235MC Bylz PDF

cenidet
Centro Nacional de Investigacin y Desarrollo Tecnolgico

Departamento de Ingeniera Electrnica
TESIS DE MAESTRA EN CIENCIAS

Desarrollo de un Sistema de Deteccin de Fallas Utilizando un
Enfoque Multi-Modelos LIT Aplicado a un Intercambiador de
Calor
presentada por
BETTY YOLANDA LPEZ ZAPATA

Ingeniera electrnica por el I. T. de Tuxtla Gutirrez
como requisito para la obtencin del grado de:
Maestra en Ciencias en Ingeniera Electrnica
Director de tesis:
Dr. Manuel Adam Medina
Co-Director de tesis:
Dr. Carlos Manuel Astorga Zaragoza
Jurado:
Dr. Luis Gerardo Vela Valds Presidente
Dr. Alejandro Rodrguez Palacios Secretario
Dr. Manuel Adam Medina Vocal
Dr. Carlos Astorga Zaragoza Vocal Suplente
Cuernavaca, Morelos, Mxico.
13 de Noviembre de 2009
Dedicatoria
A Dios
Por permitirme llegar a este momento tan especial en mi vida. Por los triunfos y los
momentos difciles que me han enseado a valorarte cada da ms.
A mis Padres.
A quien les debo todo en la vida, les agradezco el cario, la comprensin, la paciencia y el
apoyo incondicional que me han brindado para culminar mis estudios de maestra. Sin su
ejemplo no hubiera llegado hasta aqu. Los quiero mucho!
A mis Hermanos.
Porque siempre he contado con ellos para todo, gracias a la confianza que siempre nos
hemos tenido; por el apoyo y amistad.
Gracias!
A mis Familiares.
A todos mis familiares que me resulta muy difcil poder nombrarlos en tan poco espacio, sin
embargo de un modo particular a la familia Amores Faras, ya que siempre he contado con
su apoyo y amor incondicional. A mi to Raciel por ser un ejemplo a seguir.
A mis amigos.
Por estar siempre ah, por sus consejos, por todo lo que han aportado a mi vida y por todos
los buenos momentos que pasamos juntos.
A mis maestros.
Gracias por su tiempo, por su apoyo as como por la sabidura que me transmitieron en el
desarrollo de mi formacin profesional, en especial: al Dr. Manuel Adam Medina por haber
guiado el desarrollo de este trabajo y llegar a la culminacin del mismo.
Agradecimientos
A mi mam porque siempre me hizo sentir que nunca estaba sola y que ella estaba cerca en
todo momento, por cuidarme, por confiar en m y por hacer que siempre viera el lado
positivo de las cosas. A mi pap por darme su confianza y hacer sentirme segura. A ambos
por sus sabios consejos y por darme el mpetu y las ganas de superarme da a da. Asimismo
les doy las gracias por ser mi inspiracin.
A mi hermana Jeanette porque aun estando lejos siempre me hiciste sentir cerca de la
familia, porque siempre seguirs siendo mi mejor amiga. Te quiero mucho. A mis sobrinos
Diego y Daniel porque los siento parte de mi y por los momentos que me han regalado.
A mi hermano Rodolfo, siempre he contado contigo, gracias por las llamadas y la
confianza que me tienes.
A mis abuelitas Yoli y Betty porque siempre estuve en sus oraciones y se preocupaban por
m, las quiero.
A la familia Amores Faras por el apoyo y cario que siempre me han demostrado, en
especial a Gabby gracias por escucharme y por todas tus recomendaciones.
A mi to Raciel gracias por exhortarme a salir siempre adelante y hacerme ver que hay que
visualizar el futuro, as mismo te agradezco por ensearme que en la vida hay que tener
objetivos y luchar con todo para conseguirlos
A mi primo Luis gracias por escucharme y brindarme ayuda, gracias tambin por los
consejos y por ser como eres.
A mis primas Teresita y Ana gracias porque el tiempo que estuve en Cuernavaca, las
conoc mucho mejor y me hicieron saber que no importa el lugar ni la distancia, uno
siempre tiene una familia cerca con quien contar.
A la familia Morn Faras gracias porque me hicieron sentir parte de su familia y siempre
estuvieron conmigo.
A Karla, gracias por ser mi amiga, por esa alegra que contagias, por el apoyo, por los
consejos, por ser de las pocas personas que es muy sincera conmigo y siempre ha estado a
un lado de m.
A Juan, gracias porque a pesar del todo el tiempo que ha transcurrido, aun seguimos al pie
del can, tanto para las cosas buenas como para las malas, por hacerme ver las cosas de
otra perspectiva y siempre estar ah.
Agradecimientos
A Oscar gracias por tu amistad, por tus comentarios, por tu apoyo, por los buenos
momentos y por mostrarme la gama de opciones que existen para molestar a la gente. TQ
A Paty gracias por ser tan diferente, por ver la vida de diferente forma y ensearme esa
forma tan tuya de ver las cosas, gracias por esos partidos de basket.
A Ricardo gracias por la paciencia, apoyo y las enseanzas que me brindaste, pero te
agradezco mucho ms la amistad que me ofreciste.
A Toms gracias por las platicas en el jardn, por los consejos, por bajarme de mi nube y
ser sincero conmigo.
A Adriana Tellez, por tus comentarios tan acertados y por todas las veces que revisaste mi
trabajo.
A Pia, Rachel y Mai por dejarme tratarlas, por el tiempo que convivimos, por ser todas
unas bilinges, por sus comentarios, pero especialmente a Mai por el cario que siempre
me demostr.
A todas aquellas personas muy especiales que conoc y que llenaron de alegra mi vida,
Gracias (Fabby, Wendy, Noe, Edwing, Elena, Saul, Samuel, Javier, Mario, Julio, Hctor,
Valezka).
Al Dr. Manuel Adam Medina por su esfuerzo y dedicacin. Sus conocimientos, sus
orientaciones, su Paciencia, y motivacin, que han sido fundamentales para la culminacin
de este trabajo.
A mis revisores: Dr. Alejandro Rodrguez Palacios y Dr. Luis Gerardo Vela Valds por
sus comentarios y consejos acertados, que contribuyeron al buen desarrollo de esta tesis.
Dr Alejandro gracias por ser un amigo.
Al CENIDET por permitirme crecer profesionalmente; y a todo el personal que labora en
el centro, por todas las finas atenciones prestadas durante mi estancia.
Finalmente a CONACYT por el apoyo econmico que me brindaron para la realizacin del
trabajo.
Resumen
En este tema de tesis se desarroll un mtodo de diagnstico de fallas basado en multimodelos utilizando filtros de Kalman desacoplados, con el residuo insensible a fallas que
generaron los filtros y por medio de la probabilidad Bayesiana se obtuvo la estimacin de
la funcin de activacin que da la contribucin de cada modelo, y con el residuo sensible
a fallas, se detect, localiz y estimo la falla. Este mtodo aborda sistemas no lineales
continuamente diferenciables mediante el enfoque multi-modelos. El mtodo de
diagnstico desarrollado se valid tanto en simulacin como de manera experimental en
un intercambiador de calor tipo tubos concntricos. Este proceso est representado por la
maqueta de laboratorio o planta piloto RCT 100. Para la validacin de los modelos se
presentan pruebas experimentales. Para facilitar al usuario la visualizacin del enfoque
mencionado se desarroll una interfaz grfica que indica el elemento daado, muestra la
estimacin de las temperaturas de salida del intercambiador de calor, expone las
probabilidades calculadas y muestra el residuo sensible a fallas.
Abstract
In this thesis topic a fault diagnosis method based on multi-model using decoupled Kalman
filters was developed, with the residue insensitive to faults generated through filters and
Bayesian probability we got the estimate of the activation function which gives the
contribution of each model, and the fault-sensitive residue we detected, located and
estimated the fault. This method deals with continuously differentiable nonlinear systems
using multi-model approach. The diagnostic method developed was validated on
simulation and experimentally in a heat exchanger. This process model is represented with
a bench-scale pilot plant RCT 100. For the purpose of validated the models, we presented
experimental evidence. To facilitate user viewing the above approach, a graphical
interface that shows the damaged item was developed the estimated temperature of heat
exchanger outlet, the calculated probabilities and the residue susceptible to fail.
Tabla de Contenido
LISTA DE FIGURAS
TABLAS
IX
NOTACIN
XI
INTRODUCCIN
1. DIAGNSTICO DE FALLAS Y MULTI-MODELOS
1.1 PLANTEAMIENTO DEL PROBLEMA

6
1.2 OBJETIVO GENERAL
6
1.2.1 OBJETIVOS ESPECFICOS
6
1.3 ALCANCES Y LIMITACIONES
7
1.4 MOTIVACIN Y JUSTIFICACIN
7
1.5 APORTACIONES
8
1.6 ESTADO DEL ARTE
9
1.6.1 CLASIFICACIN DE LOS DIFERENTES MODELOS MLTIPLES
9
1.6.2 ENFOQUE DE MODELOS MLTIPLES LINEALES
10
1.6.2.1 GENERALIDADES
10
1.6.3 DIAGNSTICO DE FALLAS
11
1.6.3.1 GENERALIDADES DEL DIAGNSTICO DE FALLAS
12
1.6.3.2 LA TAREA DEL DIAGNSTICO DE FALLAS BASADO EN EL MODELO 13
1.6.3.3 MTODOS DE GENERACIN DE RESIDUOS BASADOS EN MODELOS
LINEALES
15
1.6.4 DIAGNSTICO DE FALLAS CON MULTI-MODELOS
16
1.7 METODOLOGA
19
2. MODELADO DEL INTERCAMBIADOR DE CALOR
21
2.1 GENERALIDADES
2.1.1 CLASIFICACIN DE LOS INTERCAMBIADORES DE CALOR
2.2 MODELADO DEL INTERCAMBIADOR DE CALOR
2.2.1 MODELO DE PARMETROS CONCENTRADOS
2.2.2 MODELO DE DIFERENCIAS DE TEMPERATURA A LA ENTRADA
22
23
25
25
28
Tabla de Contenido
2.2.3 MODELO DE DIFERENCIAS DE TEMPERATURA MEDIA LOGARTMICA

29
2.3 INTERCAMBIADOR DE CALOR DE TUBOS CONCNTRICOS, RCT 100
30
2.3.1 DESCRIPCIN DEL PROTOTIPO
30
2.3.2 DIMENSIONES Y PARMETROS DEL INTERCAMBIADOR DE CALOR
32
2.4 VALIDACIN FUERA DE LNEA DEL INTERCAMBIADOR DE CALOR
34
2.4.1 VARIABLES Y PARMETROS
34
2.4.2 PROTOCOLO DE PRUEBAS
35
2.4.3 EXPERIMENTOS
36
2.4.4 RESULTADOS DE LA SIMULACIN Y EXPERIMENTALES DE LA VALIDACIN
DEL SISTEMA
36
2.5 CONCLUSIONES
38
3. DESARROLLO DE UN SISTEMA DE DIAGNSTICO DE FALLAS. ENFOQUE
MULTI-MODELOS
41
3.1 REPRESENTACIN DE SISTEMAS NO LINEALES EN TIEMPO DISCRETO

42
3.2 CONMUTACIN ENTRE LOS MODELOS
43
3.3 PROBLEMTICA DE LA GENERACIN Y EVALUACIN DE RESIDUOS
47
3.4 ALTERNATIVA DE SOLUCIN
51
3.5 DISEO DE UN BANCO DE FILTROS DESACOPLADOS
52
3.6 ESTRUCTURA DEL NUEVO DISEO DEL FILTRO DE KALMAN DESACOPLADO 54
3.7 ESTIMACIN DE LA FUNCIN DE ACTIVACIN
56
3.8 DETECCIN, LOCALIZACIN Y ESTIMACIN DE FALLAS
57
3.9 CONCLUSIONES
58
4. PRUEBAS Y RESULTADOS
59
4.1 MODELO DEL PROCESO RCT 100

4.1.1 PUNTOS DE OPERACIN
4.1.2 MTODO DE LINEALIZACIN
4.2 VALIDACIN EN SIMULACIN
4.2.1 FILTRO DE KALMAN ESTNDAR (FK)
4.2.2 MULTI-MODELO BASADO EN EL FILTRO DE KALMAN ESTNDAR
4.2.3 MULTI-MODELO BASADO EN EL FILTRO DE KALMAN DESACOPLADO
4.3 VALIDACIN FUERA DE LNEA
4.3.1.1 FALLAS PARCIALES
4.4 VALIDACIN EN LNEA
4.4.1 INTERFAZ GRFICA
4.5 CONCLUSIONES
59
60
62
63
63
65
68
73
73
75
77
77
79
82
II
Desarrollo de un sistema de deteccin de fallas utilizando un enfoque multi-modelos LIT aplicado a un

intercambiador de calor
5. CONCLUSIONES
83
5.1 ACTIVIDADES FUTURAS

5.2 ACTIVIDADES REALIZADAS ALREDEDOR DE LA TESIS
85
85
BIBLIOGRAFA
87
A. PARMETROS DEL INTERCAMBIADOR DE CALOR
93
B. PROBABILIDAD DE BAYES
95
C. LINEALIZACIN
99
D.FILTRO DE KALMAN
101
E. PARMETROS DEL INTERCAMBIADOR DE CALOR, VALIDACIN EN LNEA
105
F. INTERFAZ GRFICA
107
III
Tabla de Contenido
IV
Lista de figuras
1.1 Clasificacin de los algoritmos de modelos mltiples 9
1.2 Curva de respuesta de un sistema no lineal representado
por sistemas lineales..10
1.3 Tipos de fallas.. 11
1.4 Representacin de un proceso industrial sujeto a entradas desconocidas.. 13
1.5 Mtodo de deteccin y localizacin de fallas.. 14
2.1 Intercambiador simple de tubos concntricos 22
2.2 Clasificacin de los intercambiadores de calor.. 24
2.3 Diseo de un proceso de intercambio de calor en contracorriente.25
2.4 Representacin del intercambiador de calor a travs de una celda
en contracorriente..26
2.5 Intercambiador de calor RCT 100 30
2.6 Diagrama de la instrumentacin del intercambiador de calor. 31
2.7 Tarjeta de adquisicin de datos USB6008 y sistema de
acondicionamiento de seal.31
2.8 Diagrama de la fuente de corriente controlada por voltaje......32
2.9 Vlvula de control del intercambiador de calor..32
2.10 Dimensiones de los tubos del intercambiador de calor..33
2.11 Validacin fuera de lnea del intercambiador de calor35
2.12 Flujo de entrada (vc).37
2.13 Comparacin de Tco del proceso con Tco de los modelos ITD y LMTD...37
2.14 Comparacin de Tho del proceso con Tho de los modelos ITD y LMTD...38
3.1 Conmutacin entre los modelos...43
3.2 Generador de residuos..51
V
Lista de Figuras
3.3 Esquema general multi-modelos con un banco filtros de Kalman

desacoplados58
4.1. Retrato Fase del proceso del intercambiador de calor....61
4.2 Diseo de la estructura Multi-modelo basado en filtro de Kalman..63
4.3 Filtro de Kalman estimando las temperaturas de salida, Tco y Tho..64
4.4 Estructura del sistema de diagnstico de fallas con multi-modelo basado
en filtro de Kalman...65
4.5 Entrada U, flujo de agua fra66
4.6 Probabilidad asociada a cada modelo con FK...66
4.7 Transicin entre los modelos con FK..67
4.8 Probabilidad asociada al modelo en presencia de fallas..67
4.9 Comparacin entre
4.10 Comparacin de
estimada.69
con
estimada..69
4.11 Probabilidad asociada a cada modelo con FKD..70

......71
4.12 Residuo sensible a las falla
4.13 Comportamiento dinmico del residuo insensible a fallas.....72

4.14 Comparacin de
con
estimada en presencia de falla72
4.15 Probabilidad asociada al modelo con FKD, validacin fuera de lnea.73

4.16 Transicin entre los modelos 2 y 3 con FKD74
4.17 Comparacin de las salidas a)
y
estimada
b)
y
estimada con FKD..74
4.18 Probabilidad asociada al modelo con falla en T ho.. .75
4.19 Comparacin de la salida
estimada.. 75
4.20 Residuo sensible a las fallas validacin fuera de lnea......76

4.21 Residuo sensible a fallas
a) falla intermitente, b) falla progresiva.76
4.22 Interfaz grfica del diagnstico de fallas por multi-modelos

del intercambiador de calor..77
VI

4.23 Comparacin entre
con
estimadas.. 78
4.24 Residuo sensible a las fallas y probabilidad de cada modelo...78

4.25 Flujo de entrada vc..79
4.26 Probabilidad asociada a cada modelo con falla, en lnea..79
4.27 Residuo sensible a la falla
.80
4.28 Falla en sensor de agua de calentamiento Tho80

4.29 Residuo sensible a fallas, validacin en lnea..81
4.30 Falla en sensor de agua de enfriamiento Tco (lnea azul)..81
D1.1 Representacin de un sistema con ruido de entrada y de medicin.102
D1.2 Formas de estimacin FK.102
D1.3 Comparacin de Tco y Tho con sus estimadas, FK1.104
D1.4 Comparacin de Tco y Tho con sus estimadas, FK3.....104
F1.1 Comparacin de Tco y Tho con sus respectivas estimadas..107
F1.2 Residuo sensible a las fallas y probabilidad de los modelos..107
VII
Lista de Figuras
VIII
Tablas
2.1 Dimensiones del intercambiador RCT 100.33
2.2 ndices de desempeo...38
3.1 Comportamiento del residuo insensible a las fallas ( ) y
del sensible a estas ( )...55
4.1 Puntos de operacin del proceso.....64
4.2 ndices de desempeo FK.65
4.3 ndices de desempeo MML basado en FK...69
4.4 ndices de desempeo MML basado en FKD73
4.5 Puntos de operacin, validacin en lnea...79
A1.1 Parmetros del intercambiador de calor RCT100, modelo no lineal..93
C1.1 Parmetros del intercambiador de calor RCT100, modelo lineal....99
E1.1 Parmetros del intercambiador de calor RCT100, validacin en lnea.105
IX
Tablas
Notacin
Letras maysculas
A
Matriz de transicin de estados.

rea.
Matriz de distribucin de entradas.
Matriz de distribucin de salidas.
Cp
Calor especfico.
Matriz de transferencia directa.
Matriz de distribucin de fallas.
Matriz identidad.
Ganancia del filtro de Kalman.
Matriz de desacoplamiento del sistema.
Matriz de covarianza del error de estados.
Matriz de covarianza del ruido en la salida.

