Congreso Anual 2009 de la Asociacin de Mxico de Control Automtico. Zacatecas, Mxico.

1



ResumenEn este artculo se aborda el desarrollo de un
mtodo de diagnstico de fallas con filtro de Kalman para la
estimacin de los estados y probabilidad de Bayes para la
seleccin de la funcin de activacin, Este mtodo aborda
sistemas no lineales continuamente diferenciables mediante el
enfoque multi-modelos. El caso de estudio presentado es un
intercambiador de calor

Palabras clave: Multi-modelos, filtro de Kalman, diagnstico
de fallas.
I. INTRODUCCIN
El crecimiento de la complejidad de los sistemas modernos
en la ingeniera y el incremento en la demanda de calidad,
costo, eficiencia, seguridad y fiabilidad, ha dado como
resultado un gran inters en el desarrollo de los mtodos de
deteccin y localizacin de fallas. En la prctica, los
procesos industriales como minera, qumicos, tratamiento
de agua, son caracterizados por ser procesos complejos, los
cuales trabajan en diferentes regmenes de operacin. Esto
dificulta la obtencin de modelos no lineales (NL) que
describan exactamente a la planta en todo el rgimen de
funcionamiento. Adems que el desarrollo de modelos no
lineales requiere de un esfuerzo considerable de desarrollo
matemtico, costo computacional y conocimiento de la
planta. Aun y s, se obtiene el modelo no lineal global, este
no es apropiado para el control ya que no rene los pre-
requisitos necesarios para una tcnica de control no lineal
[1]. De otra forma, los modelos lineales son simples de
obtener y proveen tcnicas para la identificacin del sistema,
control y monitoreo. Una alternativa atractiva para sustituir
el modelado no lineal es usar una estrategia multi-modelo
lineal.

En la literatura se han propuesto tcnicas para la deteccin y
diagnostico de fallas [2, 3]. Estas tcnicas pueden ser
clasificadas como redundancia material y redundancia
analtica. La redundancia analtica o enfoque basado en
modelo es un mtodo popular para FDI (Fault Detection
Isolation) porque tiene la ventaja de ser econmico y ocupa
menos espacio con respecto a la redundancia material [4]. El
enfoque que utiliza filtro u observador es una tcnica de
redundancia funcional basada en la estimacin de estados.
La idea del enfoque es reconstruir las salidas del sistema por
medio de las entradas y salidas medidas usando


observadores o filtros de Kalman y usando los residuos para
la deteccin de fallas [5].

Este artculo est organizado de la siguiente manera, en la
seccin 2 se presenta el enfoque multi-modelo con filtro de
Kalman, en la seccin 3 presentamos el caso de estudio que
es un intercambiador de calor, en la seccin 4 se presentan
los resultados en simulacin del enfoque multi-modelo y
finalmente en la seccin 5 se presentan las conclusiones.
II. ENFOQUE DE MODELOS MLTIPLES LINEALES PARA
SISTEMAS NO LINEALES
En el contexto de algoritmos de modelos mltiples de tipo
fijo, el enfoque multi-modelo lineal se utiliza para las tareas
de estimacin o identificacin, el control y el diagnstico de
fallas. [6]. Para lograr el enfoque MML, se debe
descomponer un sistema no lineal, en varios regmenes de
funcionamiento simple. Se utiliza un modelo lineal en cada
punto de operacin. El inters se centra en sistemas no
lineales continuamente diferenciables para su aplicacin en
el diagnstico. Cada uno de los puntos de operacin
mencionados se selecciona para la definicin de un
comportamiento dinmico lineal en todo el rgimen de
funcionamiento del sistema no lineal. Las ecuaciones de un
sistema NL por la representacin de espacio de estados es la
siguiente:
( ) ( ) ( ) ( ) ( )
( ) ( ) ( ) ( ) ( ) k w k U k X g k Y
k v k U k X f k X
, ,
, , 1
=
= +
(1)

Donde:

es el vector de estados,
p
R U e es el vector
de entradas,

es el vector de ruido del sistema,

es el vector de salida medida,

es el ruido
en la salida medida, y son funciones continuamente
diferenciables. La representacin de un sistema NL por
mltiples modelos lineales es representado por:

( ) ( )
( ) k f F k w k u D k x C k y
k f F k v k u B k x A k x
i
i i
Y i i Y i i i i i
X i X i i i i i
+ + A + + =
+ + A + + = +
) ( ) ( ) ( ) (
) ( ) ( ) ( 1
(2)
donde:

son matrices con dimensiones

apropiadas,

son las matrices de distribucin de fallas

de actuadores y sensores respectivamente, es el vector de
fallas, con
x
i
y
y
i
como vectores constantes que
dependen del j-simo modelo lineal tal como:
Diagnstico de fallas en intercambiadores de calor: enfoque Multi-
Modelos
Betty Y. Lpez Zapata*, Manuel Adam Medina, R.F. Escobar, C.M. Astorga-Zaragoza
Centro Nacional de Investigacin y Desarrollo Tecnolgico.
Int. Internado Palmira S/N, Palmira C.P.62490, Cuernavaca, Mor., Mxico
bettylopez07e@cenidet.edu.mx
Telfono: (777)-52-39-715
Congreso Anual 2009 de la Asociacin de Mxico de Control Automtico. Zacatecas, Mxico.


2


e
i i
e
i Y
e
i i
e
i i
e
i X
X C Y
U B X A X
i
i
= A
= A ,
(3)
2.2 Conmutacin entre los modelos

Si existe un gran nmero de modelos lineales, es posible
hacer una mejor estimacin del sistema NL. Sin embargo el
problema de la conmutacin de los modelos se complica.
Por eso hay un compromiso entre la exactitud de la
estimacin (relacionado con el nmero de modelos) y la
carga de clculo. La estructura de los modelos lineales
locales es vlida en la vecindad del punto de operacin. El
sistema lineal definido por la ecuacin (2) puede
especificarse mediante el siguiente conjunto de matrices:
{ } M j
v F D C
w F B A
S
j Y Y j j
j X X j j
j
j j
j j
,..., 2 , 1 , e
(
(

A
A
=
(4)
Dado que ( ) k S es una secuencia variante de matrices
dentro de un conjunto convexo, definida como:
( ) ( ) ( ) ( )
)
`

= > =
= =
1 , 0 :
1 1
k k S k k S
j
M
j
j j
M
j
(5)
Donde () es una funcin de ponderacin. En el marco de
MML, S(k) caracteriza en cada periodo de muestreo, al
sistema no lineal. La suma de las contribuciones de cada uno
de los modelos lineales en un instante de tiempo, permite la
reconstruccin del sistema completo. Esta reconstruccin se
conoce como modelo global lineal definido a partir de un
sistema no lineal.
La conmutacin determina al mejor modelo lineal y la
contribucin de cada uno de ellos en cada instante de
tiempo. La conmutacin ha recibido diversos nombres, tales
como: probabilidad de validacin [6], trayectoria de
referencia [7] o funcin mnima [8]. La probabilidad

()
es una funcin de ponderacin de cada modelo [6]. El valor
mximo de la probabilidad es la unidad y la probabilidad de
cada modelo puede tomar valores entre cero y uno, pero la
suma de stos deber ser siempre igual a uno [6]:
( ) | | 1 , 0 , : ) ( U Y k
i

=
=
N
i
i
k
1
1 ) (
(6)

Esto significa que la probabilidad del modelo lineal ms
cercano al modelo no lineal en un instante (k) da la mayor
contribucin al modelo global reconstruido. Es decir, que el
valor de la probabilidad es igual o tiende a 1. Por el
contrario, para el modelo ms lejano la probabilidad tiende a
cero [6, 9].

