alcohlica llevada a cabo mediante Zymomonas Mobilis tiene algunas ventajas frente a otros microorganismos, estas son: proporciona niveles de etanol cercanos a los de la produccin terica a partir de glucosa, posee una prdida reducida de biomasa, no existe ningn requisito en cuanto a requerimientos de oxgeno, la fermentacin se produce a bajos pH y exhibe una productividad especfica alta, entre otras, siendo esta ltima caracterstica el beneficio de principal inters. En (Quintero L. et al, 2004) se explor la posibilidad de usar el filtro de Kalman y el filtro de Kalman extendido, para la estimacin de biomasa de esta fermentacin, se obtuvieron estimaciones no satisfactorias debido a las fuertes no linealidades presentes en todos los estados del proceso. En general se usan tcnicas de filtrado ptimo para la estimacin de los estados de un sistema dinmico cuyas entradas y salidas son observadas mediante mediciones perturbadas con ruido. Se entiende por estados de un sistema a la mnima informacin necesaria en un tiempo t = t0 que conjuntamente al valor de las entradas definidas en todo tiempo a partir de tt0; permite determinar el Las comportamiento del sistema para cualquier tt0. mediciones son en general inciertas, por ello se habla de ruido de medicin an si se conocieran los estados verdaderos del sistema, las mediciones no son una funcin determinstica de dichos estados sino que poseen una componente aleatoria. En este contexto, la evolucin de los estados se modela mediante un sistema dinmico perturbado por un proceso estocstico (ruido de los estados) mediante una ecuacin diferencial estocstica. El ruido o perturbacin de los estados se incorpora al modelo para representar las incertidumbres del sistema dinmico, las cuales pueden ser de naturaleza aleatoria, como tambin seales o dinmicas no consideradas en el modelo. Segn el paradigma Bayesiano, la solucin del problema de filtrado ptimo en el instante t consiste en obtener la distribucin de probabilidad condicional de los estados, dada la informacin disponible de las observaciones hasta ese instante t . En este trabajo se desarrolla un estimador de estados para el proceso continuo

Resumen En este trabajo se propone un estimador de estados para un bioproceso continuo, empleando a tal fin tcnicas de Filtrado No Lineal. Especficamente se utilizan Filtros Bayesianos Recursivos de tipo SIR (Sampling Importance Resampling) con diferentes esquemas de remuestreo. El comportamiento y desempeo del estimador son ilustrados en el proceso de fermentacin alcohlica en continuo de Zymomonas Mobilis. Palabras Clave Estimadores de Estados, Bioprocesos, Filtrado Bayesiano Recursivo, Monte Carlo. I. INTRODUCCIN En los ltimos aos es evidente el progreso alcanzado en la tecnologa empleada para el desarrollo de sensores en lnea, a pesar de ello, en el rea de los bioprocesos, es frecuente la falta de informacin real de variables qumicas y biolgicas tales como: la concentracin de biomasa, la actividad bacterial especfica, la concentracin de productos intermedios, entre otras. Frecuentemente, estas variables constituyen los estados del bioproceso y son de gran importancia para su monitoreo y control. La eleccin de un observador o estimador de estados depende inherentemente de las especificaciones particulares del problema. En la prctica tiene gran influencia en esta eleccin la disponibilidad de un modelo que sea lo suficientemente representativo del proceso, as como la fidelidad de los datos experimentales. Cuando se dispone de un modelo adecuado, entonces puede usarse un filtro de Kalman extendido, observadores de alta ganancia, o varios estimadores que emplean el modelo del proceso (generalmente basado en primeros principios) para realizar la estima de las variables. Por el contrario cuando el modelo no es suficientemente representativo, pueden emplearse observadores asintticos cuya dependencia con el modelo no es tan estricta, pero su convergencia depende de las condiciones de operacin. Tambin pueden utilizarse observadores basados en herramientas de inteligencia artificial, por ejemplo, redes neuronales artificiales y lgica borrosa, entre otros. En general, cuando el conocimiento a priori sobre el modelo o sobre la planta es incompleto, pueden emplearse diferentes tcnicas de aproximacin procurando la estimacin de estados a partir de la informacin de entrada/salida. Se encuentran en la literatura diversas propuestas para la estimacin de estados en bioprocesos, entre las ms destacadas pueden mencionarse los trabajos de Dochain D., 2002; Dochain D., 2003; Boillereaux L and Flaus J., 2000; Leal Ascencio R., 2001; Adilson J., Rubens M, 2000; Rallo R. et al, 2002.

