Un enfoque PID adaptativo impulsado por metaheurística ligera para la regulación de tanques cónicos no lineales

Mantener los niveles de líquido estables en un mundo inestable

Desde el agua potable hasta la fabricación química, innumerables industrias dependen de tanques que almacenan y transportan líquidos. Cuando esos tanques tienen forma de cono en lugar de cilindro, mantener el nivel de líquido estable se vuelve sorprendentemente complicado. Este artículo presenta una nueva forma de controlar automáticamente el nivel en tanques cónicos mediante un método de optimización rápido y ligero inspirado en el comportamiento de bandadas de flamencos, haciendo que el control avanzado sea práctico incluso en hardware de bajo coste.

Por qué los tanques cónicos son difíciles de controlar

A diferencia de un cilindro de paredes rectas, un tanque cónico se estrecha hacia el fondo, por lo que el área de la sección transversal cambia con la altura. Cuando el tanque está casi vacío, una pequeña entrada de flujo eleva el nivel rápidamente; cuando está casi lleno, la misma entrada cambia el nivel mucho más despacio. Como resultado, la capacidad de respuesta y la estabilidad del tanque dependen fuertemente de cuánto esté lleno. Los controladores industriales tradicionales, que usan ajustes fijos para las acciones proporcional, integral y derivativa (PID), suelen sintonizarse para un punto de operación. En un tanque cónico, eso significa que pueden funcionar bien a una altura pero producir sobreimpulso, respuestas lentas o un mal manejo de perturbaciones en otras alturas.

Un controlador más inteligente que aprende mientras funciona

Para domar este comportamiento variable, los autores diseñan un controlador que se retunea continuamente mientras el tanque opera. En el corazón del enfoque hay un esquema de "referencia de modelo": un modelo objetivo simple define cómo debería subir y asentarse idealmente el nivel—rápido pero no demasiado, estable pero aún sensible. El nivel real del tanque se compara de forma continua con esta respuesta deseada, y la diferencia se convierte en la señal de aprendizaje. Alrededor de esto, un controlador PID ajusta la entrada de la bomba. En lugar de fijar las ganancias PID, el sistema las actualiza con el tiempo para que la salida real del tanque siga lo más posible al modelo de referencia, incluso cuando cambian las condiciones de operación.

Flamencos en silicio: optimización rápida en un ordenador diminuto

La novedad está en cómo se adaptan esos parámetros PID. Muchos métodos modernos de optimización—como algoritmos genéticos o enjambres de partículas—pueden buscar buenos parámetros de controlador, pero a menudo requieren mucha computación y muchas iteraciones, lo cual es impracticable para dispositivos embebidos pequeños. Los autores utilizan en su lugar el Algoritmo de Búsqueda de Flamencos, una metaheurística relativamente ligera inspirada en cómo bandadas de flamencos buscan alimento. En el software, cada "flamenco" representa un conjunto candidato de ganancias PID. Durante ventanas cortas de adaptación, estos candidatos se prueban en un modelo matemático del tanque usando datos de medición recientes, y se calcula el error cuadrático medio de seguimiento. La bandada virtual se mueve por el espacio de posibles ganancias, equilibrando la exploración global con el afinado local hasta encontrar un buen conjunto, todo en decenas de milisegundos.

De las ecuaciones a un sistema de laboratorio funcional

El equipo primero deriva una ecuación basada en la física sobre cómo cambia el nivel de agua en un tanque cónico con entradas y salidas de flujo, capturando cómo el área efectiva y el comportamiento del flujo varían con la altura. Luego construyen un montaje a escala de laboratorio: un tanque cónico transparente, un sensor de nivel, una bomba y un microcontrolador ESP32 conectado a un ordenador de borde Jetson Nano. El lazo de control se ejecuta cada segundo, mientras que el algoritmo Flamingo se activa en intervalos más largos usando una ventana deslizante de datos recientes. Medidas de seguridad como límites de saturación de la bomba y límites de tasa en los cambios de las ganancias PID mantienen las señales al actuador suaves y evitan choques bruscos en el flujo de agua.

¿Qué tan bien funciona en la práctica?

En experimentos con varias condiciones de entrada, el controlador adaptativo basado en Flamingo logró de forma consistente tiempos de subida de aproximadamente 8–13 segundos y tiempos de asentamiento de 30–45 segundos, manteniendo el sobreimpulso en alrededor del 2–5% y errores en estado estacionario por debajo de 0,5 cm. También conservó márgenes de estabilidad generosos, lo que significa que toleró incertidumbres y perturbaciones sin volverse oscilatorio. En comparación con dos recetas de sintonización ampliamente usadas para controladores PID fijos—Ziegler–Nichols y Cohen–Coon—el método adaptativo mostró claramente menor sobreimpulso, asentamiento más rápido, mejor rechazo de perturbaciones y un control de nivel más ajustado en todo el rango de operación del tanque. El análisis estadístico sobre múltiples ejecuciones repetidas confirmó que estas ventajas no fueron solo ensayos aislados afortunados, sino tendencias robustas y repetibles.

Qué significa esto para sistemas del mundo real

Para quienes no son expertos, el mensaje clave es que el control avanzado y autoajustable ya no tiene por qué ser computacionalmente costoso ni estar limitado a hardware grande y caro. Al combinar un modelo de referencia simple con un optimizador rápido inspirado en el comportamiento de bandadas, los autores demuestran un controlador que puede mantener un tanque difícil y altamente no lineal tanto sensible como estable, y hacerlo en dispositivos embebidos modestos. Esto hace más realista desplegar estrategias de control más inteligentes y robustas en plantas reales—mejorando la seguridad, la eficiencia y la calidad del producto dondequiera que sea necesario mantener líquidos en el nivel correcto.

Cita: Rajaram , K., Kathirvel, M. & Subburathinam, K. A lightweight metaheuristic-driven adaptive PID approach for nonlinear conical tank regulation. Sci Rep 16, 13288 (2026). https://doi.org/10.1038/s41598-026-42548-2

Palabras clave: tanque cónico, control PID adaptativo, optimización metaheurística, control embebido, regulación de nivel de líquido