Se propone el mtodo Bayesiano para la solucin de este
problema. La probabilidad de Bayes est definida mediante
una probabilidad condicional: a partir de que ha ocurrido el
suceso B se deducen las probabilidades del suceso A. Se
inicia dando las condiciones de la funcin de validacin de
los elementos utilizados. La salida medida del sistema NL se
representa por y la salida histrica medida por

= [, ( 1, , )]

. La probabilidad
condicional (|

) indica la probabilidad de que el modelo

j es la mejor descripcin del sistema conociendo la salida
histrica en el instante (k) [6]. Aplicando el teorema de
Bayes, obtenemos:

=
,

(7)
donde: (|,

( )) es la funcin de densidad de
probabilidad (FDP) del j-simo modelo en el instante k. La
ecuacin (7) describe cmo una nueva salida del sistema
influye en la prediccin de la validacin del modelo [6].
La estimacin de un modelo lineal estocstico se puede
obtener a travs de un filtro de Kalman. Esto ltimo implica
que los residuos

= (para cada modelo) con una

probabilidad de distribucin gaussiana tienen estadstica
conocida. Esta caracterstica de los filtros de Kalman puede
utilizarse en combinacin con la regla de Bayes para la
estimacin de la distribucin de probabilidad de los
parmetros del sistema. Si el i-simo modelo describe
exactamente al sistema, los residuos

de los modelos son

de media cero, y la covarianza de los residuos , se define
como:
i
= C
i
P
i
C
i
T
+ R
i
, donde P
i

es la covarianza del error
de estados del i-simo filtro de Kalman, basado en el i-simo
modelo, y

es la covarianza del ruido en la salida del i-
simo modelo. Bajo la hiptesis de estado estacionario:
( ) ( )
( ) ( ) | |
,
det 2
5 . 0 exp
2
1
1
i
k
m
T
i
k
i
k
i
k
i
k
r r
O
)
`

O
=

t
(8)
Basada en la funcin de distribucin de probabilidad, una
probabilidad normalizada, denotada (

()), se calcula por

el teorema de Bayes , 1, , como:

( ) ( )
( ) ( ) ( )
( ) ( ) ( )

= +
M
h
i h
i i
i
k r x k
k r x k
k r
1
1

(9)
Por tanto, el algoritmo de probabilidad estimada puede
asegurar un modelo tal que la probabilidad converja a uno,
mientras que los otros modelos asociados converjan a cero.

2.3 Problemtica de la generacin y evaluacin de residuos

Retomando la ecuacin (2) y sin perder la generalidad, de
acuerdo a [10], en presencia de fallas en sensores y
actuadores, el sistema se representa por un sistema lineal con
presencia de fallas en actuadores. El sistema descrito con
fallas solo en actuadores se expresa de la siguiente manera:
j
k Y k j k
j
k X k j k j k j k
v X C Y
f F U B X A X
j
j
+ A + =
+ A + + + =
+
,
1
e
(10)

La matriz de distribucin de fallas est representada por

= ,

, 1, , . Alrededor del j-
simo punto de operacin, se asume que
, 1, , ,

= .

Con esta suposicin, el
sistema evoluciona en torno al j-simo

punto de operacin.
Congreso Anual 2009 de la Asociacin de Mxico de Control Automtico. Zacatecas, Mxico.


3


Un i-simo filtro de Kalman (, 1, , ) (que
representa el nmero de filtros) se describe por:

( )
,

,

1
i
i
Y
i
k i k
X
i
k k
i
k k i
i
k i
i
k
X C Y
Y Y K U B X A X
A + =
A + + + =
+
(11)

Donde

denota el vector de estado estimado y

es la estimacin de la salida obtenida del filtro

lineal basado en el i-simo modelo lineal.

es la
matriz de ganancia del filtro de Kalman. El ndice j
representa al sistema y el ndice i est dedicado a los
modelos para los filtros.