Temperatura.
Conjunto de matrices y vectores.

Coeficiente de transferencia de calor.
Volumen de los tubos de intercambio de calor.
Vector de estados
Vector de salidas
Vector de estados estimado.
Vector de la salida estimada.
XI
Notacin
Letras minsculas
Vector de fallas.
g
Funcin continuamente diferenciable.
Tiempo de muestreo.
kd
Instante de tiempo en el que ocurre la falla.
ke
Instante de tiempo en el que cambia el punto de operacin.
Residuo.
Vector de entradas.
Vector de ruido a la entrada.

Flujo del lquido.
Vector de ruido a la salida.

Funcin continuamente diferenciable.
Letras griegas
Matriz constante arbitraria.
Representa la propagacin de los errores de modelado.

Residuo insensible a las fallas.
Diferencia de temperatura entre los fluidos.
X j
Vector constante que dependen del j-simo modelo lineal.
Y j
Vector constante que dependen del j-simo modelo lineal.
iX j
Matriz de distribucin del error de modelado asociada a la ecuacin de estado del
sistema.
iY j
Matriz de distribucin del error de modelado asociada a la ecuacin de salida.

Error de estimacin de los estados.
XII

Magnitud de los errores de modelado entre el sistema representado por el j-simo

modelo lineal y el i-simo filtro lineal.
Representa la propagacin de la falla.

Densidad.
Matriz de detectabilidad.
Funcin de ponderacin.
Matriz de covarianza de los residuos.
Matriz de la dinmica del sistema afectada por la falla.
Residuo sensible a las fallas.
Caracteres especiales
Clculo de probabilidad de Bayes.

Distribucin normal (con media cero y matriz de covarianza).
Letras subndices
c
Lado de contacto fro del intercambiador de calor.
Lado de contacto caliente del intercambiador de calor.
Histrica.
In
Entrada en el intercambiador de calor.
Indicador del modelo lineal.
Indicador del filtro lineal.
Tiempo de muestreo.
Salida en el intercambiador de calor.
Vector de entrada.
Vector de salida.
XIII
Notacin
Letras superndices
e
Punto de operacin.
Indicador del modelo lineal.
Indicador del filtro lineal.
Nmero total de salidas.
Nmero total de estados.
Nmero total de entradas.
Nmero total de fallas.
Transpuesta.
XIV
Introduccin
El desarrollo del diagnstico y de la automatizacin se realiza principalmente en el
dominio de los estudios de los sistemas lineales. Sin embargo, la mayora de los
procesos industriales son de naturaleza no lineal. Con el objetivo de resolver el
problema del diagnstico para estos procesos y con la hiptesis de la
representacin de un sistema no lineal exacto, muchos trabajos presentados
consisten en generar residuos desacoplados de las fallas para alguna clase
particular de sistemas no lineales, como los sistemas bilineales [1] y los sistemas
polinomiales.
En las tcnicas dedicadas al diagnstico de sistemas no lineales, es necesario
citar los artculos dedicados al desacoplamiento exacto de las fallas. Hammouri y
colaboradores [2] y DePersis e Isidori [3] utilizan mtodos geomtricos. As como
Alcorta-Garca y Frank [4] usan mtodos analticos. Estos mtodos se utilizan si
existe una descripcin matemtica del sistema. Desgraciadamente, esta condicin
no se satisface fcilmente, debido a la complejidad de los sistemas no lineales.
Esta complejidad hace difcil efectuar un desacoplamiento de las fallas.
Si las representaciones no lineales son difciles de obtener, existe otro tipo de
representacin. sta consiste en definir diferentes puntos de funcionamiento y
considerar un modelo lineal alrededor de cada punto de operacin. El mtodo
concerniente al estudio de sistemas basado en el enfoque multi-modelos,
constituye otra manera de representar de forma aproximada la dinmica de un
sistema no lineal.
En el marco de los enfoques multi-modelos, se puede constatar que existen un
gran nmero de trabajos en trminos de modelado y de control. stos utilizan el
principio divide y vencers [5, 6], para la representacin del comportamiento
dinmico de sistemas no lineales.
En los sistemas no lineales, el enfoque multi-modelos aparece en los aos
noventas del siglo pasado, principalmente en el dominio de control basado en la
lgica difusa. sta ha permitido realizar el control de sistemas no lineales descritos
por modelos lineales interpolados. stos se han desarrollado a partir de
algoritmos de particin, permitiendo determinar el campo de funcionamiento de los
modelos locales, pero igualmente ayuda a la definicin de la estructura, como el
de Takagi- Sugeno [7].
Un vasto estudio sobre estas diferentes tcnicas se encuentra en Gasso [8]. En
donde un anlisis a nivel de la estructura y de la seleccin de los modelos se ha
1
Introduccin
realizado. Tambin define los modelos en la forma de reglas de inferencia, donde

el algoritmo de identificacin est definido a partir de una base de datos
Entrada/Salida. Esta base permite determinar el orden del modelo local y el
nmero de reglas.
Fuera de la utilizacin de la lgica difusa, el enfoque de los modelos mltiples
interpolados se basa en la descripcin del comportamiento dinmico del sistema
no lineal, definido a partir de la interpolacin de modelo lineales invariantes en el
tiempo. Estos ltimos se establecen alrededor de diferentes puntos de
funcionamiento. En el marco de este enfoque, un sistema no lineal puede ser
linealizado alrededor del punto de funcionamiento, o bien ser el resultado de un
modelado de diversos puntos de operacin.
Aparte de la lgica difusa, pocos mtodos sobre el diagnstico de fallas con base
en modelos mltiples se han tratado. Se puede mencionar Bhagwat y
colaboradores [9], quienes proponen un mtodo que permite detectar y localizar
las fallas durante el periodo de transicin o pasaje de un modelo al otro. La
evaluacin de estos residuos se ejecuta con tareas de fallas, cartas lgicas
(Simulink-Stateflow) permitiendo la deteccin y la localizacin de las fallas en lnea
[9]. En ste, la seleccin del modelo se efecta con el conocimiento, que el pasaje
de modelos representativos se realiza, solamente al modelo siguiente o
precedente.
En este trabajo el inters es la estimacin de la funcin de activacin de modelos
representativos del sistema y la realizacin del mtodo de deteccin de fallas por
medio de tcnicas completamente analticas.
As en presencia de fallas, se busca calcular o estimar la funcin de activacin de
manera independiente a las fallas, ya que si no, el sistema de lazo cerrado tiene el
riesgo de ser inoperante.
En el trabajo de investigacin a realizar, se propone: Un esquema de diagnstico
de fallas en los sistemas no lineales representado en la forma de modelos
mltiples interpolados.
El contenido de este documento est dividido en cinco captulos que se describen
a continuacin.
En el Captulo 1 se presentan las causas que motivan el desarrollo de esta tesis
as como su planteamiento, para despus establecer las bases de la teora de
multi-modelos; posteriormente se mencionan las definiciones y funciones bsicas
del diagnstico de fallas en un panorama general.
2

En el Captulo 2 se presentan los conceptos bsicos del proceso de intercambio

de calor y los tipos de intercambiadores de calor, as como el desarrollo del
modelado matemtico del intercambiador de calor tipo tubos concntricos.
En el Captulo 3 se presenta el desarrollo de un sistema de diagnstico de fallas
por multi-modelos LIT con filtros de Kalman y se presenta el por qu del desarrollo
de un sistema de diagnstico de fallas por multi-modelos LIT con filtros de Kalman
desacoplados.
En el Captulo 4 se muestra la aplicacin del enfoque multi-modelos LIT con filtros
de Kalman desacoplado al intercambiador de calor tipo tubos concntricos.
Tambin se muestran los resultados obtenidos a travs de este algoritmo y los
resultados obtenidos con multi-modelos y filtro de Kalman.
En el Captulo 5 se presentan las conclusiones obtenidas, as como el panorama
del trabajo en el futuro y los trabajos que se realizaron alrededor de esta
investigacin.
Para la mejor comprensin y complementacin del trabajo se presenta un
apartado de anexos.
Introduccin
Captulo 1
1. Diagnstico de fallas y multimodelos

El objetivo de este captulo es dar un panorama general o una descripcin de la
presente investigacin, as como presentar las definiciones bsicas del diagnstico
fallas y de la teora multi-modelos.
En la Seccin 1.1 se presenta el planteamiento del problema. En la Seccin 1.2 se

expone el objetivo general y los objetivos particulares a alcanzar en esta
investigacin. En la Seccin 1.3 se describen los alcances y limitaciones del
trabajo. En la Seccin 1.4 se explica el por qu de esta investigacin. En la
Seccin 1.5 se muestran las aportaciones del trabajo realizado. En la Seccin 1.6
se presenta el estado del arte que permite abordar el tema del presente trabajo de
tesis, en donde se muestran las definiciones del diagnstico de fallas, se presenta
la teora de multi-modelos y se exhiben los trabajos realizados en diagnstico de
fallas con multi-modelos. Finalmente en la Seccin 1.7 se expone la metodologa
propuesta para el desarrollo de este trabajo.
CAPITULO 1
1.1 PLANTEAMIENTO DEL PROBLEMA
Los sistemas (procesos, plantas industriales, etc.) son de suma importancia en

nuestros das. El desempeo de los sistemas involucra la supervisin. Esta ltima
se basa en la Inspeccin y la Seguridad (IS). La IS utiliza tcticas en forma precisa
como: la deteccin y localizacin de fallas FDI (por su acrnimo en ingls Fault
Detection and Isolation) y el control tolerante a fallas FTC (por su acrnimo en
ingls Fault Tolerant Control).
La FDI se ha llevado a cabo con enfoques lineales para sistemas no lineales. Pero
esto restringe el desempeo de la FDI alrededor del punto de operacin y no a
toda la zona de operacin del sistema. Por otro lado los mtodos FDI no lineales
que se han desarrollado en los ltimos aos son muy eficientes. Sin embargo, los
requerimientos de modelados matemticos exactos, gasto computacional elevado,
trabajo en lnea, complejidad, etc, conllevan a una limitacin en el desempeo del
enfoque.
As, una pregunta que se puede hacer es: Cmo hacer una FDI de buen
desempeo en un sistema no lineal (SNL) aprovechando las facilidades que
presentan los mtodos de diagnstico de sistemas lineales (SL)?.
1.2 OBJETIVO GENERAL
El objetivo del trabajo de investigacin consiste en disear y desarrollar un

sistema que permita detectar, localizar y estimar las fallas bajo la representacin
de un enfoque multi-modelos lineales invariantes en el tiempo aplicado a un
intercambiador de calor.
1.2.1 OBJETIVOS ESPECFICOS
1. Modelado y representacin del sistema no lineal: Intercambiador de calor,

RCT 100 (que se encuentra ubicado en el laboratorio de electrnica del
CENIDET).
2. Desarrollo de un esquema multi-modelo Lineal Invariante en el Tiempo (LIT)
para la representacin de la planta.

3. Diseo e implementacin de un sistema para la deteccin, localizacin y

estimacin de las fallas de sensor en un intercambiador de calor a nivel
simulacin y a nivel experimental.
1.3 ALCANCES Y LIMITACIONES
Alcances:
En este trabajo se desarrolla e implementa un sistema de diagnstico de fallas
para el intercambiador de calor, el cual detecta, localiza y estima las fallas de
sensores del intercambiador de calor y deja abierta la puerta para implementar un
control tolerante a falla.
En este trabajo se estudia y desarrolla un modelo matemtico simplificado del
intercambiador de calor tipo enfriador de tubos concntricos que permite
desarrollar filtros que estiman las variables de salida del intercambiador de calor.
Se disea una interfaz grfica la cual permite detectar, localizar y estimar las fallas
del intercambiador de calor en lnea.
Limitaciones:
Por la eleccin de la planta de trabajo, en este caso el intercambiador de calor
est limitado a slo poder detectar una falla de sensor. La falla se detecta un
tiempo de muestreo despus de que aparece la falla, debido al diseo del filtro.
El intercambiador de calor no est totalmente instrumentado, ya que no cuenta
con sensores de flujo.
El diseo del FDI que se presenta slo detecta, localiza y estima fallas de
sensores.
1.4 MOTIVACIN Y JUSTIFICACIN
El presente trabajo est basado en el desarrollo de un enfoque analtico para la

deteccin y localizacin de fallas. Y est focalizado en una estructura multimodelos lineales. sta permite abordar el diagnstico de fallas en sistemas no
lineales.
El enfoque mencionado, aprovecha la simplicidad de los mtodos lineales en el
diagnstico y deteccin de fallas FDD (por su acrnimo en ingls Fault Diagnostic
and Detection), adems garantiza el diagnstico en una mayor zona de
7
CAPITULO 1
funcionamiento del sistema no lineal. Todo esto se lleva acabo estableciendo un

compromiso satisfactorio de simplicidad contra eficiencia, con el fin de asegurar el
mejor desempeo del esquema de diagnstico.
El enfoque mencionado se aplica a un intercambiador de calor ya que los
intercambiadores de calor son equipos utilizados con gran demanda en los
procesos industriales. Tener totalmente instrumentados dichos equipos es muy
costoso, debido a esto se tiene una instrumentacin incompleta; por lo tanto,
considerar redundancia fsica en los sensores no es factible. Esto trae como
consecuencia que al presentarse algn tipo de falla, el sistema deje de operar y
por lo tanto, se presenten prdidas econmicas y riesgos en las personas que
laboran en la planta; es por ello que se buscan ciertas alternativas para poder
detectar las fallas.
Una de las alternativas es desarrollar algoritmos que permitan estimar variables
del proceso, adems, detectar, localizar y estimar las fallas. Cabe aclarar que con
esto se tiene un notable ahorro econmico. Por un lado, al utilizar observadores de
estado, es decir, sensores virtuales en vez de sensores fsicos y, por otro lado,
evitar las prdidas econmicas y fsicas que se tendran al no detectar y localizar
las fallas a tiempo.
1.5 APORTACIONES
Las aportaciones de este trabajo de tesis son las siguientes:

I En el trabajo de tesis se aborda el estudio del diagnstico de fallas basado en
modelos mltiples. La aportacin de este trabajo es el estudio y desarrollo de un
sistema de diagnstico de fallas con un enfoque multi-modelos utilizando filtros de
Kalman. Existen escasos trabajos reportados en la literatura del enfoque multimodelos utilizando filtros de Kalman y aun ms para un intercambiador de calor,
por lo que se considera como una aportacin original.
II En este trabajo de tesis se estudia y se mejora el modelo matemtico lineal del
intercambiador de calor tipo tubos concntricos que se encuentra en el CENIDET.
Esta mejora del modelo se hizo basado en el estudio de Escobar y colaboradores
[10].
III Se aporta una interfaz grfica con el software de LabView en la que se ilustra
la deteccin, localizacin y estimacin de las fallas en lnea, adems que muestra
la contribucin de los modelos y la estimacin de los estados Tco y Tho del

1.6 ESTADO DEL ARTE
1.6.1 CLASIFICACIN DE LOS DIFERENTES MODELOS MLTIPLES
El enfoque de modelos mltiples recibe el nombre de algoritmo de modelo mltiple

no conjugado [11]. En 1984 Blom present el enfoque llamado modelos mltiples
conjugados. Sin embargo, este enfoque lo explic Blom y Bar-Shalom hasta 1988
[12]. A este enfoque comnmente se le llama algoritmo multi-modelo de estructura
fija.
Los algoritmos de modelos mltiples con estructura fija se definen con un banco
de filtros de Kalman en paralelo, donde cada uno de los filtros describe a un
modelo en particular. Su caracterstica principal es que una vez definidos los
modelos, stos no se pueden cambiar ms; esto significa que los conjuntos de
modelos definidos son constantes o fijos. La otra caracterstica es que los modelos
pueden ser conjugados o no conjugados.
A mediados de los aos 90, apareci el enfoque llamado algoritmo de estructura
variable que se define como una sucesin del conjunto de modelos.
En el caso de los algoritmos considerados de estructura fija, se encontraron varias
aplicaciones y representaciones con variaciones significativas. Para tener una idea
general, se presenta una clasificacin global de los algoritmos basados en
modelos mltiples como se puede observar en la Figura 1.1. La presente
clasificacin es la reagrupacin de los algoritmos Modelos Mltiples (MM).
Figura 1.1 Clasificacin de los algoritmos de modelos mltiples.
CAPITULO 1
1.6.2 ENFOQUE DE MODELOS MLTIPLES LINEALES