XII Reunin de Trabajo en Procesamiento de la Informacin y Control, 16 al 18 de octubre de 2007

de fermentacin alcohlica con Zymomonas Mobilis, mediante filtrado no lineal, basado en la aplicacin recursiva del teorema de Bayes y tcnicas de Monte Carlo. Existen innumerables variantes de este mtodo, el cual fue propuesto inicialmente por (Gordon et al, 1993) y se conoce con distintos nombres en la literatura: filtro de partculas, filtros Bayesianos recursivos, filtros recursivos de Monte Carlo y filtros recursivos basados en simulacin, entre otros, ver (Doucet, 1998; Crisan et al, 2002) y las referencias que all se indican. Especficamente en el trabajo se desarrollan variantes de un filtro Bayesiano recursivo tipo SIR (Sampling Importance Resampling) con diferentes esquemas de remuestreo para disminuir el fenmeno de la degeneracin de las muestras (Doucet, 1998). La aplicacin de esta tcnica en este bioproceso, se justifica debido a que el mismo es altamente no lineal y de caractersticas estadsticas no Gaussianas y, como se mencionara anteriormente, otras tcnicas de estimacin no brindaron resultados satisfactorios. En el trabajo se estiman los estados del sistema (concentracin de biomasa, concentracin de sustrato, concentracin de producto y las variables intermedias antes mencionadas) a partir de informacin de entrada/salida y de un modelo disponible del bioproceso. El trabajo se organiza de la siguiente forma: en la Seccin II se presenta el proceso de fermentacin alcohlica en continuo y se hace una resea acerca de las herramientas de estimacin utilizadas, en la Seccin III se realiza una descripcin de la estructura de los algoritmos usados para la estimacin de estados. Luego, en la Seccin IV se presentan los resultados obtenidos y el anlisis correspondiente. Finalmente, en la Seccin V se exponen las conclusiones. II. CASOS DE ESTUDIO Y HERRAMIENTAS DE ESTIMACIN A. Caso de Estudio: Fermentacin Alcohlica en continuo de Zymomonas Mobilis El proceso de fermentacin alcohlica en continuo con Zymomonas Mobilis presenta altos rendimientos de etanol, pero con comportamientos oscilatorios en las variables de estado del proceso. Desde el punto de vista del control esto representa una gran dificultad, sumada a las propias de la medicin de algunos de los estados del sistema, con el fin de ser utilizados como seales de realimentacin. Un modelo del proceso (Maher y Zeng, 1995; Echeverry, et al, 2003), esta dado por las siguientes ecuaciones diferenciales y algebraicas: Concentracin de Biomasa:
dX F F6 = + R 4 + DS 4 F dt V 2 X 1

producto, Qp es la tasa especifica de produccin del etanol, D es la tasa de dilucin total, Ds es la tasa de dilucin de sustrato y Sin es la concentracin de sustrato en la corriente de entrada.

Fig.1 Esquema del proceso continuo de fermentacin

Concentracin de Producto:
dP = QpX DP dt

(3)

Media ponderada de la tasa de cambio de la concentracin de etanol

dZ = (I Z ) dt

(4)

Donde: es el Parmetro histrico ponderado para la tasa de cambio en la concentracin de etanol, e I es la variable intermedia auxiliar para la determinacin del efecto de inhibicin: dI (5) = ( QpX DP I ) dt Efecto dinmico de la tasa de cambio de la concentracin de etanol en el crecimiento de la biomasa 1 e Z e Z (6) f = 1 Z 2 e + e Z

Donde: y son parmetros del factor de inhibicin de la tasa de cambio de la concentracin de etanol. Tasa de crecimiento de biomasa
max S 1 e =
P Pma P Pob b 1 Pmb Pob S ( S Si ) Ks + S + Ki Si
a