Los filtros de Kalman permiten obtener el error de estado
estimado y los vectores de residuos de salida

). Cuando ocurre una falla y el rgimen de operacin no

cambia (cuando 0 y = ), la diferencia entre la
representacin del sistema de la ecuacin (10) y los filtros de
la ecuacin (11) se muestra en la ecuacin:
( )
j
k
j
k
i
k k j
i
k i
i
k i
i
k
v K d F C K A e c c + + =
+1
(12)

y la estimacin del error de salida
j
k
i
k i
i
k
v C r + = c
(13)

En ausencia de falla, el residuo generado por el i-simo filtro
tiene una distribucin Gaussiana con media cero (denotado
por N). Este residuo permite evaluar la validez de cada
modelo lineal mediante la probabilidad de Bayes. En
presencia de fallas, la siguiente evaluacin se establece
, 1, , :

= =
=
=
, 0 si
, 0 si ~
, para
f r
f r
i j
i
k
i
k
N
N
(14)

donde:

es la distribucin normal (con media cero y matriz
de covarianza. Ahora hablando de los modelos; cada modelo
es diferente del resto, as slo un residuo

puede seguir una

distribucin Gaussiana normal cuando = . Cuando ,
la diferencia entre la representacin del sistema de la
ecuacin (10) con (

) y el filtro de Kalman de la
ecuacin (11) con (

) conducen a un residuo diferente

de ecuacin (14), i.e.

para

con cualquier . De
otra manera, cuando , la diferencia entre la
representacin del sistema y el filtro de Kalman conducen a:

( ) ( )
i
k j
i
Y
i
k
i
X
j
k
j
k
i
k k j
i
k i
i
k i
i
k
j j
K v K d F C K A
, 1
e c c AA AA + + + =
+
(15)
i
k j
i
Y
j
k
i
k i
i
k
j
v C r
,
c AA + + =
(16)

donde

++11
corresponde a la magnitud de los
errores de modelado entre el sistema representado por el j-
simo modelo lineal y el i-simo modelo lineal usado para el
clculo del filtro de Kalman.
X
j
i

++11
y

Y
j
i

++11
son las matrices de distribucin del
error de modelado asociadas a la ecuacin de estado del
sistema y a la ecuacin de salida, respectivamente. Las
dimensiones de
X
j
i
y
Y
j
i
estn directamente vinculadas
con el error de modelado procedentes de las matrices
(

) y (

), respectivamente. El uso de los

filtros de Kalman permiten las siguientes propiedades
residuales , 1, , :

, , 0 si ~ j i f r
i
k
= = N

, , 0 si j i f r
i
k
= = = N



, , 0 si j i f r
i
k
= = = N
(17)
Como se puede observar el residuo est corrompido por dos
informaciones a la vez, por lo tanto no se tendra la eleccin
del modelo adecuado, ni una deteccin y localizacin de
fallas (FDI) correcta.

2.4 Diseo de un banco de filtros desacoplados de las
fallas

Una solucin para resolver el problema mencionado, se basa
en el diseo de un filtro desacoplado de las fallas (FDF)
[11], bajo la suposicin de que ocurra una falla en el tiempo

>

y que cambie el punto de operacin en el

tiempo

>

y exprese el vector de residuo del i-

simo filtro como [1]:
| |
| |
i
k j
i
k j
i
k j k k
k k k k k
i
k j
i
X
i
k
i
k
e e e
d d d j
f f f r r
1 , 1 , , ,
1 1 , ,

+
+
+
+ AA + =
|

(18)
(
(
(
(
(

I
I
=
+
+
j
j
i
k k
j
i
k k
i k k
F
F
F
C
d
d
d

2 ,
1 ,
,

(19)

y
( )
( )
( )
,
1
1 2 ,
1 ,
,
(
(
(
(
(

AA AA
AA AA I
AA AA I
=

+ +
+
i
Y
i
k
i
X
i
Y
i
k
i
X
i
k k
i
Y
i
k
i
X
i
k k
i k k
j j
j e j e
j e j e
e
K
K
K
C

|
(20)


Donde:
( )
( )
,
1
,
, , [

=
= I
k
k k
i i
k k k
e d
e d
L
t
t

( ).
i
i
k i
i
k
C K A L =
(21)

La ecuacin (18) permite confirmar que el residuo se
corrompe por las propagaciones de las fallas y los errores de
modelado. Por lo tanto, el objetivo es generar residuos
insensibles a fallas pero sensibles slo a errores de
modelado, esto es:
( ) { }. , , 1 , 0 M i F C K A
i i
i
k i
e =
(22)

Si la ecuacin (22) se satisface y si el nmero de fallas es
estrictamente menor al nmero de salidas (i.e.

