Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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 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:
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 (|
=
,
(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
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 (
= +
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
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
= =
=
=
, 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
) y el filtro de Kalman de la
ecuacin (11) con (
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 (
>
>
(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.
)
+
,
i
, donde
()
, es una matriz constante arbitraria definida, a
fin que la matriz
+
+ 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
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