(7)

(1)

Donde es la velocidad especfica de crecimiento, R es la tasa de recirculacin de microorganismos, F2 , F4 y F6 son los flujos de salida del bio-reactor, salida de fondo del separador y corriente de realimentacin de biomasa respectivamente (ver Fig.1) Concentracin de Sustrato:

Donde: max es la velocidad especfica de crecimiento mxima, Pma y Pob son factores de inhibicin de Etanol para la tasa especfica de crecimiento en (g/L) y, Pmb es el factor de mxima inhibicin de etanol para el crecimiento de las clulas en (g/L), a y b son exponentes de inhibicin por producto, para la tasa de produccin de etanol, Ks es el coeficiente de saturacin de sustrato, y Ki es un parmetro de inhibicin por sustrato. Se consideran las siguientes condiciones:
P Pob = 0, P Pob Pmb Pob S Si = 0, S Si P Pob = 1, P > Pmb Pmb Pob

dS 1 = dt Yp / s

Q X + DSin DS ( p )

(8)

(2)

Donde: Yp/s es el coeficiente de rendimiento sustrato

donde:

= f * e

(9)

XII Reunin de Trabajo en Procesamiento de la Informacin y Control, 16 al 18 de octubre de 2007

P S Qp = Qpmax 1 Kmp + S Pme

(10)

pueden expresar mediante el siguiente sistema de ecuaciones diferenciales estocsticas o ecuaciones de difusin de It.

En este proceso es importante lograr una adecuada estimacin de los estados no mensurables del sistema con fines posteriores de control. Por otra parte, debido a su capacitancia y comportamiento dinmico, el bioreactor es inherentemente un filtro pasa bajo de las seales de ruido aleatorias.
B. Filtrado No Lineal-Filtros de partculas 1. Resea: A diferencia del caso de sistemas lineales con perturbaciones gaussianas, en el que la solucin al problema del filtrado ptimo esta dada por el filtro de Kalman, en sistemas no lineales, no existe un filtro de dimensin finita que resuelva el problema. En el proceso de inters, la estimacin de estados a travs de Filtro de Kalman Extendido permiti una adecuada estimacin de la biomasa X y de la variable de inhibicin I, pero para los dems estados se presentaron errores de estado estacionario. Para la estimacin del parmetro que representa el retardo de inhibicin , no se logr la convergencia al valor real del parmetro. Para la estimacin simultanea mediante un filtro dual de los estados y el parmetro , se observ que la estimacin de los estados mejor levemente mientras que la de no mejor significativamente. En (Quintero L. et al, 2005) se observ que el comportamiento de los FKE estn sujetos a la influencia de las condiciones iniciales de las variables a estimar y tambin a las condiciones iniciales de sus caractersticas estadsticas (matrices de covarianza). Los resultados obtenidos respecto a la observacin de la biomasa, satisficieron las expectativas y son superiores a los resultados obtenidos en trabajos anteriores usando otras tcnicas reducidas de estimacin (Quintero L et al, 2004).

dxt = f ( xt , t ) dt + ( xt , t ) dwt (13) dyt = g ( xt , t ) dt + dvt Donde f , g y son funciones vectoriales o matriciales de las dimensiones adecuadas y los vectores vt , wt son procesos de Wiener1 independientes.
Bsicamente el problema del filtrado no lineal, consiste t del vector de en obtener la mejor estima posible x estados xt en todo instante de tiempo t , a partir de la informacin disponible de las observaciones yt hasta el instante t