= < , ), una solucin a la ecuacin (22)

se propone en [12], donde el autor parametriz una ganancia
del filtro de Kalman como:
i
i
k i i
i
k
K K E + =

e
(23)

Congreso Anual 2009 de la Asociacin de Mxico de Control Automtico. Zacatecas, Mxico.


4


Con
i
= (

)
+
,

i
, donde

()
, es una matriz constante arbitraria definida, a
fin que la matriz

sea de rango completo. Por lo tanto, el

residuo definido en la ecuacin (18) bajo las igualdades de la
ecuacin (22) llega a ser;
| |
| |.
1 , 1 , , ,
1 ,
i
k j
i
k j
i
k j k k
k i i
i
k j
i
X
i
k
i
k
e e e
j
f F C r r
+

+
+ AA + =
|

(24)
El filtro de Kalman tambin minimiza la traza de la matriz
de varianza-covarianza del error de estimacin. Esta
minimizacin se lleva a cabo bajo la existencia y
condiciones de estabilidad presentadas y estudiadas en [12].

2.5 Estructura del nuevo diseo

De acuerdo a la ecuacin (23), cada filtro de deteccin,
definido en la ecuacin (11), se describe por [11]:
( )( ) ,

1
i
X
i
k k i
i
k i i k i
i
k i
i
k
Y Y K U B X A X A + E + + + =
+

e
,

i
Y
i
k i k
X C Y A + = (25)

Donde
( ) ,
1
+ =
i
T
i k i
T
i k i
i
k
V C P C C P A K

(26)
( ) ( ) ( )
i
T
i
k i
i
k
T
i
i
k i k i
i
k i
i
k
Q K V K C K A P C K A P

+ + =
+1
(27)
Con ( )
T
i i i i i i i i i i i i
R V C C C A A E E = E = =

, , e y
.
T
i i i i i i i
R Q Q e e + =

De acuerdo a la ecuacin (24) y a las
propiedades de las matrices previas, un vector de residuos

se obtiene.
( )
( )
,
~

i
k
i
k
i
k
i
k i
i
k i
i
k k i
i
k k i
r
r
r
Y Y
Y Y
=
(
(

O
=
(
(

E
=
(
(

E
(28)

donde

es el vector de residuos desacoplado de

fallas y

es el vector de residuos sensible a fallas.

Debido a las propiedades de las matrices
i
C
i
F
i
= 0 y

i
C
i
F
i
= I cada residuo de la ecuacin (29) se desarrolla de
acuerdo a la ecuacin (18) en vectores

insensibles y

sensibles a fallas, respectivamente. Como se expresa:
( ) | |,
1 , 1 , , , ,
i
k j
i
k j
i
k j k k i
i
k j
i
X
i
k i
i
k
e e e j
r
+
E + AA + E = |

(29)

( ) | |.
, 1 , , , , 1
i
v j
i
k j
i
k j k k i
i
k j
i
X
i
k i k
i
k
e e e j
r d |

+
+ AA + + = O

(30)
Las ecuaciones (29) y (30) indican que un banco de filtros de
Kalman desacoplados proporciona una solucin al problema
de distincin de fallas en un enfoque multi-modelo. La
comprobacin de este enfoque se presenta en la siguiente
seccin.
III. 3. MODELO DEL INTERCAMBIADOR DE CALOR
Los intercambiadores de calor son equipos que propician el
flujo de energa trmica entre dos o ms fluidos a diferentes
temperaturas. Los intercambiadores de calor se utilizan en
una amplia variedad de aplicaciones como: procesos
qumicos e industria alimenticia, electrnica, ingeniera
ambiental, industria manufacturera y adems diversas
aplicaciones de tecnologa espacial [13].