1.6.2.1 GENERALIDADES
En el contexto de algoritmos de modelos mltiples de tipo fijo, el enfoque multimodelo lineal se utiliza para las tareas de estimacin o identificacin, el control y el
diagnstico de fallas. [13, 14]
Para lograr el enfoque MM, se debe descomponer un sistema no lineal, en varios
regmenes de funcionamiento. Se utiliza un modelo lineal en cada punto de
operacin. En este trabajo, el inters se centra en sistemas no lineales
continuamente diferenciables para su aplicacin en el diagnstico.
En la Figura 1.2, se muestra la importancia de elegir los modelos lineales que
representarn al sistema no lineal. Se observa la curva de funcionamiento de un
sistema no lineal, con la identificacin de determinados puntos de funcionamiento.
Cada uno de los puntos de operacin mencionados se seleccionan para la
definicin de un comportamiento dinmico lineal en todo el rgimen de
funcionamiento del sistema no lineal [15].
En la Figura 1.2 se observan 3 puntos de operacin diferentes. Cada uno de estos
puntos define un comportamiento dinmico.
Figura 1.2 Curva de respuesta de un sistema no lineal representado por sistemas lineales [16].
Existen tres criterios para la eleccin de un modelo lineal ms adecuado [17]:

Los puntos de operacin elegidos deben ser estables.
Los puntos de operacin seleccionados deben tener un buen desempeo.
La conmutacin entre los modelos debe ser eficiente y sin prdidas.
10

El primer criterio garantiza un funcionamiento en todos los puntos de operacin,

sin riesgos de inestabilidad. El segundo criterio permite tener un buen desempeo
en cada uno de los modelos locales y el tercer criterio permite encontrar un
mtodo que reduzca las prdidas de conmutacin [15, 18]. Cabe mencionar que
entre ms modelos se tengan, se va a tener ms carga computacional y
problemas en la conmutacin entre los modelos. As que, tener ms modelos no
va de la mano con una mejor estimacin.
1.6.3 DIAGNSTICO DE FALLAS
Se entiende por falla, todo cambio en el comportamiento de alguno de los

componentes del sistema. Es decir, que ya no puede satisfacer la funcin para la
cual ha sido diseado [19].
Existen varias clases de fallas que pueden presentarse en diversos sistemas.
Incluso existen diversas clasificaciones de las fallas, como se muestran en la
Figura 1.3 [20].
Las fallas se pueden clasificar por su ubicacin en aditivas y multiplicativas como
se puede observar en la Figuras 1.3a y 1.3d [21]. Las fallas aditivas representan
aumentos o decrementos en los estados del sistema y corresponden a fallas en
sensores y actuadores. Las fallas multiplicativas representan aumentos o
decrementos de los parmetros del sistema y corresponden a fallas en sus
componentes internos.
Figura 1.3 Tipos de fallas [22].
11
CAPITULO 1
Por su nmero, las fallas se clasifican en nicas y mltiples. Las fallas se clasifican
por su temporalidad en sbitas y progresivas como se puede observar en las
Figuras 1.3b y 1.3e. En las fallas sbitas el residuo cambia de valor
instantneamente, mientras que en las fallas progresivas, el residuo cambia de
valor gradualmente. Por su duracin las fallas se clasifican en, intermitentes y no
intermitentes como se observa en las Figuras 1.3c y 1.3f. Las fallas intermitentes
se presentan por lapsos de tiempo, mientras que las fallas no intermitentes se
presentan continuamente.
1.6.3.1 GENERALIDADES DEL DIAGNSTICO DE FALLAS
El diagnstico de fallas en un proceso dinmico, es una tcnica encargada de

detectar la presencia de fallas o comportamientos anormales en el proceso.
Tambin se encarga de identificar y localizar el componente o la causa que origin
dicha anormalidad.
Tres son los objetivos del diagnstico de fallas [19]:
Deteccin de la falla: Decisin de si existe o no una falla, as como la
determinacin de su instante de aparicin.
Localizacin de la falla: Localizacin del componente en el cual se ha
producido la falla.
Identificacin y estimacin de la falla: Identificacin del tipo de falla y
estimacin de su magnitud.
En el dominio del diagnstico, ciertos trminos se emplean comnmente. Algunas
definiciones importantes para esta investigacin, se definen a continuacin [23]:
Detectabilidad: es la aptitud del diagnstico para poder detectar la
presencia de fallas en el proceso.
Aislamiento: es la capacidad del diagnstico para encontrar el origen de
una falla.
Sensibilidad: Caracteriza la aptitud del sistema, para detectar fallas de una
cierta amplitud, en funcin de la relacin de la amplitud del ruido de
medicin con el de las fallas.
12

Robustez: Determina la capacidad del sistema para detectar las fallas

independientemente de los errores de modelado, de ruido o de
perturbaciones.
El diagnstico de fallas se puede abordar desde diferentes enfoques como:

Enfoques libres de un modelo (redundancia fsica).
Enfoques basados en un modelo (redundancia analtica).
De estos enfoques se quiere precisar, que el diagnstico de fallas basado en
modelos se efecta a travs de la evaluacin continua entre el modelo matemtico
y las mediciones del proceso [20].
1.6.3.2 LA TAREA DEL DIAGNSTICO DE FALLAS BASADO EN EL MODELO
El diagnstico de fallas se aplica a procesos industriales. stos se representan por

una relacin causal ligando las seales de entradas y salidas medidas en el
sistema. El sistema se somete a entradas desconocidas no medibles como se
puede observar en la Figura 1.4, en donde, estas entradas representan anomalas
en el funcionamiento del proceso (perturbaciones). Las perturbaciones alteran de
manera permanente al sistema, contrariamente a las fallas que se presenta en
forma inesperada.
Figura 1.4 Representacin de un proceso industrial sujeto a entradas desconocidas.
Con el fin de realizar la tarea del diagnstico de fallas diferentes mtodos se han
desarrollado. Estos ltimos se dividen en dos grandes clases:
1. Los mtodos inductivos o deductivos. En este marco, el tipo de
razonamiento utilizado constituye la principal caracterstica de estos mtodos. A
partir de un conocimiento a priori de la falla, el mtodo deductivo estudia el efecto
13
CAPITULO 1
de las fallas en el sistema. La comparacin de efectos inducidos con respecto a

los efectos posibles, permite afirmar o no la existencia de la falla [23].
2. Los mtodos externos e internos se basan en el conocimiento del modelo.
Los mtodos externos estn fundados en el conocimiento de un experto humano,
mientras que los mtodos internos dependen del conocimiento resultante de los
modelos matemticos o fsicos [24].
En esta investigacin se obtuvo el modelo matemtico del sistema con el que se
hace la comparacin de las mediciones del sistema con la informacin obtenida
del modelo [25]. El principio del diagnstico basado en el modelo se ilustra en la
Figura 1.5.
Figura 1.5 Mtodo de deteccin y localizacin de fallas.
Cualquier mtodo para la FDI se descompone en tres etapas:

1. Generacin de residuos. sta consiste en comparar los valores de salida del
sistema estudiado con los valores de salida del modelo matemtico calculado, la
diferencia entre estos valores se conoce como residuo. El residuo permite evaluar
la diferencia concerniente a las condiciones normales de funcionamiento.
Dos tipos de enfoques distintos se utilizan comnmente para generar residuos
[26]. El primer enfoque considera residuos de tipo direccional, ya que son
definidos de tal manera, que toman una direccin particular en el espacio de
residuos, cuando ocurre la falla. El segundo enfoque utiliza residuos
estructurados. Estos se generan de manera que sean sensibles a ciertas fallas e
insensibles a otro tipo de fallas. As que, se forma una estructura de diagnstico
de tipo dedicada.
2. La evaluacin de residuos. Los residuos se comparan respecto a los lmites
definidos con anterioridad, de esta comparacin resulta que un vector de sntomas
se genera. El problema de la evaluacin consiste en definir un umbral con el fin de
14

detectar la presencia de cambios. As, en funcionamiento normal, los residuos

generados son estadsticamente nulos y se desvan notablemente de cero en
presencia de fallas.
3. La decisin. Consiste en la comparacin de un vector de sntomas con el
conjunto de firmas de referencia, de buenos y malos funcionamientos unidos
dentro de una tabla de firmas, llamada matriz de diagnstico [27]. La decisin
permite identificar las fallas, es decir localizar la causa de la anomala en el
sistema. As que, un slo residuo es suficiente para detectar la presencia de una
falla en el sistema, de lo contrario se necesitan varios residuos con el fin de
encontrar la causa de la falla.
1.6.3.3 MTODOS DE GENERACIN DE RESIDUOS BASADOS EN MODELOS

LINEALES
El modelo tiene por objetivo describir el comportamiento de un sistema dinmico

por medio de ecuaciones diferenciales ordinarias. Este modelo puede obtenerse
por modelado o por tcnicas de identificacin.
Para efectuar el diagnstico de fallas en el contexto lineal, primero se debe
considerar el modelo lineal invariante en el tiempo, este modelo se describe por la
ecuacin de estados en tiempo discreto siguiente [23]:
(1.1)
Donde
entradas,
representa el vector de estados,

representa el vector de
representa el vector de salidas, es el perodo de muestreo.
son matrices con valores constantes conocidos y de dimensiones
apropiadas. Existen diferentes representaciones de las fallas en sistemas LIT:
1. Sea un modelo lineal nico
con direcciones precisas.
acompaado de las matrices de fallas
2. Sea para cada tipo de fallas una i-sima representacin particular del
sistema
.
Estas representaciones conducen a diferentes mtodos de generacin de residuos
con fines de diagnstico. Por ejemplo: El mtodo de desacoplamiento.
15
CAPITULO 1
En el marco del estudio de sistemas lineales en presencia de fallas, estas ltimas

se modelan en la forma aditiva clsica siguiente [23]:
(1.2)
En donde,
representa el vector de fallas,
y , son dos matrices de
dimensiones apropiadas, que expresan la distribucin de la fallas.
A partir de esta representacin analtica, la sntesis de residuos por el mtodo de
desacoplamiento de las fallas se determina utilizando: a) observadores para
entradas desconocidas (en donde un anlisis bibliogrfico se presenta en el tercer
captulo del libro de Chen y Patton [28]) o b) por filtros de deteccin (en donde
una edicin especial le ha sido dedicada completamente en Edelmayer [29]) o c)
por ecuaciones de paridad estructurada considerando la redundancia temporal
[21]. Infinidad de trabajos se han desarrollado en libros y revistas, con el manejo
de estos enfoques, que no describiremos aqu. Contrario a esto y dada la
importancia y la contribucin a la propuesta, la seccin siguiente se dedicar a
mencionar los mtodos basados en multi-modelos lineales.
1.6.4 DIAGNSTICO DE FALLAS CON MULTI-MODELOS
La ingeniera de control se enfrenta a las tendencias actuales de la industria para

la reduccin de costos mientras mantiene o mejora la calidad del producto y
garantiza su confiabilidad. Los sistemas, hoy en da son cada vez ms complejos y
consideran un gran nmero de lazos de control coordinados por un gran nmero
de agentes autnomos, en este mbito, la ingeniera de control tiende a la solucin
de problemas en procesos a gran escala, [30-33].
Para los sistemas que requieren seguridad de alto nivel, como es el caso de las
aeronaves, plantas nucleares y plantas qumicas donde se realizan procesos
peligrosos, es particularmente importante la implementacin de un esquema de
diagnstico de fallas [34]. En este tipo de sistemas, la consecuencia de una falla
en algn componente del sistema puede ser catastrfica, esto hace que se genere
una demanda considerable en confiabilidad, seguridad y tolerancia a fallas [35,
36].
Algunas tcnicas de deteccin y diagnstico de fallas se han desarrollado a partir
del anlisis de los cambios en las seales, donde tienen lugar las tcnicas para el
16

seguimiento y el diagnstico de errores en sistemas dinmicos [21, 28]. Otra

posibilidad es mejorar la fiabilidad y la seguridad de las mquinas mediante la
medicin de seales de entrada y salida. Las relaciones inherentes y la
redundancia analtica se pueden utilizar para detectar y localizar fallas en forma
temprana, puesto que los cambios en los parmetros de las seales de los
procesos estn muy bien adaptadas para este fin [37, 38].
Algunos de los principales enfoques de diagnstico de fallas para sistemas no
lineales desarrollan tcnicas para la generacin de residuos, como: observadores
de entradas desconocidas, observadores desacoplados y observadores no
lineales adaptables [3, 39].
Dentro de las tcnicas de modelado dinmico se encuentra el enfoque basado en
modelos mltiples [40], donde en algunos casos los observadores [16, 41] y filtros
de Kalman [42, 43] se han utilizado para generar residuos para la deteccin de
fallas.
Este enfoque consiste bsicamente en la descomposicin de la regin de
operacin del proceso en una serie de regmenes de funcionamiento; cada
rgimen de funcionamiento es un simple modelo local al cual es posible aplicarle
una ley de control [12, 44]. Esta estructura permite resolver problemas a partir de
la divisin de un sistema no lineal en un nmero de subsistemas ms simples que
se pueden controlar independientemente y donde las soluciones individuales
producen la solucin del problema original.
Recientemente para el modelado y control de sistemas no lineales se ha utilizado
el enfoque de modelos mltiples [43, 45]. Este esquema representa un marco
conceptual con una estructura modular que evala el sistema con respecto a un
conjunto de modelos. El seguimiento de un ndice de desempeo permite
determinar el comportamiento del sistema con respecto a los modelos individuales
y consecuentemente a una situacin especfica del sistema.
Algunos de estos mtodos utilizan redes neuronales [46] o la aplicacin con base
en modelos autnomos adaptables tipo Takagi-Sugeno [47]. Otros estudios han
utilizado bancos de filtros de Kalman, desarrollados para detectar, aislar y estimar
fallas, cuando el modelo del sistema se define alrededor de un punto de operacin
[48].
Ms reciente, la efectividad de la estrategia se desarroll para diagnstico de
fallas y control en sistemas industriales reales [42]. Otro enfoque desarrollado en
17
CAPITULO 1
caso de fallas se present por [16], donde con observadores politpicos de

entradas desconocidas se desarrolla una estrategia FDI, que determina el modelo
ms adecuado segn el punto de operacin en el cual est funcionando el
sistema. El clculo de las funciones de ponderacin es importante cuando se
quieren implementar tcnicas de control, como es el caso de la estrategia de
ganancia programada [49], de controladores interpolados [50] o de conmutacin
entre controladores [46].
Una metodologa de diagnstico de fallas utilizando el enfoque multi-modelo, es el
llamado mltiples modelos interactivos IMM (Interacting Multiple Models por su
acrnimo en ingls), donde considera los modelos lineales con conocimiento de
las fallas representados por una combinacin convexa dentro de un conjunto; en
esta tcnica los sistemas se describen en forma de sistemas estocsticos hbridos
que permiten el tratamiento de los modos de fallas, teniendo en cuenta la
probabilidad de que stas ocurran [51].
Diferentes estudios sobre enfoques de FDI se han desarrollado basados en
modelos lineales o linealizados alrededor de algn punto de operacin, por lo que
varios trabajos se han reportado y han dado lugar a esquemas FDI sofisticados,
considerando la presencia o ausencia de ruido dentro del modelado [21, 28], y
ms recientemente en los trabajos presentados en [43, 52].
Cuando el rango de operacin del proceso llega a ser mayor al modelo linealizado
y por consiguiente no es capaz de representar la dinmica del sistema, una
alternativa de solucin es el uso de mtodos no lineales; algunos trabajos que se
han reportado estn basados en observadores no lineales bajo enfoques
analticos [39] y geomtricos [3] donde se requiere de un modelo suficientemente
preciso de la planta. Este requerimiento se ha resuelto con mtodos basados en
redes neuronales [46] y en sistemas de lgica difusa basados en la estructura de
Takagi-Sugeno [53].
A partir del diagnstico se consideran tambin diferentes principios acerca de la
tolerancia a fallas con diversas formas de redundancia a partir del estudio de las
fallas. Se presentan entonces diferentes mtodos para la deteccin de fallas con la
utilizacin de componentes de bajo costo y un anlisis de los principios de diseo
tolerante a fallas de sensores y actuadores [54].
En este mbito, la deteccin de fallas de manera oportuna permite aplicar planes
de mantenimiento sin detener el funcionamiento del proceso y contar con el tiempo
necesario para permitir acciones de reconfiguracin del sistema [55]. Esta
implementacin se dificulta cuando dichas estrategias estn basadas en modelos
18

no lineales, por lo que los mtodos de mltiples modelos lineales son una buena
alternativa de solucin para la identificacin del modelo ms representativo del
sistema y para disear e implementar la ley de control [16, 42].
Con el fin de representar el comportamiento dinmico del sistema, un enfoque
basado en varios modelos lineales invariantes en el tiempo, se ha desarrollado
[46, 49]. Sin embargo, el mtodo no estaba enfocado a FDI hasta que autores
como [23, 40, 43] lo proponen como un nuevo esquema de diagnstico de fallas
para sistemas no lineales, donde el sistema de diagnstico posee la capacidad de
detectar fallas mltiples que se presenten en forma simultnea o secuencial en
sensores y/o actuadores.
Dentro de los esquemas de diagnstico que se han aplicado se encuentra el
trabajo de Niemann y colaboradores [56], donde a partir del uso de modelos
mltiples, se aplica un mtodo de diagnstico de fallas activo sobre un sistema de
turbinas de viento. Otra aplicacin se observa en [9] donde se utilizan filtros de
Kalman y observadores en lazo abierto para la estimacin de estados y la
generacin de residuos; esta metodologa se aplica a un reactor de pH.
En procesos qumicos, un esquema de diagnstico y localizacin de fallas se
desarrolla por [35], las simulaciones muestran la efectividad del algoritmo sobre un
reactor operado por lotes; dicho algoritmo utiliza filtros de Kalman para detectar la
falla y para determinar su causa.
Otro trabajo es el esquema de diagnstico de fallas basado en mltiples filtros de
Kalman propuesto por los autores en [57], donde la eficacia de la propuesta se
demuestra mediante la realizacin de estudios de simulacin en dos procesos: un
reactor continuamente agitado (CSTR) y una columna de destilacin binaria de
alta pureza. Tambin en intercambiadores de calor, los autores en [6, 58]
presentan un algoritmo FDI basado en modelos mltiples.
1.7 METODOLOGA
La metodologa empleada para desarrollar el tema de tesis es la siguiente:

1. Se estudi el estado del arte sobre multi-modelos, diagnstico de fallas e
intercambiadores de calor.
2. Desarrollar el modelo matemtico del intercambiador de calor de tipo tubos
concntricos.
19
CAPITULO 1
3. Validar experimentalmente el modelo. Esto se llev a cabo para poder

comprobar que el modelo matemtico representa correctamente a la planta.
4. Estudiar y disear esquema multi-modelos basado en filtros de Kalman,
aplicados al intercambiador de calor.
5. Validar el enfoque multi-modelo basado en filtros de Kalman. Dicha validacin
se lleva a cabo con datos experimentales de la planta piloto.
6. Validar el sistema de deteccin de fallas con el enfoque multi-modelo basado en
filtros de Kalman.
7. Problemtica de la generacin y evaluacin de residuos en los sistemas no
lineales basados en un enfoque multi-modelos LIT.
8. Disear multi-modelos basado en filtros de Kalman desacoplados aplicados al
9. Validar el sistema de deteccin de fallas con el enfoque multi-modelo basado en
filtros de Kalman. Dicha validacin se lleva a cabo con datos experimentales de la
planta piloto.
10. Simular y validar el enfoque multi-modelo basado en filtros de Kalman
desacoplados. Dicha validacin se lleva a cabo con datos experimentales de la
planta piloto.
11. Implementar el enfoque multi-modelo basado en filtro de Kalman desacoplado
en interfaz grfica.
12. Redactar el documento de tesis
13. Generar publicaciones
20
Captulo 2
2. MODELADO DEL
INTERCAMBIADOR DE CALOR
El objetivo de este captulo es presentar el desarrollo y la implementacin del
modelo matemtico del intercambiador de calor tipo tubos concntricos, el cual
funciona como un enfriador. Tambin se presentan los experimentos que validan
dicho modelo.
En este captulo se presenta el modelado del intercambiador de calor. El modelo
de este proceso es un caso de modelo con parmetros distribuidos que en teora
del control normalmente se lleva a un modelo con parmetros agrupados (en
ingls, lumped parameter models) mediante el seccionamiento del intercambiador
de calor. En la Seccin 2.1 se presentan los conceptos bsicos y generalidades de
los intercambiadores de calor. En la Seccin 2.2 se obtiene el modelo matemtico
a partir de balances de energa del intercambiador de calor donde se obtienen dos
modelos basados en las definiciones formales del coeficiente de transferencia de
calor: el modelo de diferencia de temperaturas a la entrada (ITD por su acrnimo
en ingls) y el modelo de diferencia de temperaturas media logartmica (LMTD por
su acrnimo en ingls). En la Seccin 2.3 se describe la planta en la que se
desarrolla este trabajo de investigacin. En la Seccin 2.4, se hace una
21
CAPTULO 2
comparacin de los dos modelos obtenidos del intercambiador de calor, adems,

los dos modelos se validan fuera de lnea con datos experimentales provenientes
de la planta piloto que se menciona en la seccin 2.3. Finalmente, en la Seccin
2.5 se proporcionan las conclusiones que se desprenden de este captulo.
2.1 GENERALIDADES
El rol de los intercambiadores de calor ha adquirido una gran importancia ante la
necesidad de ahorrar energa y disponer de equipos ptimos no slo en funcin de
su anlisis trmico y del rendimiento econmico de la instalacin, sino tambin en
funcin de otros factores como el aprovechamiento energtico del sistema y la
disponibilidad y cantidad de energa y de materias primas necesarias para cumplir
una determinada funcin.
Desde el momento en que un intercambiador de calor se instala y se pone en
funcionamiento dentro de un proceso de transferencia trmica, se precisa un
determinado gradiente de temperatura para efectuar la transferencia de calor; la
magnitud de este gradiente se puede reducir utilizando un intercambiador mayor,
pero a su vez implica un mayor costo, tanto de tipo econmico, como energtico.
Los intercambiadores de calor son tan importantes y tan ampliamente utilizados en
la industria, que su diseo ha experimentado un gran desarrollo, existiendo en la
actualidad normas ideadas y aceptadas por TEMA que especifican con detalle los
materiales, mtodos de construccin, tcnicas de diseo y sus dimensiones.
El intercambiador de calor ms bsico se compone de un tubo dentro de otro tubo,
como se puedo observar en la Figura 2.1; este montaje de corrientes paralelas
funciona, tanto en contracorriente como en paralelo, circulando el fluido caliente o
el fro a travs del espacio anular, mientras que el otro fluido circula por la tubera
interior.
Figura 2.1 Intercambiador simple de tubos concntricos.
22

Cuando las temperaturas Th del fluido del lado caliente y Tc del fluido del lado fro
son variables de un punto a otro, a medida que el calor va pasando del fluido ms
caliente al ms fro, la velocidad de intercambio trmico entre los fluidos tambin
variar a lo largo del intercambiador, porque su valor depende, en cada seccin,
de la diferencia de temperaturas entre los fluidos caliente y fro.
En un flujo paralelo, la temperatura final del fluido ms fro nunca puede llegar a
ser igual a la temperatura de salida del fluido ms caliente. Sin embargo, en un
flujo en contracorriente, la temperatura final del fluido ms fro (que es el que se
calienta) puede superar la temperatura de salida del fluido ms caliente (que se
enfra), puesto que existe un gradiente de temperaturas favorable a todo lo largo
del intercambiador de calor.
En un intercambiador en contracorriente, los coeficientes de transferencia de calor
del lado de la carcasa y del lado de los tubos deben ser del mismo orden de
magnitud y ser de un valor grande para obtener un coeficiente global satisfactorio.
2.1.1 CLASIFICACIN DE LOS INTERCAMBIADORES 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, ingeniera ambiental, industria manufacturera y
adems diversas aplicaciones de tecnologa espacial [59].
Estos equipos se pueden clasificar segn los criterios presentados a continuacin
[59] y en la Figura 2.2 se observa esta clasificacin:
Recuperacin/Regeneracin.
Geometra de construccin: Tubos, planos y superficies extendidas.
Direccin de los flujos: Flujo Paralelo, contra flujo y flujo cruzado.
Mecanismo de transferencia de calor: De una fase y de dos fases.
Proceso de transferencia: Contacto directo e indirecto.
23
CAPTULO 2
1) Recuperacin/Regeneracin
a) Recuperador.
b) Regenerador.
2) Geometras de construccin
c) Tubular.
d) Planas.
e) Otras.
g) Contrarios.
h) Cruzados.
j) Evaporaccin.
k) Condensacin.
3) Direccin de los fluidos
f) Paralelos.
4) Mecanismo de transferencia de calor
i) Una fase.
5) Proceso de transferencia
l) Directo.
m) Indirecto.
Figura 2.2 Clasificacin de los intercambiadores de calor [60].
24

2.2 MODELADO DEL INTERCAMBIADOR DE CALOR
El objetivo del modelado del intercambiador de calor es obtener un modelo cuasi

exacto en las aproximaciones de los estados del sistema. La dinmica de los
intercambiadores se representa principalmente de dos posibles maneras: a travs
de modelos de parmetros distribuidos y a travs de modelos de parmetros
concentrados.
2.2.1 MODELO DE PARMETROS CONCENTRADOS
Considere el intercambiador de calor tipo doble tubo (o de tubos concntricos) con

flujos a contracorriente de longitud L, tal como se muestra en la Figura 2.3, se
considera este tipo intercambiador ya que es igual al de la planta piloto a utilizar.
Por simplicidad de lenguaje, se mencionar como tubo cuando se refiera al tubo
interno y casco o coraza cuando se refiera al tubo externo o regin anular. El
flujo en el tubo es el lado caliente del intercambiador de calor y el flujo en la regin
anular que rodea al tubo es el lado fro. La temperatura del lquido no slo cambia
con el tiempo t sino tambin a lo largo de la direccin axial x del valor Tcin y Thin en
la entrada al valor Tco y Tho en la salida respectivamente.
Figura 2.3 Diseo de un proceso de intercambio de calor en contracorriente [61].
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 [62]. En la Figura 2.4 se observa la representacin del
intercambiador de calor de una celda en configuracin contracorriente.
25
CAPTULO 2
Figura 2.4 Representacin del intercambiador de calor a travs de una celda en contracorriente.
Considere las siguientes suposiciones [10, 63]:

S1 Flujos de entrada y salida iguales, implican volumen constante en ambos
tubos.
S2 El coeficiente de transferencia de calor (U) tiene una dependencia del flujo y de
la temperatura de cada fluido, y no se considera como constante.
S3 Las propiedades fsicas y qumicas de los fluidos se mantienen constantes.
S4 No existe transferencia de calor entre el tubo externo y el medio ambiente.
S5 No hay almacenamiento de energa calorfica en las paredes de los tubos.
S6 Las temperaturas de entrada al sistema son medibles.
La dinmica del sistema se obtiene a travs de un balance de energa que se
aplica a cada una de las celdas y se define de la siguiente manera [64]:
Rapidez de cambio Flujo de energa interna Flujo de energa interna,
de la energa interna cintica o potencial que cintica o potencial que
cintica y potencial entra al sistema por sale del sistema por
dentro del sistema conveccin o difusin conveccin o difusin

Calor adicionado Trabajo hecho por el sistema

al sistema
sobre los alrededores :

por conduccin trabajo de flecha ms
trabajo de flujo
radiacin o reaccin
(2.1)
Aplicando la ecuacin (2.1) al elemento externo del intercambiador de calor de una

celda en contracorriente (ver Figura 2.4) se tiene [65]:
(2.2)
26

Donde: AI es el rea de transferencia de calor, Cp es el calor especfico, h es la

densidad del fluido, U es coeficiente de transferencia de calor inicial y V es el
volumen (ver glosario de trminos).
El lado izquierdo de esta ecuacin representa la rapidez de variacin de energa
calorfica acumulada en la celda. En el lado derecho se tienen los flujos de energa
transportada por los fluidos (transferencia de calor por conveccin) sumados con
el flujo de energa calorfica que se transfiere del tubo caliente al tubo fro
(transferencia de calor por conduccin).
Despejando
se tiene:
(2.3)
De igual forma se procede con el elemento interno de la celda (ver Figura 2.4).
Aplicando el balance energa y despejando
se tiene:
(2.4)
En los trabajos [13,21], se propone emplear el modelo matemtico descrito en las

ecuaciones (2.3) y (2.4), considerando el parmetro U como constante as como
las propiedades fsicas (h y Cp), sin embargo, al considerar el parmetro U
constante se limita el rango de validez del modelo para realizar estimaciones,
dado que el error en la estimacin es mayor a medida que el parmetro U no
corresponde a las condiciones de operacin del sistema. Por lo anterior, este
modelo es nicamente vlido para los valores del coeficiente de transferencia de
calor para los que se diseo el modelo [10].
Con el objetivo de realizar la estimacin de las variables de estado de manera
precisa, el mtodo que se propone utilizar en este trabajo es el de implementar
ecuaciones algebraicas para estimar en lnea el coeficiente de transferencia de
calor [10]. Para ello es necesario conocer la cantidad de calor que ingresa al
sistema y la cantidad de flujo de calor que se transfiere al fluido de enfriamiento.
En la ecuacin (2.5) se muestra la estimacin. Con estas variables estimadas
(Qh,c), se puede estimar el coeficiente de transferencia de calor en lnea para cada
fluido. Lo cual permite tener aproximaciones de las variables de estado con un
mnimo de error al emplear el modelo descrito en las ecuaciones (2.3) y (2.4), esto
se demuestra en la Seccin 2.4.
27
CAPTULO 2
(2.5)
(2.6)
La diferencia de temperaturas entre los fluidos T en las ecuaciones (2.3) y (2.4),

es la fuerza conductora que da lugar a la transferencia de calor por conveccin. La
fuerza conductora se expresa en trminos de la diferencia de temperaturas a la
entrada (ITD) y la diferencia de temperaturas media logartmica (LMTD).
2.2.2 MODELO DE DIFERENCIAS DE TEMPERATURA A LA ENTRADA
El modelo de diferencias de temperatura a la entrada es uno de los ms sencillos

y tiene un grado de precisin razonable [38]. El modelo se puede desarrollar a
partir de las ecuaciones (2.3) y (2.4) quedando de la siguiente forma:
(2.7)
(2.8)
La particularidad de este modelo es que est, de manera directa, en la forma de la

clase de sistemas no lineales que es afn a los estados y depende de los
parmetros, definido como [61]:
donde
es una matriz de dimensin .
28

2.2.3 MODELO DE DIFERENCIAS DE TEMPERATURA MEDIA LOGARTMICA

El modelo de diferencias de temperatura media logartmica se ha utilizado por
varios autores [60, 61]. El modelo se puede desarrollar a partir de las ecuaciones
(2.3) y (2.4) quedando de la siguiente forma:
(2.9)
(2.10)
Donde
(2.11)
Hay que resaltar que la ecuacin (2.11) se convierte en una forma indeterminada
cuando
lo que es un problema para el modelo (2.9) y (2.10). Sin
embargo, como se prueba en [66] si se considera
Resulta en una diferencia de temperatura adems permite apreciar la media

logartmica diferenciable bien definida para cada
y
positiva.
El modelo de diferencias de temperatura media logartmica obtenido al igual que el
modelo de diferencia de temperaturas a la entrada estn de manera directa en la
forma de la clase de sistemas no lineales que es afn a los estados y depende de
los parmetros, quedando definidos los estados y parmetros como [61]:
donde
es una matriz de dimensin . El modelo de diferencia de temperatura
media logartmica tambin se considera para el diseo de observadores no
lineales.
29
CAPTULO 2
La parte no lineal del sistema en ambos modelos se encuentra en los flujos de

entrada (
), en el coeficiente de transferencia de calor ( ) y en la diferencia de
temperaturas entre los fluidos
para el modelo LMTD.
Con base en las definiciones de la diferencia de temperaturas a la entrada y la
diferencia de temperaturas media logartmica, en la seccin 2.4 se proceder a
validar los modelos del intercambiador de calor.
2.3 INTERCAMBIADOR DE CALOR DE TUBOS CONCNTRICOS, RCT 100
2.3.1 DESCRIPCIN DEL PROTOTIPO

El intercambiador de calor de la Figura 2.5 es un banco de pruebas. Su uso se
aplica en procesos de enfriamiento. ste puede ser configurado en flujo paralelo y
en contra flujo y puede combinarse en serie o en paralelo con otros
intercambiadores de calor para formar un sistema.
Figura 2.5 Intercambiador de calor RCT 100.
El diseo e instrumentacin del intercambiador de calor de tubos concntricos de

la Figura 2.6 se desarroll por Didatec Technologies. Este sistema opera como
enfriador de procesos, el agua de calentamiento fluye a travs del tubo interno y el
agua de enfriamiento fluye por la seccin anular (parte externa del tubo interno).
30

Figura 2.6 Diagrama de la instrumentacin del intercambiador de calor.
La planta piloto o banco de pruebas cuenta con la siguiente instrumentacin:

Tcin y Tho se miden con dos termmetros de vidrio SIKA (TI1 y TI2
respectivamente).
Tco y Thin se miden con transmisores de temperatura Engelhard PyroControle Pt-100, (TT1 y TT2 respectivamente).
y
se miden por rotmetros de platon de seccin variable (FI1 y FI2
respectivamente).
Para la adquisicin de datos se utiliza una tarjeta de adquisicin de datos USB6008 de bajo costo, lo cual permite una fcil comunicacin entre las seales
adquiridas y el software empleado para el desarrollo de la interfaz grfica
(LabView). En la parte inferior derecha de la figura 2.7 se observa el convertidor
de corriente a voltaje.
Figura 2.7 Tarjeta de adquisicin de datos USB6008 y sistema de acondicionamiento de seal.
31
CAPTULO 2
Figura 2.8 Diagrama de la fuente de corriente controlada por voltaje.
En la Figura 2.8 se muestra el diagrama del convertidor voltaje a corriente, este

dispositivo enva la seal de corriente en mA al transductor de presin de la
vlvula que se puede observar en la Figura 2.9, haciendo posible la manipulacin
de la posicin de la vlvula.
Figura 2.9 Vlvula de control del intercambiador de calor.
2.3.2 DIMENSIONES Y PARMETROS DEL INTERCAMBIADOR DE CALOR
En esta seccin se muestran las dimensiones y clculo de los parmetros del

intercambiador de calor RCT 100. Para poder determinar algunos de los
parmetros del intercambiador de calor es necesario conocer las dimensiones
fsicas del intercambiador de calor. La Figura 2.10 muestra las mediciones fsicas
realizadas a los tubos del intercambiador de calor
32

Figura 2.10 Dimensiones de los tubos del intercambiador de calor.
Con base en las medidas fsicas se realizaron los siguientes clculos para obtener
las reas de flujo, contacto y volmenes ocupados por los fluidos del lado fro y
caliente del intercambiador de calor. Para el flujo del lado caliente se tienen los
siguientes parmetros:
Tabla 2. 1 Dimensiones del intercambiador RCT 100
Constantes Valores Unidades

L
790
mm
Di
5
mm
De
6.2
mm
Dintc
16
mm
Dextc
18
mm
Para el flujo del lado fro se obtiene primero el volumen en el interior del casco
Vintc y posteriormente el volumen ocupado por el tubo Vtubo, la diferencia entre
los dos volmenes determina el volumen ocupado por el fluido del flujo fro.
Entonces los clculos de reas y volmenes para el lado fro son:
(2.12)
33
CAPTULO 2
Donde: es la longitud del tubo, con los diferentes subndices son los dimetros
de los tubos (ver Figura 2.10),
es el volumen en el interior del tubo,
es el
volumen en el tubo, es el volumen del flujo del fluido fro y con los diferentes
subndices son la reas de los tubos.
Los valores de las propiedades fsicas de los fluidos (, Cp) se presentan en el
Anexo A.
2.4 VALIDACIN FUERA DE LNEA DEL INTERCAMBIADOR DE CALOR
El modelo del intercambiador de calor tipo doble tubo en configuracin

contracorriente que est localizado en el laboratorio de control en el cenidet, se
valida fuera de lnea. El mtodo para validar el modelo que se obtuvo se describe
a continuacin.
2.4.1 VARIABLES Y PARMETROS
Antes de proponer el protocolo de pruebas es necesario determinar cules son las

variables del proceso y cules los parmetros.
Las variables del proceso se clasifican de la siguiente manera:
* Variables medibles
Tcin, Thin, Tco, Tho,
34

* Variables manipuladas
Thin,
* Variables de entrada
Tcin, Thin,
c,
* Variables de salida
Tco y Tho
Los parmetros del proceso son: AI, cpc, cph, hc, hh, Vc, Vh y U, cuyos valores se
pueden consultar en el Anexo A.
2.4.2 PROTOCOLO DE PRUEBAS

El protocolo para la validacin del modelo es el siguiente:
1. El tipo de validacin a utilizar ser el de fuera de lnea (ver Figura 2.11).
2. Las mediciones provenientes de los transmisores de temperatura de entrada y
salida se almacenan en un vector de datos.
Figura 2.11 Validacin fuera de lnea del intercambiador de calor [67].
35
CAPTULO 2
3. Los vectores que se obtuvieron en el punto anterior se simulan con la finalidad

de compararlos con los modelos LMTD e ITD.
4. Los vectores de entrada que se obtienen del proceso, se aplican a los modelos
LMTD e ITD y la respuesta dinmica se compara con los vectores de salida del
proceso.
5. Las condiciones inciales del modelo se consideran iguales a las condiciones
inciales del proceso.
2.4.3 EXPERIMENTOS
Se realizan diferentes pruebas experimentales en las que se utiliza el protocolo de
pruebas que se defini en el apartado anterior. A continuacin se especifica una
de las pruebas hechas, en la cual se vara el flujo de agua fra.
a) Se mantienen fijas las temperaturas de entrada y el flujo de entrada del lado
frio se vara de tal manera que simule una seal como la que se muestra en la
Figura 2.12.
b) Las temperaturas Tcin, Thin y el flujo de entrada del agua caliente (
mantienen fijas.
) se
c) Las variaciones de lectura de las temperaturas de entradas y salidas,

consecuencia de la variacin del flujo de agua fra, se registraron en un vector
de datos.
2.4.4 RESULTADOS DE LA SIMULACIN Y EXPERIMENTALES DE LA

VALIDACIN DEL SISTEMA
Los resultados experimentales de la validacin fuera de lnea de los modelos del

intercambiador de calor se ilustran grficamente en la Figura 2.13 y Figura 2.14
donde la escala del tiempo est en minutos.
Para la realizacin del experimento, los valores de los parmetros de la planta que
se usan para el experimento se encuentran en el Anexo A y son los mismos que
se utilizaron para la parte de simulacin.
La temperatura de entrada del lado fro se mantienen constante en Tcin = 29C y
Thin=81C, y slo se vari el flujo de entrada del lado frio como se muestra en la
36

Figura 2.12. Se hace la variacin en

porque es una entrada del sistema e
influye en las variables de estado. Especficamente, en esta prueba se realiza el
cambio en el flujo de manera descendente ya que se inicia con una temperatura
de salida de Tho de 72 C, y se busca la temperatura ms alta de T ho con la menor
entrada de flujo
que en este caso flucta en 2.6x10-6 m3/s.
En la Figura 2.13 para el flujo en fro, se comparan las grficas de la temperatura
de salida Tco del intercambiador de calor y la temperatura de salida Tco de los
modelos ITD y LMTD. Similarmente, en la Figura 2.14 para el flujo en caliente, se
comparan las grficas de la temperatura de salida Tho del intercambiador de calor
y la temperatura de salida Tho de los modelos ITD y LMTD.
Figura 2.12 Flujo de entrada (vc).
Figura 2.13 Comparacin de Tco del proceso con Tco de los modelos ITD y LMTD.
37
CAPTULO 2
Figura 2.14 Comparacin de Tho del proceso con Tho de los modelos ITD y LMTD.
En cada grfica se observa que las temperaturas de salida de los modelos ITD y
LMTD siguen el comportamiento de las temperaturas reales del intercambiador de
calor, para darle validez, cuantitativamente, se calcula el error cuadrtico medio
(ECM) y la norma euclidiana (ver Tabla 2.2):
Tabla 2.2 ndices de desempeo
Modelo LMTD 1celda Modelo ITD 1celda

ECM
Tco
0.0427
0.0183
Tho
0.0072
0.0052
Norma Euclidiana
0.0433
0.0190
Como se puede observar cualitativamente y cuantitativamente el mejor modelo es

el ITD, ya que en anlisis dinmico para la planta no se pueden considerar
promedios sino incrementos por lo tanto se utiliza el ITD, una ventaja es que el
modelo ITD es ms simple y tiene una excelente aproximacin, por eso a partir de
este momento ser el modelo que se tomar para el trabajo.
2.5 CONCLUSIONES
En la Teora de Control, los sistemas con parmetros distribuidos (ecuaciones

diferenciales parciales) normalmente se discretizan en sistemas con parmetros
concentrados (ecuaciones diferenciales ordinarias) para poder aplicar los
conceptos tradicionales de control automtico. Al hacer la discretizacin y tomar el
modelo ms simple que es el de una celda, se pudo observar que la estimacin es
eficiente como se mostr en las Figuras 2.13 y 2.14.
38

El modelo de diferencia de temperatura a la entrada fue el que mostr un mejor

ajuste a los datos reales del proceso, aunque la diferencia entre un modelo y otro
es mnima, se eligi el modelo de diferencia de temperatura ya que en anlisis
dinmico para la planta no se pueden considerar promedios sino incrementos y
otra ventaja del ITD es que es un modelo ms simple que nos genera una
caracterizacin del modelo de forma precisa.
Se concluye que empleando el mtodo utilizado por Escobar y colaboradores [10]
de estimar el coeficiente de transferencia de calor para cada fluido y considerarlo
en un modelo simplificado de una celda (sin ser necesarios modelos de un mayor
nmero de celdas), es posible estimar los estados del sistema con un error
mnimo.
39
CAPTULO 2
40
Captulo 3
3. DESARROLLO DE UN SISTEMA DE
DIAGNSTICO DE FALLAS.
ENFOQUE MULTI-MODELOS
El objetivo de este captulo es presentar el diseo y desarrollo de un sistema de
diagnstico de fallas basado en modelos mltiples. Como objetivos particulares se
tienen: la deteccin, localizacin y estimacin de la falla; as como la estimacin
de la funcin de activacin que da la contribucin de cada modelo.
Para cumplir con los objetivos, se propone utilizar un banco de filtros de Kalman,
estndar. Al utilizar el banco de filtros de Kalman estndar se puso en evidencia el
no poder estimar la funcin de activacin y detectar, localizar y estimar fallas
simultneamente. Debido a esto se propone un banco de filtros de Kalman
desacoplados.
El diseo de un banco de filtros de Kalman desacoplados cumple con los
objetivos, dado que cada filtro de Kalman desacoplado permite generar 2 residuos:
un residuo que es sensible a las fallas y permite la deteccin, localizacin y
estimacin de sta, y el otro residuo que es insensible a fallas que con ello permite
la estimacin de la funcin de activacin.
41
CAPTULO 3
En la Seccin 3.1 se presenta la representacin de sistemas no lineales en tiempo

discreto y la representacin de un sistema por multi-modelos lineales se
desarrolla. En la Seccin 3.2 se describe el desarrollo del pasaje entre los
modelos, utilizando la probabilidad Bayesiana. La Seccin 3.3 se enfoca en la
estructura multi-modelo con filtro de Kalman estndar, en esta seccin se hace un
estudio del residuo, con el cual se observa que existe un problema para la
estimacin de la funcin de activacin en presencia de fallas. En la Seccin 3.4, se
presenta la solucin al problema de la estimacin de la funcin de activacin en
presencia de fallas. En la Seccin 3.5 y 3.6 se desarrolla el diseo y la estructura
del banco de filtros de Kalman desacoplados. En la Seccin 3.7 se describe el
nuevo diseo para la estimacin de la funcin de activacin. En la Seccin 3.8 se
realiza la nueva estructura con la cual se har la deteccin, localizacin y
estimacin de las fallas. Finalmente en la Seccin 3.9 se proporcionan las
conclusiones que se desprenden de este captulo.
3.1 REPRESENTACIN DE SISTEMAS NO LINEALES EN TIEMPO DISCRETO
En el contexto de algoritmos de modelos mltiples de tipo fijo, el enfoque multimodelo lineal se utiliza para las tareas de estimacin o identificacin, el control y el
diagnstico de fallas [13]. Para lograr el enfoque multi-modelos lineales (MML), se
debe descomponer un sistema no lineal, en varios regmenes de funcionamiento
lineal.
El inters se centra en sistemas no lineales continuamente diferenciables para su
aplicacin en el diagnstico. Las ecuaciones de un SNL para la representacin de
espacio de estados en tiempo discreto se presentan en la ecuacin (3.1):
X k 1 z X k , U k , vk
Y k g X k , U k , wk
Donde:
X Rn
U Rp
v Rn
Y Rm
w Rm
z y g
es el vector de estados.
es el vector de entradas.
es el vector de ruido del sistema o a la entrada.
es el vector de salidas medidas.
es el ruido en la salidas medidas.
son funciones no lineales continuamente diferenciables.
42
(3.1)

El funcionamiento del sistema no lineal se describe a travs de un conjunto de

mltiples modelos lineales como [68]:
X j k 1 A j X j ( k ) B j u j ( k ) X j v j ( k )
Y j (k ) C j X j (k ) D j u j (k ) Y j w j (k )
(3.2)
Donde: j representa al modelo lineal

y M es el nmero total de
modelos lineales utilizados,
, ,
y
son matrices con dimensiones
apropiadas, con
y
como vectores constantes que dependen del j-simo
modelo lineal.
3.2 CONMUTACIN ENTRE LOS MODELOS

Cuando se habla de la conmutacin entre los modelos, se refiere a la transicin
entre un punto de operacin y otro, esta idea queda clara si se observa la Figura
3.1.
Figura 3.1 Conmutacin entre los modelos lineales diferentes.
Si existe un gran nmero de modelos lineales, es posible hacer una mejor

estimacin del SNL. 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 computacional.
La estructura de los modelos lineales locales se vlida en la vecindad del punto de
operacin. La estructura de cada modelo lineal local est definida por las
ecuaciones siguientes:
43
CAPTULO 3
X ( k 1) A j X k B jU k X j w j k FX j f k
Y k C j X k D jU k Y j v j k FY j f k
donde:
son matrices con dimensiones apropiadas,
(3.3)
son las
matrices de distribucin de fallas de actuadores y sensores respectivamente,

el vector de fallas.
es
El sistema lineal definido por la ecuacin (3.3) se establece mediante el siguiente

conjunto de matrices:
Aj
Sj
C j
Bj
Dj
X j
Y j
FX j
FY j
wj
, j 1,2,..., M
v j
(3.4)
Con el fin de representar el sistema no lineal (3.1), el conjunto de matrices que se

defini en (3.4) se utiliza en cada instante de muestreo, la sucesin de matrices
[69], se define como:
M
M
S k j k S j : j k 0, j k 1
j 1
j 1
Donde
(3.5)
es una funcin de ponderacin.
Sin perder la generalidad del mtodo, las fallas de sensores se pueden considerar
como incertidumbres estructuradas, pudindose interpretar matemticamente
como fallas de componentes [70]. As se tendra un nico vector de fallas
, y el conjunto de matrices se reescribe como:
Aj
Sj
C j
Bj
Dj
X
Y
Fj
vj
wj
, j 1,2,..., M
(3.6)
En el marco de MML,
caracteriza en cada perodo de muestreo al sistema no
lineal (3.1). La suma de las contribuciones de cada uno de los modelos lineales en
un instante de muestreo, permite la reconstruccin del sistema completo. Esta
reconstruccin se conoce como modelo global lineal.
La ponderacin probablemente desempea el papel ms importante en un
enfoque MM ya que sta calcula el peso a la contribucin de cada modelo.
La ponderacin determina al mejor modelo lineal o la contribucin de cada uno de
ellos en cada instante de tiempo. La ponderacin ha recibido diversos nombres,
44

tales como: probabilidad de validacin [13, 71], trayectoria de referencia [72] o

funcin mnima [73, 74].
La probabilidad de validacin se defini para cada modelo local. La probabilidad
se representa por el vector
:
(k ) 1 (k ) 2 (k ) ,..., N (k )T R N
(3.7)
La probabilidad
es una funcin de ponderacin de cada modelo [13, 17, 73].
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 [13, 17, 73]:
(3.8)
(3.9)
Esto significa que la probabilidad del modelo lineal ms cercano al modelo no

lineal en un instante
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 [13, 17, 72, 75].
Se propone el mtodo Bayesiano para la conmutacin entre los modelos. 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.
Una de las razones principales por las cuales se utiliza la probabilidad Bayesiana
es que lejos de operar en un vaco total de informacin, el modelo de anlisis
Bayesiano exige contemplar formal y explcitamente el conocimiento previo.
Una explicacin del teorema de Bayes con ms detalles se puede encontrar en el
Anexo B. El objetivo es desarrollar un mtodo de estimacin de probabilidades
Bayesianas en el contexto MM.
Para determinar las probabilidades de cada uno de los modelos del enfoque multimodelo LIT, se utiliza la probabilidad Bayesiana. Se inicia con el establecimiento
de las condiciones de la funcin de validacin de los elementos utilizados.
La salida medida del SNL se representa por
y la salida histrica medida por
. La probabilidad condicional
indica la
45
CAPTULO 3
probabilidad de que el modelo j es la mejor descripcin del sistema conociendo la

salida histrica en el instante
[13].
Aplicando el teorema de Bayes, se obtiene:
j | YH k j | Y k , YH k 1
f Y k | j, YH k 1 j | YH k 1
Y k
f Y k | j, YH k 1 j | YH k 1
i f Y k | j,YH k 1 j | YH k 1
(3.10)
donde:
es la funcin de densidad de probabilidad (FDP) del jsimo modelo en el instante
.
La ecuacin anterior describe cmo una nueva salida del sistema influye en la
prediccin de la validacin del modelo [13].
En caso de que exista un ruido en el estado y un ruido a la salida, los filtros
pueden estimar el estado
y la salida . Cuando un filtro lineal se utiliza con un
sistema lineal o linealizado cuyas estadsticas (media y covarianza) de la
distribucin de probabilidad Gaussiana (DGP por sus siglas en ingls) se conocen,
entonces una estimacin del filtro con distribucin de probabilidad Gaussiana
tambin se conocer.
Los residuos (que son la diferencia entre la salida real y la salida estimada) tienen
una distribucin Gaussiana conocida [76].
(3.11)
donde: r es el residuo y
es el error de estimacin.
La estimacin de un modelo lineal estocstico se puede obtener a travs de un

filtro de Kalman estndar simplemente filtro de Kalman. Esto ltimo implica que
los residuos
(para cada modelo) con una DGP tienen estadstica conocida,
donde i es el nmero de filtros de Kalman a utilizar.
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
variables del sistema. La probabilidad condicional del i-simo conjunto de
parmetros se determina con base en la diferencia entre la salida actual y la salida
estimada del j-simo modelo [76].
46