{ ys ; 0 s t} 2. La estimacin ptima de los

estados vendr dada por la esperanza condicional del vector de estados aplicada a la informacin disponible, esto es: t = E ( xt ys ; 0 s t ) x (14) Evidentemente, para calcular la esperanza condicional t , es necesario conocer en anterior y en consecuencia x cada instante de tiempo la funcin de distribucin condicional del vector de estados. Esto implica que la solucin ptima del filtrado no lineal es un problema de dimensin infinita ya que se debe resolver una ecuacin diferencial estocstica en derivadas parciales (ecuacin de Zakai), cuya solucin es precisamente la funcin de distribucin condicional del vector de estados3.
III. DISEO DE LOS ESTIMADORES A. Generalidades El mtodo que constituye la base de muchos filtros desarrollados es conocido como bootstrap, algoritmo de condensacin, filtro de partculas, aproximacin de interaccin de partculas y survival fittest. Este mtodo usa la funcin de importancia, que es una distribucin de probabilidad que depende de las observaciones hasta el instante k, a partir del cual se puede muestrear fcilmente. Aproximando la densidad posterior
i p( x0:k / y1:k 1 ) Wki ( x0:k x0: k) i=1 Ns

2. Introduccin a la tcnica: El problema general de la estimacin de estados de un sistema dinmico, puede interpretarse como un problema de filtrado ptimo no lineal. Se considera un sistema cuyos estados estn compuestos por un vector xt de dimensin n y se supone que la evolucin del sistema esta dada por una ecuacin diferencial vectorial no lineal denominada ecuacin de estados de la forma:

(15)

dxt = f ( xt , t ) + Ruido1 (t ) dt

(11)

Donde los pesos Wki se eligen por muestreo por importancia, bajo las suposiciones de que:

Donde el segundo sumando caracteriza todas las perturbaciones del proceso, tanto externas como internas, que se denominan perturbaciones o ruido de los estados. Las mediciones u observaciones yt que se realizan en la salida del sistema, tambin estn sujetas a perturbaciones (denominadas ruido de medicin) por lo que yt pueden expresarse igualmente por una ecuacin diferencial no lineal similar a la anterior:

Tambin se los denomina en la bibliografa Movimiento Browniano o procesos de Wiener-Levy 2 A la informacin disponible de la observacin del proceso estocstico yt hasta el instante t

se le denomina filtracin Ft

producida por el proceso yt . Por definicin es el -lgebra generada por el proceso estocstico yt . Conceptualmente la filtracin representa la historia del proceso yt hasta el instante
3

dyt = g ( xt , t ) + Ruido2 (t ) dt

(12)

La forma usual de modelar las perturbaciones e incertidumbres es mediante ecuaciones diferenciales estocsticas. Luego, las ecuaciones simblicas anteriores se

t .

En el caso lineal Gaussiano la solucin es de dimensin finita pues todas las funciones de distribucin involucradas no pierden su condicin de Gaussianas y por lo tanto solo es necesario conocer la evolucin en el tiempo de las medias y las varianzas.

XII Reunin de Trabajo en Procesamiento de la Informacin y Control, 16 al 18 de octubre de 2007

medicin, de naturaleza diferente. Se uso entonces este modelo, donde el esquema de estimacin es el de la Fig. 2. Las seales de entrada u(t) (concentracin de sustrato a p( x) q ( x) la entrada Sin , la tasa de dilucin D y el trmino de Los estados pueden muestrearse a partir de la funcin de recirculacin de microorganismos R ) y de salida y(t) (la densidad de importancia concentracin de Sustrato S y de Producto P en el xi q( x) efluente) correspondientes al modelo usado como planta Luego, se elige la funcin de importancia y los pesos se real, alimentan el modelo del filtro que es el que realiza las factorizan de modo de hacerla dependiente slo de xk 1 , de estimaciones de los estados. Estas estimaciones son las que se comparan con las entregadas con el modelo considerado este modo, pueden expresarse como: i i i como patrn. La simulacin del bio-reactor, se realiz a p( yk / xk ) p ( xk / xk ) i i 1 (16) Wk Wk 1 lazo abierto, las entradas u(t) fueron consideradas i i q( xk / xk 1 , yk ) constantes. Se pueden observar claramente las dinmicas y y la densidad posterior por los retardos de inhibicin que hacen que este sistema sea Ns altamente no lineal. i p( xk / y1:k ) Wki ( xk xk ) (17) La densidad de probabilidad de evaluacin de las muestras es proporcional a la funcin de importancia
i=1