El modelo de parmetros concentrados se basa en la divisin
del intercambiador de calor en un nmero finito de
elementos, llamados secciones o celdas. Este procedimiento
de seccionamiento asume que cada elemento se comporta
como un tanque perfectamente agitado, y en consecuencia la
temperatura del fluido se considera uniforme. La dinmica
del sistema se obtiene a travs de un balance de energa (31)
que se aplica a cada una de las celdas. Una celda del
intercambiador es una unidad dinmica primitiva que
consiste de dos tanques perfectamente mezclados, con flujos
de entrada y salida, conectados mediante un rea de
transferencia de calor entre stos [14].

)
(31)
Donde cada trmino est definido en la tabla 1 y el modelo
matemtico presentado aqu, toma las siguientes
suposiciones:

S1 Flujos de entrada y salida iguales, implican volumen
constante en ambos tubos.
S2 El coeficiente de transferencia de calor est relacionado
con las temperaturas de los fluidos y con el flujo.
S3 No existe transferencia de calor entre el tubo externo y el
medio ambiente.
S4 No hay almacenamiento de energa calorfica en las
paredes de los tubos.
S5 Las temperaturas de entrada son medibles.

Tabla 1. Nomenclatura
Nomenclatura
Vc Volumen en lado frio, m
3
Vh Volumen en lado caliente, m
3

Flujo volumtrico fluido de enfriamiento, m

3
/s

Flujo volumtrico fluido de calentamiento, m

3
/s
Cpc Calor especfico del fluido frio, J/kgC
Cph Calor especfico del fluido caliente, J/kgC
c Densidad del fluido frio, kg/ m
3

h Densidad del fluido caliente, kg/ m
3

A rea de transferencia de calor m
2

U Coeficiente de transferencia de calor, W/ m
2
-C
Tci, Thi, Temperaturas de entrada del fluido de
enfriamiento y calentamiento respectivamente, C
Tco, Tho, Temperaturas de salida del fluido de enfriamiento
y calentamiento respectivamente, C
ts Tiempo de simulacin
Sub-indices
c Fro
h caliente
i entrada
o salida
IV. RESULTADOS
El mtodo multi- modelo con filtro de Kalman desacoplado
ha sido aplicado a un intercambiador de calor como se
Congreso Anual 2009 de la Asociacin de Mxico de Control Automtico. Zacatecas, Mxico.


5


describe en la seccin 3. Para probar el desempeo del
enfoque, se hicieron diferentes simulaciones.

Tabla2. Datos fsicos utilizados en simulacin
Constantes Valores Unidades
co
o
8.3300e-006 m
3
/s
h 1.667e-5 m
3
/s
Vc 134.99e-6 m
3

Vh 15.512e-6 m
3

cc 4180.9 J/KgC
ch 4196.5 J/KgC
c 985 Kg/ m
3

h 971.1535 Kg/ m
3

A 0.01538752 m
2

U 1400 W/ m
2
-C
Tco
o
47 C
Tho
o
72 C

El objetivo de la simulacin es probar la eficacia del mtodo
propuesto. El primer paso es tomar el sistema representado
por la ecuacin (31), despus se usan los puntos de
operacin dados en la tabla 3 y se linealiza a travs de series
de Taylor. Para el diseo del filtro, se utilizar el conjunto de
matrices (ver Ec. 4) obtenido de la linealizacin. Las
condiciones inciales del proceso son respetadas tanto en la
linealizacin como en el diseo de los filtros de Kalman.

Tabla 3.Puntos de operacin
Tci Thi Tco Tho vc
FK D M1 29 81 47.4 72 7.5x10
-6
FK D M2 29 81.2 50.88 73 5.7x10
-6

FKD M3 30 81.4 61.5 76 2.6x10
-6


El banco de filtros de Kalman permite la generacin de un
banco de residuos

(donde M=3). Cada residuo

corresponde a cada modelo. Los residuos permiten evaluar la
validacin de cada modelo.

El Multi-Modelos + filtro de Kalman fue simulado usando
los valores dados en la tabla 2 y usando los puntos de
operacin dados en la tabla 3. Los parmetros fueron
calculados basados en los puntos de operacin. Las
temperaturas de entrada T
ci
y T
hi
fueron 29C y 81C
respectivamente. El flujo del fluido fro fue variado de
7.5x10
-6
a 2.6x10
-6
m
3
/s. Estas variaciones permitieron los
cambios de punto de operacin. El tiempo de muestreo fue
de t
s
=0.25 s.