El enfoque que se presenta en los artculos como el de Lainiotis y colaboradores

[77-80] se considera un trabajo bsico para el enfoque MM. Donde los autores
establecen un banco de filtros de Kalman en paralelo.
As, si el i-simo filtro describe exactamente al sistema, los residuos
son de
media cero, y la covarianza de los residuos
se define como:
,
donde es la covarianza del error de estados del i-simo filtro de Kalman, basado
en el j-simo modelo, y
es la covarianza del ruido en la salida del j-simo
modelo. Bajo la hiptesis de estado estacionario:
f Y k | i, Y H k 1 f Y k | i
f ri ( k ) | i i ( k )
exp ri ( k ) i1 ( k ) ri ( k ) T
2
det i ( k ) 2
(3.12)
Por lo tanto, la ecuacin (3.12) sustituye a la ecuacin (3.10) para obtener un

algoritmo que permita estimar la validez del modelo [13, 76, 81-83].
Basada en la funcin de distribucin de probabilidad, una probabilidad
normalizada, que se denota por
, se calcula por el teorema de Bayes
como:
ri k 1
i k x ri k
h1h k x ri k
M
(3.13)
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 o determinar los pesos segn el grado de contribucin de cada
modelo.
3.3 PROBLEMTICA DE LA GENERACIN Y EVALUACIN DE RESIDUOS
Retomando la ecuacin (3.4) y sin perder generalidad, de acuerdo a [70], en

presencia de fallas en sensores y actuadores, el sistema se representa por un
sistema multi lineal con presencia de fallas de sistema, se expresa en espacio de
estado en tiempo discreto de la siguiente manera:
47
CAPTULO 3
X k 1 A j X k B j U k F j f k X j kj ,
Yk C j X k Y j v kj
La
matriz
de
distribucin
(3.14)
de
operacin, se asume que
fallas
est
representada
por
. Alrededor del j-simo punto de
.
Con la suposicin, que el sistema evoluciona en torno al j-simo punto de

operacin. Se propone un i-simo filtro de Kalman (donde
representa el nmero de filtros de Kalman) que se define:
X i ( k 1) Ai X i ( k ) BiU ( k ) K i ( k )Y ( k ) Yi ( k ) X i ,
Y ( k ) Ci X i ( k ) DiU ( k ) Yi ,
(3.15)
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.
Los filtros de Kalman permiten obtener el error de estado estimado
y los vectores de residuos de salida
. Para
comprender mejor el comportamiento de los residuos, se propone estudiar al
conjunto de residuos con diferentes condiciones de funcionamiento.
Caso 1. Cuando el modelo es igual al estimador (

) en ausencia de fallas
(
), entonces el vector de error de estimacin ( ) y el vector de residuos de
salida ( ) son equivalentes a:
(3.16)
(3.17)
48

La primera situacin se considera como elemental, es decir, que el modelo lineal

presente y el filtro son de forma idntica.
Caso 2. Cuando el modelo es igual al estimador (

) y en el sistema se tiene
presencia de fallas (
), entonces la estimacin de vector de error ( ) y el
vector de residuos de salida ( ) son equivalentes a:
(3.18)
(3.19)
El funcionamiento de un banco de filtros de Kalman conduce a la obtencin de

vectores de error de estimacin y residuos corrompidos por la presencia de fallas.
Caso 3. Cuando el modelo j es diferente del estimador (

) en ausencia de
fallas
), entonces la estimacin de vector de error ( ) y el vector de residuos
de salida ( ) se representa de la forma siguiente:
(3.20)
y
(3.21)
donde
que corresponde a la amplitud de la diferencia entre el
sistema no lineal representado por j-simo modelo lineal y el i-simo filtro de
Kalman.
, son matrices de distribucin de

49
CAPTULO 3
errores de modelado asociado, con las ecuaciones de estado, y la ecuacin de

salida respectivamente. Los vectores de error de estimacin y de residuo estn
afectados por la presencia de una distancia entre la representacin del j-simo
modelo y el i-simo filtro de Kalman.
Caso 4. Cuando el modelo es diferente del estimador (
) y en el sistema
existe una falla (
), entonces la estimacin de vector de error ( ) y el vector
de residuos de salida ( ) se representan de la forma siguiente:
(3.22)
y
(3.23)
Tambin en este caso, los vectores de error de estimacin y de residuo se

ven afectados por la presencia de incertidumbres en el sistema, distancia entre el
modelo y el estimador y por la presencia de fallas. Teniendo en cuenta estas
diferentes situaciones, se concluye que el diagnstico de fallas de un banco de
filtros de Kalman no es factible. Adems, el uso de la probabilidad Bayesiana no
se puede considerar para determinar el modelo ms representativo del sistema ya
que utiliza el vector de residuo para calcularse y este se encuentra corrompido por
la falla.
En resumen el uso de los filtros de Kalman permite establecer las siguientes
propiedades residuales i, i 1, , M :
(3.24)
donde:
es la distribucin normal (con media cero y matriz de covarianza).

50

Como se puede observar en la ecuacin (3.24) en la ltima evaluacin del residuo,

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.
3.4 ALTERNATIVA DE SOLUCIN
De acuerdo a la ecuacin (3.24) especficamente en el caso 4, el FDI no se

obtiene correctamente, ya que el vector de residuos se corrompe al mismo tiempo
por cambios en los puntos de operacin y por la presencia de las fallas.
De ah la importancia de un nuevo generador de residuos que est desacoplado
de las fallas: que permita generar dos residuos: 1. Que sea insensible a las fallas
y permita la interpolacin del modelo y 2. Que sea sensible a la falla y que localice,
detecte y estime la falla (ver Figura 3.2).
Figura 3.2 Generador de residuos.
Se ha examinado la deteccin y localizacin de fallas en el intervalo de operacin

descrito por una estructura de modelos mltiples y la estimacin de la funcin de
activacin de estos modelos. Estos dos estudios han resaltado las debilidades del
mtodo tradicional utilizado para la estimacin de la funcin de activacin (Bayes)
o para la deteccin y aislamiento de fallas (Kalman).
Con este mtodo (Multi-modelos utilizando un banco de filtros de Kalman en
paralelo) no se alcanzan los objetivos deseados debido a que la generacin de
51
CAPTULO 3
residuos se ve afectada simultneamente por dos informaciones diferentes: el

cambio de punto de funcionamiento y la presencia de fallas.
El objetivo est en encontrar el modelo lineal ms representativo
del sistema en cada instante de tiempo y al mismo tiempo, detectar, localizar y
estimar las faltas. Para esto se toman trabajos hechos previamente [23, 84] donde
el primero obtiene el diseo de un filtro de Kalman desacoplado basado en
incertidumbres y el segundo obtiene el diseo de un filtro de Kalman desacoplado
de fallas en un esquema multi-modelo. Con base al diseo de [23] se obtendr un
nuevo generador de residuos que permita la disociacin de los efectos de errores
de modelado y las fallas. Este nuevo generador de residuos proporcionar una
residuo insensible a las fallas, pero sensible a los cambios de punto de operacin,
y un segundo residuo sensible a las fallas.
3.5 DISEO DE UN BANCO DE FILTROS DESACOPLADOS

Una solucin para resolver el problema mencionado, se basa en el diseo de un
filtro de Kalman desacoplado de las fallas (FDF) [23], 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 de Kalman como
[1]:
rki rki iX j ij ,k k ,kd f kd
k ,ke ij ,ke
f kd 1
ij ,k 1 ij ,k 1
f k 1
(3.25)
con
k ,kd
ki ,k 1 F j
i d
k ,k d 2 F j
Ci
F j
k ,ke
(3.26)
ki , k 1 iX K ki iY
j
e
j
i e
i
i
i
X j K ke 1 Y j
C i k ,ke 2
X j K ki 1 iY j
52
(3.27)

donde
k 1
ki , k d , k e
L ,
kd ,ke
Lik Ai K ki Ci .
(3.28)
La ecuacin (3.25) permite confirmar que el residuo se corrompe por 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:
A K C F 0,
i
k
i 1,, M .
(3.29)
Si la ecuacin (3.29) se satisface y si el nmero de fallas es estrictamente menor

al nmero de salidas (i.e. rangoC i Fi q m, i ), una solucin a la ecuacin
(3.29) se propone en [84], donde el autor parametriz una ganancia del filtro de
Kalman como:
(3.30)
Con
donde
, es una matriz
constante arbitraria definida, a fin que la matriz
sea de rango completo. Por lo
tanto, el residuo que se defini en la ecuacin (3.25) bajo las condiciones de la
nueva ganancia de Kalman (3.30) llega a ser;
rki rki iX j ij ,k Ci Fi f k 1
k ,ke ij ,ke
ij ,k 1 ij ,k 1 .
(3.31)
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 que se presentan y estudian en [84].
53
CAPTULO 3
3.6 ESTRUCTURA DEL NUEVO DISEO DEL FILTRO DE KALMAN

DESACOPLADO
De acuerdo a la ecuacin (3.30), cada filtro de Kalman que se obtuvo en la

ecuacin (3.15), se describe por [23]:
X ki 1 Ai X ki BiU k i i Kki i Yk Yki X i ,

Yk Ci X ki Yi ,
(3.32)
donde:
K ki Ai Pk CiT Ci Pk CiT Vi
(3.33)
Pki1 Ai K ki Ci Pk Ai K ki Ci

K ki Vi K ki
Qi
(3.34)
con
,
,
(3.35)
De acuerdo a la ecuacin (3.30) y a las propiedades de las matrices previas, un

vector de residuos
se obtiene.
i Yk Yki i rki ki
rki ,
i i ~
i
i Yk Yk i rk k
(3.36)
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
y
cada residuo de la ecuacin (3.36) se desarrolla de acuerdo
a la ecuacin (3.31) en vectores
insensibles y
sensibles a fallas,
respectivamente. Como se expresa:
54

ki i rki iX ij ,k
j
i k ,ke ij ,ke
ij ,k 1 ij ,k 1 ,
(3.37)
ik f k 1 i rki iX j ij ,k
i k ,ke ij ,ke
ij ,k 1 ij ,v .
(3.38)
Las ecuaciones (3.37) y (3.38) indican que un banco de filtros de Kalman

desacoplados proporciona una solucin al problema de estimacin de la funcin
de activacin y diagnstico de fallas en un enfoque multi-modelo gracias al clculo
de estos residuos.
La Tabla 3.1, muestra el comportamiento del sistema no lineal en ausencia de
fallas
), y en presencia de fallas
), cuando el sistema est descrito por
un conjunto finito de modelos lineales.
Esta tabla muestra los vectores de residuos
), y
), para cada filtro
diseado. Los residuos siguen una ley Gaussiana, de media cero o diferente de
cero.
Tabla 3.1 Comportamiento del residuo insensible a las fallas ( ) y del sensible a estas ( )
1
1
0
0
0
0
2
i
.
.
.
.
.
.
.
.
.
...
.
.
.
0
0
.
.
.
.
.
.
.
.
.
.
.
.
En ausencia de fallas o en presencia de estas (
), los residuos
insensibles a las fallas (
permiten estimar la funcin de activacin que pondera
la contribucin de cada modelo. El vector de residuos sensible a las fallas ( )
55
CAPTULO 3
permite detectar, localizar y estimar la falla. Cabe mencionar que en ausencia de

fallas (
), el vector de residuos ( ) es igual a cero para
.
3.7 ESTIMACIN DE LA FUNCIN DE ACTIVACIN
La estimacin de la funcin de activacin se basa en la determinacin del punto de

funcionamiento vlido en un momento dado. Esta estimacin no se degrada por
los efectos de los fallas.
Para determinar la estimacin de la funcin de activacin, se supone que el
sistema no lineal trabaja alrededor del punto de funcionamiento j-simo, el residuo
insensible a fallas ( ) tiene las siguientes propiedades de acuerdo a la Tabla 3.1:
(3.39)
Se considera al residuo
alrededor del punto de funcionamiento j-simo, este
residuo sigue una distribucin Gaussiana, por lo tanto, el vector de residuos
se pueden utilizar para calcular la densidad de la probabilidad:
1
exp i ( k ) i1 ( k ) i ( k ) T
2
i
1
2 N det i (k ) 2
(3.40)
donde
es la matriz de covarianza del residuo

, igual a
, donde los trminos con barra se encuentran especificados en la
ecuacin (3.35). La nueva probabilidad desacoplada de las fallas se expresa
como:
i k 1
i k x i k
h 1h k x i k
M
(3.41)
El algoritmo de probabilidad permite obtener el j-simo modelo lineal que describe

el comportamiento del sistema no lineal en presencia o ausencia de fallas. La
probabilidad de Bayes permite determinar el punto de operacin en torno al cual el
sistema no lineal evoluciona [43].
56

Los modos de probabilidad,

, desacoplados de fallas, se utilizan para aislar el
punto de operacin y por lo tanto, definir una funcin de activacin para cada
modelo aun con los efectos de las fallas. La estimacin de la funcin de activacin
se utiliza para describir el comportamiento general del sistema como una
interpolacin lineal de modelos mltiples. Ya que se tiene la seleccin del modelo,
se propone una metodologa para llevar a cabo el diagnstico de fallas.
3.8 DETECCIN, LOCALIZACIN Y ESTIMACIN DE FALLAS
Para detectar y localizar las fallas, se toma una decisin lgica que se define por
dos factores: la funcin de activacin
, y el residuo
. Para realizar
estas tareas, se sigue una lgica elemental, con la ayuda del mtodo de la
probabilidad
, se utiliza un procedimiento de decisin que conduce a la
utilizacin del residuo
del modelo correspondiente, a fin de que la decisin
lgica permita hacer la deteccin, localizacin y estimacin de las fallas
correspondientes.
En el contexto de la evaluacin de las fallas, hay que sealar que este banco de
filtros de Kalman desacoplados permite estimar la magnitud de la falla
correspondiente a la combinacin de cada filtro determinado por la funcin de
activacin.
Las fallas que se consideran en este estudio son fallas aditivas (sensor o
actuador). Se hace una estimacin de las fallas utilizando el modo de probabilidad
, as, el vector de magnitud estimada de las fallas
asociadas con las fallas
se define utilizando la funcin de ponderacin relacionada con el
banco de residuos sensibles a los fallas:
(3.42)
La evaluacin de este vector de residuos permite detectar y localizar las fallas,

adems estimar la magnitud y la aparicin de la misma [43].
En la Figura 3.3 se muestra en forma de diagrama de bloques el mtodo
sintetizado y analizado en este captulo. En el siguiente captulo se demuestra
mediante una planta piloto la eficacia del mtodo.
57
CAPTULO 3
Figura 3.3 Esquema general multi-modelos con un banco filtros de Kalman desacoplados.
3.9 CONCLUSIONES
Los resultados al evaluar el banco de residuos de la estructura multi-modelos con

filtro de Kalman permiten concluir que cuando existe cambio de modelo y
presencia de fallas, la estructura multi-modelos con filtro de Kalman no es capaz
de estimar correctamente la funcin de activacin.
Debido a lo anterior se presenta una solucin en la que se tiene una estructura
multi-modelo con filtro de Kalman desacoplado, este filtro permite tener dos
residuos: un residuo insensible a las fallas y el otro sensible a fallas.
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.
Se puede concluir que 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.
58
Captulo 4
4. PRUEBAS Y RESULTADOS
En este captulo se presentan los resultados basados en la estructura multimodelos con filtro de Kalman desacoplados aplicado a la planta piloto RCT 100.
En la Seccin 4.1 se realiza la linealizacin del modelo matemtico del
intercambiador de calor ITD, tambin se presentan los puntos de operacin
utilizados para este trabajo y se presenta el diagrama de fase del sistema no
lineal. En la Seccin 4.2 se presenta la validacin en simulacin de los filtros de
Kalman, de la estructura multi-modelo con filtros de Kalman y de la estructura
multi-modelo con filtros de Kalman desacoplados en paralelo. La Seccin 4.3 se
enfoca en la validacin fuera de lnea de la estructura multi-modelo con filtros de
Kalman desacoplados. En la Seccin 4.4, se describe la interfaz grfica
desarrollada para la validacin en lnea del sistema de diagnstico de fallas en el
intercambiador de calor. Finalmente en la Seccin 4.5 se proporcionan las
conclusiones que se desprenden de este captulo.
4.1 MODELO DEL PROCESO RCT 100