El algoritmo consiste en la propagacin recursiva de los pesos y los puntos de soporte cuando cada medida (medicin de la salida) se reciba secuencialmente. El algoritmo como tal, en su concepcin original, tuvo dificultades en cuanto a la reduccin de la varianza y present problemas de degeneracin de las partculas. Por esto, se realizaron mejoras orientadas a evitar que las partculas que no aportaran informacin siguieran siendo consideradas y tendientes a minimizar la varianza de los estimadores. El paso de remuestreo debe realizarse observando la funcin de degeneracin y comparndola con un valor base, esto elimina las partculas con pesos pequeos y concentra las partculas con pesos grandes, esto implica generar un conjunto nuevo de muestras generadas por remuestreo o reemplazo.

ut

MODELO DEL PROCESO

dxt = f ( xt , t ) dt + ( xt , t ) dwt dyt = g ( xt , t ) dt + dvt

yt

MODELO DEL FILTRO

xt +1 = f ( xt , t ) dt + ( xt , t ) dw , yt = g ( xt , t ) dt + dv t

xt

Fig. 2: Esquema de estimacin de estados usado

{ x i* }Ns k i =1 De esta forma, se puede obtener una representacin discreta aproximada de funcin de densidad posterior:
i p( xk / y1:k ) Wki ( xk xk ) i=1 Ns

IV. ANALISIS DE RESULTADOS Y DICUSIN

(18)

Finalmente los pesos se expresan de la forma:

1 (19) Ns El remuestreo puede plantearse tambin con distintas variantes: muestreo estratificado, muestreo residual y muestreo sistemtico. El paso de remuestreo reduce los efectos de la degeneracin pero introduce algunos problemas de tipo prctico, limita la oportunidad de paralelizar el algoritmo ya que se combinan todas las partculas y adems las partculas con grandes pesos son seleccionadas estadsticamente varias veces. Esto lleva a una potencializacin del muestreo, que es una prdida de diversidad dado que las partculas contienen puntos repetidos. Esto es un suceso de gran relevancia cuando existe un ruido de proceso pequeo y finalmente, dada la reduccin de la diversidad de los patrones de las partculas, puede degenerarse cualquier suavizacin (smoothing).

Wki =

Los resultados de esta seccin son producto de la implementacin de la tcnica utilizando desde 100 a 1000 partculas. Se realizaron variaciones de las componentes aleatorias de los modelos agregados para el sistema dinmico. Se utiliz un conjunto de pruebas para medir la efectividad del filtro frente al costo computacional de la aplicacin y as poder analizar la eficiencia de los esquemas de remuestreo usados en esta configuracin. En la tabla 1 se resume el esquema de pruebas utilizado y algunas caractersticas relevantes. Debe observarse que se registran los errores mximos obtenidos entre todas las pruebas para 100-500-1000 partculas sin hacer distincin entre las variaciones de las caractersticas de difusin. Para los valores referenciados como medios mostrados en la tabla, se usan los valores correspondientes a los mximos valores absolutos de los errores medios de las mismas pruebas, sin distincin entre las caractersticas de difusin. El objetivo perseguido es ilustrar los peores casos obtenidos.

B. Particularidades de la aplicacin Se utiliz el modelo desarrollado por Daugulis et al., (1997), posteriormente completado y validado con datos registrados de un proceso real por Echeverry et al., (2003), al cual se le adicion modelos de perturbacin considerando que existen incertidumbres de modelado y de

Tabla 1. Caractersticas de los errores obtenidos en las diferentes pruebas realizadas.

XII Reunin de Trabajo en Procesamiento de la Informacin y Control, 16 al 18 de octubre de 2007