Se presenta el primer caso en el que utilizamos multi-
modelos + filtro de Kalman, el pasaje entre modelos se
presenta en la figura 3, el cual depende de la evolucin del
flujo de entrada del fluido fro (v
c
) como se muestra en la
figura 2.


Fig. 2. Flujo de entrada (vc).

Fig. 3. Probabilidad asociada a cada modelo

El desempeo del mtodo MML+FK tiene limitaciones en
presencia de fallas. La figura 4, muestra el comportamiento
del modo de probabilidad
i
(k) cuando una falla se produce
en el instante kd=1625 con una amplitud de 3 C en el
sensor Tho.

Fig 4. Probabilidad asociada a cada modelo con falla

El resultado que se ilustra en la figura 4, muestra un cambio
de modelo en el instante kd=1625 que es en el instante que
ocurre la falla, cambia del modelo 2 al 3. En este caso en
especfico cambia al modelo 3, ya que la magnitud de la
falla hace que l modelo 3 sea el modelo ms representativo.
En la figura 4, se puede apreciar como la funcin de
activacin no selecciona el modelo apropiado en forma
adecuada a travs del enfoque de MML+FK. Esto es debido
a la existencia de dos informaciones a la vez, 1) la falla y 2)
el cambio del punto de funcionamiento.

Se puede concluir que en presencia de fallas, la funcin de
activacin del modelo no es capaz de elegir o dar la
contribucin del modelo ms apropiado, por lo tanto, se
necesita un vector de residuos insensible a las fallas para as
determinar la contribucin de cada modelo sin que se vea
afectado por la falla.

En el mismo contexto, un banco de tres filtros de Kalman
desacoplados es utilizado para lograr obtener la solucin
propuesta [11, 12]. Con el fin de disear un filtro de Kalman
desacoplado (FKD) que detecte fallas de sensor, se utiliza la
tcnica de estados aumentados, donde las fallas de sensor
son consideradas como fallas de actuador [10]. Con esto las
fallas de sensor pueden ser detectadas, localizadas y
estimadas.

Cada FKD est diseado con los criterios estudiados en [12],
la condicin del rango ,

< 2 debe ser

satisfecha. Con este filtro se obtienen 2 residuos ( y

), se
redisea la probabilidad de Bayes utilizando el residuo
insensible a las fallas () [11] para efectuar la funcin de
ponderacin que permita la seleccin del modelo..

Se utilizan los mismos puntos de operacin de la tabla 3 y la
misma seal de entrada de la figura 2 y tenemos la falla que
1(k) 2(k)
3(k)
1(k) 2(k)
)
3(k)
Congreso Anual 2009 de la Asociacin de Mxico de Control Automtico. Zacatecas, Mxico.


6


se produce en el instante kd=1625 con una amplitud de 3 C
en el sensor T
ho
. En la figura 5 se pueden observar la
estimacin de las variable de estado T
ho
con falla.

Fig. 5. Comparacin entre Tho y

estimada, con una falla en Tho de 3C al

tiempo kd=1625.
Fig. 6 Probabilidad asociada a cada modelo con falla.
Fig. 7 Residuo sensible a fallas
En la figura 7, se puede observar el residuo sensible a las
fallas, donde se puede constatar que en el tiempo kd=1625 se
produce una falla de magnitud 3 C. Eso quiere decir que
nuestro enfoque detecta, localiza y estima la falla.

En la figura 6, se presenta la probabilidad de cada modelo.
Como se puede observar la funcin de activacin de los
modelos, es vlida aun en presencia de fallas. Esto quiere
decir que el pasaje de modelos es influenciado nicamente
por el cambio de modelo y no por la aparicin de fallas.

Se pone en evidencia que en presencia de fallas, el enfoque
multi-modelos + filtro de Kalman desacoplado, logra
detectar, localizar y estimar la falla, adems de que la
funcin de activacin no se ve afectada por la presencia de
las fallas y nos da la contribucin del mejor modelo. Ahora
se propone validar el mtodo experimentalmente.