En el Captulo 2, se obtuvo el modelo no lineal del intercambiador de calor
(ecuaciones (2.7) y (2.8)) que se reescriben a continuacin:
59
CAPTULO 4
Basndose en este modelo se procede a la linealizacin, pero antes, se eligen los

puntos de operacin en los cuales se trabaja.
4.1.1 PUNTOS DE OPERACIN
Se procede a elegir los puntos de operacin, primero, al igual que cuando se

desarrollo el modelo no lineal del intercambiador de calor, se toman ciertas
suposiciones para el modelo lineal y son:
S1 el volumen en el tubo y en la seccin anular son constantes;
S2 el coeficiente de transferencia de calor (U) tiene una dependencia del flujo y de
la temperatura de cada fluido, y no se considera como constante, as que en
cada punto de operacin elegido se tiene un valor de coeficiente de
trasferencia de calor apropiado para cada modelo;
S3 no hay transferencia de calor entre el tubo exterior y el medio ambiente;
S4 las propiedades fsicas del agua se evalan en funcin de la temperatura
mediante correlaciones empricas;
S5 no hay almacenamiento de energa en las paredes del tubo;
S6 las entradas al sistema son medibles;
S7 el flujo fro ( ) se vara para cada punto de operacin, esto quiere decir que se
toma como una entrada de manera implcita.
Lo anterior es vlido en el subconjunto de espacio de estado del sistema y queda
definido por
(4.1)
Donde:
La naturaleza del proceso de transferencia de calor da una idea fsicamente

razonable para la definicin de
como subconjunto de espacio de estado del
sistema (ecuacin (2.7) y (2.8)).
60

Debido al calor absorbido por el fluido fro a lo largo el tubo externo, su

temperatura de salida,
, no puede ser menor o igual a . Tampoco puede ser
mayor o igual que
porque el fluido fro no puede absorber el total (o ms) de la
energa calorfica llevada por el fluido caliente a lo largo del tubo interno [85].
Con base en lo mencionado, se eligen los puntos de operacin. Para este caso,
los puntos de operacin elegidos no estn ligados a un proceso. Lo que se
requiere es probar la eficacia del mtodo multi-modelo en toda la zona de
operacin.
Se tom en cuenta que los intercambiadores se utilizan en aplicaciones como:
procesos industriales, ya sea qumicos, generacin de energa, petroqumica,
papel y pulpa, petrolera, farmacutica, por mencionar algunas de las ms
importantes; los intercambiadores de calor tubo y coraza se requieren
habitualmente para su uso en diversas etapas de los procesos mencionados, los
puntos de operacin se pueden elegir basados en la produccin que se requiera o
en la calidad de la materia prima.
Se realiza el retrato fase para visualizar las trayectorias que seguira el sistema
para cualquier punto de operacin. Este retrato fase se hizo con el programa
Pplane7 de Matlab, para ello se utilizaron las ecuaciones (2.7) y (2.8) que
describen el comportamiento dinmico del intercambiador de calor. Como se
puede observar en la Figura 4.1 no importan las condiciones iniciales del proceso
ya que a cualquier condicin, este va a converger a un punto de equilibrio que est
ubicado en
26 C y
=67 C.
Figura 4.1. Retrato Fase del proceso del intercambiador de calor.
61
CAPTULO 4
4.1.2 MTODO DE LINEALIZACIN
La linealizacin generalmente consiste en una expansin en series de Taylor de la

ecuacin de estado (no-lineal) alrededor de un punto de operacin definido
naturalmente por el sistema o seleccionado para satisfacer alguna necesidad de
control o requerimiento de operacin.
Al llevar a cabo esta expansin slo se considera el trmino lineal y se desprecian
los trminos de orden superior de la expansin en Serie de Taylor. Esta
linealizacin del sistema slo se vlida en la vecindad del punto de operacin.
Extendiendo al caso vectorial la expansin en series de Taylor hecha para el caso
escalar se tiene:
df
dx xop ,uop
dim A n n
f
u xop ,uop
dimB n p
g
x xop ,uop
dimC m n
g
u xop ,uop
dimD m p
(4.2)
Donde n es el nmero de variables de estado, p es el nmero de entradas y m es

el nmero de salidas.
En este proyecto se trabaja con dos linealizaciones [65], en la primera linealizacin
se toman como entradas los flujos:
x Ax Ni xu Bu
kc2 kc2
A
kh2 kh2
Tcin
B Vc
0
0
Thin
Vh
62
1 0
C
0 1
(4.3)
1
0
N1 vc
0 0
0
N2
0
0
1
vh

Como se puede observar de la ecuacin (4.3) queda un sistema bilineal, donde se

tienen a los estados multiplicando a la entrada, y lo que se busca es un sistema
LIT. Por lo que se toma una segunda opcin donde se toman las temperaturas
como entradas y el flujo se supone constante.
kc1 0
B
0 kh1
kc2
kc1 kc2
A
kh2
kh1 kh2
Donde:
1 0
C
0 1
(4.4)
, el desarrollo completo
de la linealizacin y los valores de las variables se presentan en el Anexo C.
4.2 VALIDACIN EN SIMULACIN

4.2.1 FILTRO DE KALMAN ESTNDAR (FK)
Para implementar los filtros de Kalman, se trabaja con los modelos lineales que se
presentan en el Anexo C y con la teora estudiada en [81, 82], (ver Figura 4.2).
Figura 4.2 Diseo de la estructura Multi-modelo basado en filtro de Kalman.
63
CAPTULO 4
Los puntos de operacin en los que se linealiza el modelo del intercambiador de

calor se muestran en la Tabla 4.1, son 3 puntos de operacin los que se eligieron,
como se mencion anteriormente, la eleccin de estos puntos de operacin est
basada en las consideraciones que se establecieron en la Seccin 4.1.1. Las
condiciones inciales de los filtros son iguales que las condiciones inciales del
modelo.
Tabla 4.1 Puntos de operacin del proceso
Tcin
FK M1 29 C
FK M2 29 C
FK M3 30 C
Thin
81 C
81.2 C
81.4 C
Tco
47.4 C
50.88 C
61.5 C
Tho
72 C
73 C
76 C
vc
7.5x10-6 m3/s
5.7x10-6 m3/s
2.6x10-6 m3/s
En la Figuras 4.3a y 4.3b, se comparan las temperaturas de salida del segundo

filtro de Kalman, las grficas de los otros filtros se pueden observar en el Anexo D.
En cada grfica se observa que las temperaturas de salidas estimadas por el filtro
convergen a las temperaturas del modelo del intercambiador de calor ITD en el
entorno del punto de operacin elegido.
(a)
(b)
Figura 4.3 Filtro de Kalman estimando las temperaturas de salida, Tco y Tho.
64

Para darle validez, cuantitativamente, se calcula el error cuadrtico medio (ECM):

Tabla 4.2 ndices de desempeo FK
ECM
Tco
Tho
FKE
0.0511
0.0738
Como se puede observar cualitativamente y cuantitativamente la estimacin del

filtro de Kalman es satisfactoria toda vez que convergen desde el inicio y va
siguiendo el comportamiento del sistema lineal calculado.
4.2.2 MULTI-MODELO BASADO EN EL FILTRO DE KALMAN ESTNDAR

Para desarrollar la estructura multi-modelo lineales (MML) se cuenta con los filtros
de Kalman (FK) mencionados en el captulo anterior. La implementacin de la
estrategia de ponderacin de cada de uno de los modelos que dar la estimacin
de la funcin de activacin se define, para as poder hacer la reconstruccin de un
modelo global [23]. Todo esto basado en la probabilidad de Bayes.
Figura 4.4 Estructura del sistema de diagnstico de fallas con Multi-modelo basado en filtro de
Kalman.
El banco de residuos de Kalman permitir la generacin de vectores de residuos

(donde M=3) correspondiente a cada uno de los modelos. A partir de
estos residuos se clcula la probabilidad asociada a cada modelo. El pasaje entre
65
CAPTULO 4
un modelo a otro depende de los intervalos de evolucin de la entrada que es

similar a lo que representa el modo de probabilidad
, como se puede
observar en la Figura 4.5 y 4.6.
Figura 4.5 Entrada U, flujo de agua fra.
r1(k)
r2(k)
r3(k)
Figura 4.6 Probabilidad asociada a cada modelo con FK.
En la Figura 4.6, la probabilidad del modelo 1 (

) se representa por el color
azul, la del modelo 2 (
) por el color verde y la del modelo 3 (
) por el
color rojo. Del modelo 2 al modelo 3, hay una zona de transicin que se puede
observar en la Figura 4.7. Como se ilustra en la Figura 4.7 la transicin es de
aproximadamente 5 segundos, mientras la contribucin del modelo 1 va
disminuyendo la contribucin del modelo 2, va aumentando, esto se debe al
cambio en el flujo de entrada que representa un cambio en el punto de operacin.
66

r1(k)
r2(k)
Figura 4.7 Transicin entre los modelos con FK.
El desempeo del mtodo MML basado en el filtro de Kalman tiene limitaciones en

presencia de fallas. La Figura 4.8b, muestra el comportamiento del modo de
probabilidad
cuando una falla se produce en el instante kd=1625 con una
amplitud de 3 C en el sensor Tho.
3 C
a) Entrada
r1(k)
y falla de amplitud 3 C en el instante kd=1625.
r3(k)
r2(k)
Cambio inesperado de
modelo, cuando se
presenta la falla
b) Probabilidad
Figura 4.8 Probabilidad asociada a los modelos lineales en presencia de fallas,
67
CAPTULO 4
El resultado que se ilustra en la Figura 4.8b, describe un cambio de modelo en el

instante kd=1625 que es en el instante que ocurre la falla, cambia del modelo 2 al
3, que indica un cambio de modelo no deseado ocasionado por la falla. En este
caso en especfico cambia al modelo 3, ya que como la falla es de 3 C el modelo
3 sera el modelo ms aproximado.
Debido a lo anterior en la Figura 4.8b, se puede apreciar el comportamiento
inadecuado de la funcin de activacin del modelo.
Se puede concluir que en presencia de fallas, la funcin de activacin del modelo
no es capaz de elegir o determinar la contribucin del modelo adecuado, por lo
tanto, se necesita un vector de residuos insensible a las fallas que determine la
contribucin de los modelos de manera correcta, sin que se vea afectado por la
propagacin de la falla. Tambin se requiere un residuo que sea sensible a las
fallas para efectuar la deteccin, localizacin y estimacin de las mismas.
Estimacin de la funcin de activacin: solucin desarrollada

En el mismo contexto como fue descrito en la Seccin 4.2.2, un banco de tres
filtros de Kalman desacoplados se utiliza para obtener la solucin propuesta [86].
Con el fin de disear un filtro de Kalman desacoplado (FKD) que detecte fallas de
sensor, se utiliza la tcnica de estados aumentados (ver ecuacin 3.14), donde las
fallas de sensor se consideran como fallas de componente [70]. Con esto las fallas
de sensor se pueden detectar, localizar y estimar.
Cada FKD est diseado con los criterios estudiados en [84], la condicin del
rango
se debe satisfacer, ya que uno de los criterios para el
desarrollo del filtro de Kalman desacoplado es que el nmero de fallas sea
estrictamente menor al nmero de salidas. Este nuevo filtro de Kalman
desacoplado obtiene 2 residuos
, con ellos se vuelve a calcular la
probabilidad de Bayes utilizando el residuo insensible a las fallas
[23].
Se utilizan las mismas condiciones de operacin, es decir, los mismos puntos de
operacin de la Tabla 4.1 y la misma seal de entrada de la Figura 4.5.
Primeramente en la Figura 4.9 y Figura 4.10 se pueden observar la estimacin de
las variables de estado Tco y Tho respectivamente, se ilustra que solo al inicio la
temperatura estimada no sigue correctamente a la temperatura real, pero ah se
68

puede apreciar una excelente estimacin, se calcula el error cuadrtico medio y la

norma euclidiana, se muestra en la Tabla 4.3:
Tabla 4.3 ndices de desempeo MML basado en FK
ECM
Tco
Tho
Norma Euclidiana
MML+FKD
0.0016
0.0026
0.0122
Los ndices de desempeo muestran un error menor al 1%, quiere decir que el
error de estimacin entre la temperatura real y la estimada es menor a 0.5 C.
La probabilidad asociada a cada modelo se muestra en la Figura 4.11, como se
puede apreciar al igual que en la Figura 4.6, la transicin de un modelo a otro se
hace de manera correcta, esta transicin se hace en ausencia de fallas y ahora el
residuo que se utiliza para la probabilidad Bayesiana es
.
Figura 4.9 Comparacin entre Tco y
Figura 4.10 Comparacin de Tho con
69
estimada.
estimada.
CAPTULO 4
1(k)
2(k)
3(k)
Figura 4.11 Probabilidad asociada a cada modelo con FKD.
Ahora se comprueba el desempeo del enfoque MML basado en FKD en

presencia de fallas. Una falla se produce en el instante kd=1625 con una amplitud
de 3 C en el sensor Tho al igual que con el enfoque MML basado en FK.
En la Figura 4.8a, se muestra la seal de entrada y el momento en que se genera
la falla, donde se puede apreciar la amplitud y el instante de la falla que es de 3C
en el tiempo kd=1625.
En la Figura 4.12a, se ilustra el residuo sensible a las fallas
calcula con la ecuacin (3.42) que se muestra a continuacin:
, que se
donde se puede constatar que en el tiempo kd=1625 se produce una falla de

magnitud 3 C (ver Figura 4.12b).Eso quiere decir que el enfoque utilizado detecta,
localiza y estima la falla.
En la Figura 4.13, se presenta el comportamiento dinmico del residuo insensible a
fallas
. En la Figura 4.13a se puede apreciar el comportamiento individual
de cada uno de los residuos
. Como se puede observar en la Figura 4.13b, la
funcin de activacin de los modelos, es vlida aun en presencia de fallas. Esto
quiere decir que el pasaje de modelos se ve influenciado nicamente por el
cambio de modelo y no por la ocurrencia de fallas.
70

a) Residuo sensible a las falla.
b) Acercamiento del residuo sensible a falla.

Figura 4.12 Residuo sensible a las falla
En la Figura 4.14 se observa la comparacin de T ho con Tho estimada en presencia

de falla. Con lo presentado, se pone en evidencia que en presencia de fallas, el
enfoque multi-modelos basado en el 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, por lo tanto, da la contribucin adecuada a
cada modelo. Ahora se propone validar el mtodo experimentalmente.
71
CAPTULO 4
a) Evolucin de
b) Probabilidad asociada al modelo en presencia de fallas.

Figura 4.13 Comportamiento dinmico del residuo insensible a fallas.
Figura 4.14 Comparacin de Tho con
72
estimada en presencia de falla.

4.3 VALIDACIN FUERA DE LNEA

La validacin se hace fuera de lnea con datos tomados del intercambiador de
calor, las fallas fueron de sensor y se utiliza el comando step de Matlab, para
simular fallas abruptas, ah se le dio la amplitud y el momento de aparicin de la
falla. Se toma la misma falla con una amplitud de 3 C en el sensor Tho en el
tiempo kd=1625.
Primero se observ el comportamiento en ausencia de fallas del sistema de
diagnstico de fallas y estimacin de la funcin de activacin, en la Figura 4.15 se
observa la transicin entre los modelos. Como se puede apreciar en la Figura
4.15, al inicio hay conflicto en la ponderacin del modelo pero esto se debe a que
los modelos 1 y 2 estn muy cercanos entre s de manera que las contribuciones
se aproximan. En la Figura 4.16, se hace un acercamiento para ver la transicin
entre los modelos 2 y 3, ya que en la Figura 4.15, pareciera que el cambio fuera
abrupto y como se puede observar no es as.
En la Figura 4.17 se presentan las salidas del intercambiador de calor, Tco y Tho
con sus estimadas respectivamente, como se puede observar se tiene una
estimacin muy precisa que se corrobora con el clculo del error cuadrtico medio
y la norma euclidiana de la Tabla 4.4. En los ndices desempeo se tiene un error
menor al 1%, que en grados es menor a 0.5C.
Tabla 4.4 ndices de desempeo MML basado en FKD
ECM
MML+FKD
0.0016
0.0027
0.0126
Tco
Tho
Norma Euclidiana
2(k)
1(k)
3(k)
Figura 4.15 Probabilidad asociada al modelo lineal con FKD, validacin fuera de lnea.
73
CAPTULO 4
2(k)
3(k)
Figura 4.16 Transicin entre los modelos 2 y 3 con FKD.
a)
b)
Figura 4.17 Comparacin de las salidas a) Tho y
74
estimada b) Tco y
estimada con FKD.