En la Fig. 3, puede observarse el resultado de una prueba realizada para 500 partculas, usando el esquema de remuestreo determinstico para el bioproceso continuo. Se considero como salida medible del sistema el Sustrato y el Producto, (S y P). Para el modelo de ruido aditivo a las mediciones, se utiliz ruido blanco normal, con media y varianza de adecuada y considerable magnitud. Es de notable importancia el hecho de que al final de la estimacin realizada, la magnitud de los errores tiende a aumentar, es decir, la calidad de la estimacin comienza a disminuir debido a que el esquema de remuestreo determinstico no es eficiente en este caso, esto constituye una evidencia del fenmeno llamado empobrecimiento de las muestras (Sample Impovershiment) sumado al efecto de las caractersticas de ruido que son significativas, usadas como prueba de robustez en la estimacin del filtro. Se plantea como hiptesis que el aumento de los errores obedece a deficiencias en la eleccin de la funcin de importancia para este caso particular y se considera la posibilidad del uso de una ms compleja. Todas las graficas se ilustran usando curvas normalizadas en el intervalo [-1,1].
0.15 Biomasa 0.1 0.05 0 -0.05 -0.1 0 Inhibicion Z Inhibicion W Error -1 0 50 Tiempo [Horas] 100 150

(100 partculas), la estimacin se mantendra deficiente, lo que lleva a concluir, que independiente del nmero de partculas usadas en este problema, la mayor influencia en la solucin la tienen las caractersticas de difusin de las mediciones y el esquema de remuestreo utilizado.
1 Filtro SIR Real 0.5 Inhibicin Z

-0.5

-1 0 1 Filtro SIR Real 0.5 Inhibicin W

50 Tiempo [Horas]

100

150

-0.5

Figura 5a. 5b. Las lneas a trazos representan las dinmicas de Inhibicin Z e I estimadas por el Filtro SIR mientras que las lneas slidas describen las dinmicas consideradas reales para el sistema
500 50 Concentracin de Biomasa Tiempo [Horas] 1000 100 1500 150 1

Figura 3. Errores en la estimacin de los estados del bioreactor durante la prueba de 150 horas continuas en simulacin con 0.1 horas de muestreo.
1 Concentracin de Biomasa

0.5

0.5

-0.5 Filtro SIR Real -1 0 50 Tiempo [Horas] 100 150

-0.5 Filtro SIR Real -1 0 50 Tiempo [Horas] 100 150

Figura 6: La lnea slida describe la biomasa estimada (normalizada) por el Filtro SIR mientras que la lnea punteada describe la biomasa considerada real para el sistema.

Figura 4. La lnea a trazos describe la concentracin de biomasa estimada (normalizada) por el Filtro SIR mientras que la lnea slida describe la considerada real

Se realizaron modificaciones al mecanismo de estimacin para mejorar los resultados. Se propusieron cambios en las caractersticas de modelos de incertidumbre y logro observarse que al aumentar la influencia del modelo de difusin y utilizar el esquema de remuestreo Multinomial, pueden tenerse resultados mejorados respecto a los anteriores. Al aumentar el nmero de partculas usado en los filtros a 1000, usando el esquema de remuestreo determinstico, se observo que los errores tienden a aumentar considerablemente (se observa un mximo de 0.2 al final de la estimacin), respecto a los presentados anteriormente. En comparacin con el esquema anterior, usando el mismo tipo de re muestreo, se encontr como particularidad que al disminuir considerablemente el nmero de partculas usado

La necesidad de desarrollar una metodologa para la correcta implementacin de los filtros de partculas en sistema no lineales, radica en las particularidades que estos poseen y que hacen realmente difcil la tarea de caracterizarlos y de hacer un correcto planteamiento de la solucin a estos casos particulares. Dentro de la metodologa de filtrado de partculas, usando el muestreo de importancia, es relevante considerar, para lograr el objetivo que es necesario proponer una funcin de importancia adecuada, y quien disea el filtro debe elegirla dependiendo de cada caso puntual. Esto hace que realizar la aproximacin de las densidades de filtrado (funciones de densidad objetivo), este sujeta a la buena o mala eleccin de la funcin de importancia por parte del diseador.