V. CONCLUSIONES

Se puede concluir segn se ha observado a lo largo de este
trabajo, se tiene un enfoque que permite detectar, localizar y
estimar las fallas y a la vez determinar la contribucin de
cada modelo por medio de la estimacin de la funcin de
activacin.

Los resultados obtenidos permiten concluir, que
efectivamente cuando el residuo se ve afectado por dos
informaciones que son: el cambio de modelo y la presencia
de fallas, la estructura multi-modelos con filtro de Kalman
presenta un mal funcionamiento en la funcin de activacin.
Debido a lo anterior se present una solucin en la que se
tiene una estructura multi-modelo con filtro de Kalman
desacoplado, este filtro nos permite tener dos residuos: un
residuo insensible a las fallas y el otro sensible a estas.
Con el residuo insensible a las fallas, se calcula la funcin de
ponderacin de cada modelo, por medio de la probabilidad
bayesiana, por lo tanto, el pasaje de modelos no se ve
afectado por la presencia de fallas. Con el residuo sensible a
fallas, se detecta, se localiza y se estima la falla.

Con el caso de estudio presentado en este trabajo
(Intercambiador de calor) se corroboro el mal
funcionamiento de la estructura multi-modelo con filtro de
Kalman estndar, y tambin se corroboro que la solucin
propuesta si satisface la teora estudiada.

VI. REFERENCIAS

1. Anshuman Bhagwat, R.S., P. R. Krishnaswamy, Multi-linear
model based fault detection during process tansitions. Chemical
Engineering Science, 2002. 58: p. 1649-1670.
2. Patton, R.J., Robust model-based fault diagnosis, the state of the
art. Ifac-Symposium SAFEPROCESS, 1994.
3. Gertler, J.J., Fault Detection and Diagnosis in Engineering
Systems. . Dekker, New York,, 1998.
4. Theilliol, D., Ponsart, J. C., and Noura, H.,, Sensor fault
diagnosis and accommodation based on analytical redundancy:
Application to a three-tank system. SAFEPROCESS, 2000: p.
542547.
5. Frank, P., Fault diagnosis in dynamic systems using analytical
and knowledge based redundancy. Automatica, 1990. 26: p.
459474.
6. A.Banerjee, Y.A., R. Pearson and B. Orgunnaike, H Control of
Nonlinear Process Using Multiple Linear Models. Proceedings
3rd European Control Conference, Rome, Italy, 1995: p. 2671-
2676.
7. Yu-Gent Xi, F.W., and Guo-Hua Wu Romagnoli, Nonlinear
Multi-Model Predictive Control. Proceedings 13th Triennial
World Congress, San Francisco-California, USA, 1996: p. 485-
490.
8. May-Win, L.T., and Eduardo A. Misawa, A Parellel Observer
System for Multirate State Estimation. Proceedings of the
American Control Conferences, San Diego-California,USA,
1999: p. 3885-3889.
9. A. Banerjee, a.Y.A., Model Predictive Control of Plant
Transitions Using a new Identification Technique for
Interpolating Nonlinear Models. Journal of Process Control,
UK, 1998. 8: p. 457-457.
10. J. Park, G.R., W. Ribbens, On the representation of sensors
faults in fault detection filters. Automatica 1994. 30: p. 1793
1795.
11. Adam, M.M., Diagnstico de fallas de un sistemas con
representacin multimodelo lineal e invariante en el tiempo, in
Automatica. 2004, Henri Poincar: Nancy, Francia.
12. Keller, J.Y., Fault isolation filter design for linear stochastic
systems. Automatica, 1999. 35: p. 1701-1706.
13. Kakac, S.y.H.L., Heat exchangers selection, rating, and thermal
design. Crc Press., 2002.
14. E. Weyer, G.S.y.K.H., box fault detection of heat exchangers.
Control engineering practice, 2002. 8: p. 121-131.


1(k) 2(k) 3(k)