XII Reunin de Trabajo en Procesamiento de la Informacin y Control, 16 al 18 de octubre de 2007

0.015 0.01 0.005 Error 0 -0.005 -0.01 -0.015 -0.02 0 1 Concentracin de Biomasa Biomasa Inhibicion Z Inhibicion W 50 Tiempo [Horas] 100 150

REFERENCIAS
Adilson J., Rubens M., Soft sensors development for on-line bio-reactor state estimation. Computers and Chemical Engineering 24 ,1099-1103, (2000) Boillereaux L., Flaus J., A New Approach for Designing Model-Based Indirect Sensors IEEE Transaction on Control Systems Technology, Vol. 8, N. 4, July (2000) Crisan, D, Doucet, A. A survey of convergence Results on Particle Filters For Practitioners IEEE Transaction on signal processing, 2002. Daugulis, A.J.; McLellan, P.J. and Li, J. Experimental Investigation and Modeling of Oscillatory Behavior in the Continuous Culture of Zymomonas mobilis, Biotechnology and Bioengineering, 99-105, October 1997. Daugulis, A.J.; McLellan, P.J. and Li, J. The incidence
Filtro SIR Real

0.5

-0.5

of oscillatory behavior in the continuous fermentation of ZM. Biotechnology progress. 1999.

150

-1 0 1

50 Tiempo [Horas] Filtro SIR Real

100

Dochain, D.,State A State Observer for (Bio)Processes with Uncertain Kinetics, Proceedings of the American Control Conference. Anchorage, AK May 8-1 0, (2002). Dochain, D., State and Parameter Estimation in Chemical and Biochemical Processes: A Tutorial, Journal of Process Control, 13, 801-818, (2003). Doucet, A. On Sequential Simulation - Based Methods for Bayesian Filtering. Technical report University of Cambridge, 1998 Echeverry, N., Quintero, O., Ramrez, M., Modelamiento Simulacin y pruebas de control para un bio-reactor alcohlico en continuo, Trabajo de Grado Universidad Nacional de Colombia Sede Medelln, Facultad de Minas, (2003). Echeverry, N., Quintero, O., Ramrez, M Control de un bioreactor para fermentacin alcohlica en continuo XI Congreso latinoamericano Control Automtico, CLCA, Cuba, 2004. Gordon, N. Salmond, D y Smith. A. Novel Approach to Non Linear-Non Gaussian Bayesian State Estimation. IEE Proceedings F Radar, Sonar Navig., vol. 140, pp. 107 113, 1993., Abril 1993 Leal Ascencio R. "Artificial Neural Networks as a Biomass Virtual Sensor for a Batch Process., "Proceedings of the IEEE International Symposium on Intelligent Control, September, Mexico City, ( 2001). Maher, B., and Zeng, R., Experimental Results and Model Reference Adaptive Estimation and Control for a Fermentation Process, Control Engineering Practice, Vol 3, 1995 Quintero, O., di Sciascio, F., lvarez, H., Estructura de Dos Grados de Libertad y Sensor Virtual para Controlar un Bioproceso, XIX Congreso Argentino de Control Automtico AADECA, Bs. As., Argentina, (2004). Quintero, O., di Sciascio, F., Aplicacin del filtro de Kalman extendido a un proceso de fermentacin alcohlica en continuo, XI Reunin de Trabajo en Procesamiento de la Informacin y Control RPIC, (2005). Rallo R., Ferre-Gine J., Arenas A., Giralt F.,"Neural virtual sensor for the inferential prediction of product quality from process variables Computers and Chemical Engineering 26,1735/1754, (2002).

0.5 Inhibicin Z

-0.5

-1 0 1 Filtro SIR Real 0.5 Inhibicin W

50 Tiempo [Horas]

100

150

-0.5

-1 0

50 Tiempo [Horas]

100

150

Figura 8. Estimacin, valor absoluto de los errores de los estados, biomasa y estados de Inhibicin.

V. CONCLUSIONES

En este trabajo se presento un estimador de estados basado en tcnicas de Filtrado No Lineal. La aplicacin de los filtros de partculas desarrollados como estimadores de estados, pueden utilizarse para sistemas dinmicos no lineales no Gaussianos. Se ejemplific e ilustr para el caso de un bio-reactor para el proceso de fermentacin alcohlica en continuo de Zymomonas Mobilis. Se observ que la aplicacin de esta herramienta como estimador de estados es aceptable, factible y de implementacin viable para resolver el problema de estimacin de biomasa en lnea, en un proceso fermentativo continuo, debido a su confiabilidad y costo computacional admisible para los tiempos de muestreo del problema real.