4.3.1.1 FALLAS PARCIALES

A continuacin se presenta el comportamiento en presencia de fallas de la
estructura multi-modelo basado con FKD bajo las condiciones de operacin del
sistema mencionadas en la Seccin 4.2.1 y que se ilustra en la Figura 4.4.
En la Figura 4.18 se observa la transicin de los modelos y en la Figura 4.19 se
muestra la salida del intercambiador de calor
con
estimada, y en la Figura
4.20 se muestra el residuo sensible a las fallas (
).
Se puede verificar en la Figura 4.18, que la transicin de los modelos no se ve
afectada por la presencia de la falla. En la Figura 4.19 se puede ver claramente la
afectacin de la falla de 3 C en Tho y en la Figura 4.20 el residuo muestra la
magnitud y el tiempo de ocurrencia de la falla.
2(k)
1(k)
3(k)
Figura 4.18 Probabilidad asociada al modelo con falla en Tho.
Figura 4.19 Comparacin de la salida Tho y
75
estimada.
CAPTULO 4
Figura 4.20 Residuo sensible a las fallas, validacin fuera de lnea.
El sistema tambin se prob con fallas intermitentes, fallas progresivas y prdida

total de alguno de los sensores, la Figura 4.21a muestra el residuo sensible a
fallas (
), corrompido por una falla intermitente en el sensor Tho, y en la Figura
4.21b muestra al residuo sensible a fallas corrompido por una falla progresiva en
el sensor Tho.
a)
b)
Figura 4.21 Residuo sensible a fallas a) falla intermitente, b) falla progresiva.

76

Como se pudo observar, la validacin fuera de lnea basada en el enfoque multimodelos utilizando el filtro de Kalman desacoplado para el diagnstico de fallas
presenta resultados satisfactorios que corroboran los de simulacin.
4.4 VALIDACIN EN LNEA
4.4.1 INTERFAZ GRFICA
El sistema FDI se program en una interfaz grfica diseada en el software

LabView, esta interfaz grfica cuenta con el monitoreo de los estados del
sistema, el monitoreo de la probabilidad de cada modelo lineal y el monitoreo del
residuo sensible a la falla. As como un sistema de alarmas para cuando se
detecta la falla en los sensores de salida.
Figura 4.22 Interfaz grfica del diagnstico de fallas por multi-modelos del intercambiador de calor.
En la Figura 4.22 se muestra la interfaz grfica desarrollada para el diagnstico de

fallas basada en filtros de Kalman desacoplados. Esta interfaz se desarrolla para
monitorear en lnea las temperaturas de entrada (Tcin, Thin) y salida del
intercambiador de calor (Tco, Tho). Las temperaturas mencionadas, tienen como
objetivo principal ilustrar la deteccin, localizacin y estimacin de la falla (
),
y la estimacin de la funcin de activacin (
).
77
CAPTULO 4
Figura 4.23 Comparacin entre Tco y Tho medias con
estimadas, en lnea.
Figura 4.24 Residuo sensible a las fallas y probabilidad de cada modelo.
En la Figura 4.23 se muestran las pantallas donde se visualiza la comparacin de

las salidas reales del intercambiador
), con las salidas estimadas (
).
Adems, de que muestra numricamente el valor de estas variables. En la Figura
4.24 se presentan las grficas donde se visualiza el residuo sensible a las fallas
(
), y la probabilidad de los modelos ( ), tambin se muestra numricamente
la estimacin de la falla y la probabilidad de cada uno de los modelos.
El sistema de deteccin de fallas se dise para que a partir de un estado estable
del sistema sea capaz de detectar y diagnosticar una falla en cualquier sensor de
temperatura (Tco, Tho) a la salida del intercambiador de calor. Las condiciones en
las que se llev a cabo la prueba experimental son las siguientes, Tcin= 30 C,
Thin=81 C, vc=400 cm3/min, vh=1.67X10-5 m3/s, los parmetros del intercambiador
de calor son previamente calculados para cada modelo lineal, ver Anexo E.
78


Se utilizan los puntos de operacin de la Tabla 4.5 y la seal de entrada de la
Figura 4.25. Como se puede observar, se hicieron cambios en los puntos de
operacin del sistema. Se produce una falla en el instante kd=200 con una prdida
total en el sensor Tho, el sensor se recupera en el tiempo kd 450.
Tabla 4.5 Puntos de operacin, validacin en lnea.
Tcin
FK D M1 30
FK D M2 30
FKD M3 30
Thin
81
81
81
Tco
49.2
46.6
45.4
Tho
72.5
71.5
71
Figura 4.25 Flujo de entrada
2(k)
1(k)
vc
400
525
615
3(k)
Figura 4.26 Probabilidad asociada a cada modelo lineal, en presencia de falla, en lnea.
79
CAPTULO 4
Figura 4.27 Residuo sensible a la falla
En la Figura 4.26, se presenta la probabilidad de cada modelo. Como se puede

observar la funcin de activacin de los modelos es vlida an en presencia de
fallas. Esto quiere decir que el pasaje de modelos est bajo la influencia
nicamente del cambio de modelo y no por la ocurrencia de la falla.
En la Figura 4.27, se puede observar el residuo sensible a las fallas (
), donde
se puede constatar que en el tiempo kd=200 se produce una falla de prdida total
del sensor. Eso quiere decir que el enfoque empleado detecta, localiza y estima la
falla.
Recuperacin
del sensor
Inicia la falla
Falla en sensor
Tho
Figura 4.28 Falla en sensor de agua de calentamiento Tho.
La Figura 4.28 muestra el sistema FDI, cuando el estado medido (Tho) presenta
una falla en el sensor (prdida total del sensor), la falla se detecta como se ilustra
en la Figura 4.27 y la alarma se activa inmediatamente (ver Figura 4.22)
proporcionando la informacin del sensor que presenta la falla.
80

En la Figura 4.28 se proporciona toda la informacin de la prueba, indicando el

momento en el que se presenta la prdida total del sensor (Tho) y su
restablecimiento. Como se puede observar, existe prdida total del sensor (Tho),
asimismo la estimacin ( ) es buena, toda vez que en cuanto se recupera el
sensor (Tho) la seal estimada conserva el valor de temperatura que la seal real.
Por lo que se puede apreciar tambin que ambas seales poseen casi los mismos
valores, independientemente que la seal real hubiera o no desaparecido. Por lo
que la seal estimada realiza la misma funcin que la real y que segn las
necesidades la puede llegar a sustituir.
El sistema FDI se disea para detectar la falla de cualquiera de los dos sensores
de salida del intercambiador de calor (Tco o Tho). En la Figura 4.29 se muestra el
residuo sensible a la falla (
). En la Figura 4.30 se ilustra la prdida total del
sensor de agua fra (Tco) en el tiempo kd=500, este sensor se restablece en el
tiempo kd=700.
Figura 4.29 Residuo sensible a fallas, validacin en lnea.
Recuperacin
del sensor
Inicia la falla
Falla en sensor
Tho
Figura 4.30 Falla en sensor de agua de enfriamiento Tco.
81
CAPTULO 4
Se pone en evidencia que en presencia de fallas, el enfoque multi-modelos

basado en filtros 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 adems determin contribucin del mejor modelo.
4.5 CONCLUSIONES
Se concluye que los estados estimados que se obtuvieron a travs de la estructura

multi-modelos con filtros de Kalman estndar y filtros de Kalman desacoplado,
obtienen una excelente representacin del sistema no lineal en ausencia de fallas,
gracias a que se considera el coeficiente de transferencia de calor variable para
cada punto de operacin, eso permite tener excelentes aproximaciones de los
estados.
Se concluye que gracias a la obtencin de un buen modelo no lineal del
intercambiador de calor pasar de la validacin por simulacin a la validacin fuera
de lnea y en lnea no fue complicado y se obtuvieron buenos resultados.
Los resultados que se obtuvieron en simulacin de la estructura multi-modelo con
filtro de Kalman estndar 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 no se puede determinar
correctamente las fallas y tampoco estimar la funcin de activacin.
Se puede concluir, que los resultados que se obtuvieron para la validacin en lnea
y fuera de lnea de la estructura multi-modelo con filtro de Kalman desacoplado
fueron bastante satisfactorios por lo que se tiene que el enfoque 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.
Se implement una interfaz grfica con la cual se puede detectar, localizar y
estimar fallas en lnea de la planta piloto RCT 100, de una manera dinmica y
eficiente, adems de ser interactiva.
82
Captulo 5
5. CONCLUSIONES
Se concluye que el modelo de diferencia de temperaturas a la entrada (ITD)
representa mejor al intercambiador de calor en comparacin con el modelo de
diferencia de temperatura media logartmica (LMTD), ya que el error cuadrtico
medio del modelo ITD es menor. Otra razn del porque el modelo ITD representa
mejor al intercambiador de calor es que el modelo ITD para cambios bruscos de
flujo responde mejor que el LMTD, y que para procesos dinmicos se necesita
temperaturas puntuales y no promedios. Una ventaja del modelo ITD es que es
ms simple que el otro. Se concluye que an con una representacin simple
(modelado con una celda) y utilizando ITD se tiene una excelente aproximacin al
modelo real.
Se concluye que utilizando el valor del coeficiente de transferencia de calor
especfico para cada punto de operacin se obtienen modelos lineales con
excelentes desempeos, ya que el error cuadrtico medio es de 0.0016 para Tco y
de 0.0026 para Tho, donde esto representa una diferencia menor de 0.5C de las
temperaturas reales con las estimadas. As se demuestra que lo presentado en
[10] acerca del coeficiente de transferencia de calor variable con respecto al calor
y al flujo, tambin es vlido para modelos lineales. Con base en lo anterior se
concluye que utilizando el valor especfico del coeficiente de transferencia de calor
para cada punto de operacin el valor de la ganancia de los filtros de Kalman
estndar (K) y la ganancia de los filtros de Kalman desacoplados no es mayor a 1.
83
CAPTULO 5
Gracias a la obtencin de un buen modelo no lineal del intercambiador de calor

que permite un buen modelo lineal hace que se pase de la validacin por
simulacin a la validacin fuera de lnea y en lnea sin complicaciones y adems
con excelentes resultados.
Los resultados al evaluar el banco de residuos a partir de la estructura multimodelos con filtro de Kalman estndar permiten concluir que cuando existe
cambio de modelo y presencia de fallas, la estructura multi-modelos con filtro de
Kalman no es capaz de estimar correctamente la funcin de activacin.
Se presenta una estructura multi-modelo basado en filtros de Kalman
desacoplado, este filtro nos permite tener dos residuos: un residuo insensible a las
fallas y el otro sensible a stas.
Se calcul una nueva funcin de ponderacin para cada modelo, por medio de la
probabilidad Bayesiana basada en el residuo insensible a fallas, por lo tanto, el
pasaje de modelos no se afecta por la presencia de fallas. Con el residuo sensible
a fallas y el apoyo de la funcin de ponderacin, se detecta, se localiza y se
estima la falla o las fallas.
Se puede concluir, que se tiene un esquema de diagnstico 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.
La aplicacin a un intercambiador de calor permite corroborar el mal
funcionamiento de la estructura multi-modelo con filtro de Kalman estndar. De
igual manera se puede corroborar que la solucin propuesta si satisface la teora
estudiada para diagnosticar fallas de manera eficaz.
Se concluye que el prototipo utilizado es un buen caso de estudio para demostrar
el desempeo de la teora multi-modelos ya que se tienen diferentes puntos de
operacin en los cuales trabaja (proceso industriales, petroqumica, petrolera, etc.)
pero para emplear el sistema de diagnstico de fallas desarrollado se est limitado
a considerar slo una falla (ya que la planta piloto slo cuenta con dos salidas) por
lo tanto sera recomendable utilizar otro prototipo con ms de dos salidas.
Se dise una interfaz grfica realizada en LabView con la cual se puede ilustrar
de forma simple y eficaz como detectar, localizar y estimar fallas en lnea de la
planta piloto RCT 100.
84

En este trabajo de tesis se obtuvo el aprendizaje de la teora y la tcnica multimodelo enfocada al diagnstico de fallas, adems se corrobor el mtodo
propuesto con una planta piloto.
5.1 ACTIVIDADES FUTURAS

Implementar un control tolerante a fallas.
Considerar fallas de actuador.
Comprobar la teora con otra planta piloto, para afirmar la generalizacin del
mtodo.
5.2 ACTIVIDADES REALIZADAS ALREDEDOR DE LA TESIS

State variables estimation for a counter-flow double-pipe heat exchanger
using Multi-linear Model. Presentado por: Betty Lpez Zapata, R.F.
Escobar, Manuel Adam Medina, Carlos M. Astorga Zaragoza, en el
Congreso de Electrnica, Robtica y Mecnica automotriz, en la ciudad de
Cuernavaca, Morelos, del 22 al 25 de septiembre de 2009.
Diagnstico de Fallas utilizando el enfoque Multi-Modelos aplicado a un
intercambiador de calor. Presentado por: Betty Lpez Zapata, Manuel Adam
Medina, R.F. Escobar, Carlos M. Astorga Zaragoza, en el Congreso de la
Asociacin Mexicana de Control Automtico, en la ciudad de Zacatecas,
Zacatecas, del 30 de septiembre al 2 de octubre de 2009.
Obtencin del primer lugar en el XXIV Concurso Nacional de Creatividad
fase local, con el proyecto FDI y Control Tolerante a fallas basados en
observadores de estado, celebrado en la ciudad de Cuernavaca, Morelos.
Obtencin del quinto lugar en el XXIV Concurso Nacional de Creatividad
fase regional y nacional, con el proyecto FDI y Control Tolerante a fallas
basados en observadores de estado, celebrado en la ciudad de Tepic,
Nayarit del 28 al 30 de septiembre de 2009.
85
CAPTULO 5
86
BIBLIOGRAFA
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
Kinnaert, M., "Robust fault detection based on observers for bilinear

systems". Automatica, 1999. 33: p. 1829-1842.
Hammouri, H., Kinnaert M. y EI Yaagoubi E. H., "A geometric approach to
fault detection and isolation for bilinear systems". IEEE Transactions
approach to fault detection and isolation for bilinear systems, 2001. 46: p.
1451-1455.
De Persis, C.e.I.A., "A geometric approach to nonlinear fault detection".
IEEE Transactions on Automatic Control, 2001. 46: p. 853-865.
Alcorta-Garca, E.y.F.P.M., "Fault detection and isolation in nonlinear
systems". 5th European Control Conference, 1999. F246.
Patton, R.J., Lpez Toribio C. J. y Simani S., "Robust fault diagnosis in a
chemical process using multiple-model approach". Proceeding of the
Conference on Decision and Control, 2001: p. 149-154.
Karsten Spreitzer, P.B., "A multi-model approach for detection and isolation
of sensor and process faults for a heat exchanger". Proceedings of the
American Control Conference, Chicago, Illinois, 2000: p. 2730-2734.
Takagi, T.y.S.M., "Fuzzy of identification of systems and its applications for
modeling and control". IEEE Tansaction on Systems, Man and Cybernetics,
1985. 15: p. 116-132.
Gasso, K., Identification des systmes dynamiques non linaires: approche
multi-modle. 2000, Institut National Polytechnique de Lorraine.
Bhagwat, A., Srinivasan R. y Krishnaswamy P. R. , "Multi-linear modelbased fault detection during process transitions". Chemical Engineering
Sciences, 2003b. 58: p. 1649-1670.
R. F. Escobar, C.M.A.-Z., D. Jurez-Romero, J.A Hernndez, M. AdamMedina, "Estimacin en Lnea del Coeficiente de Transferencia de Calor en
un Intercambiador de Calor". Asociacin mexicana de control automtico,
2009.
Youmin , Z., X. Rong Li, "Detection and Diagnosis of sensor and Actuator
Failures Using IMM Estimator". IEEE Transaction on Aerospace and
Electronic Systems, USA, 1998. 34: p. 1293-1313.
Henk A.P Blom, a.Y.B.-S., "The Interacting Multiple Model Algorithm for
systems with Markovian Switching Coefficients". IEEE Transanction on
Automatic Control, USA, 1988. 33: p. 780-783.
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.
F. Azimzadeh, H.A.P., and J.A. Ramagnoli, "On Line Optimal Control of a
Batch Fermentation Process Using Multiple Models Approach". Proceedings
of the 37th Conference on Decision Control, Tampa-Florida, USA, 1998: p.
455-460.
87
BIBLIOGRAFA
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
Arthur Kordon, P.S.D., Yuris O. Fuentes, and Babatunde A. Ogunnaike, "An

Intelligent Parallel Control System Structure for Plants with Miltiple
Operating Regimes". Journal of Process Control, UK, 1999. 9: p. 453-460.
Rodrigues, M., Diagnostic et commande active tolrante aux dfauts
appliqus aux systmes dcrits par des multimodles linaires. 2005,
Universit Henri Poincar, Nancy 1.
B.A. Foss, T.A.J., and A.V. Sorensen, "Nonlinear Predictive Control Using
Local Models Applied to Batch Fermentation Process". Control Engineering
Practice, UK, 1995. 3: p. 389-396.
Debin Sun, a.K.A.H., "Dynamic Transition Control Structure for a Class of
SISO Nonlinear Systems". IEEE Transanction on Control Systems
technology, USA, 1999. 7: p. 622-629.
Blanke, M., Frei, C., Kraus, F., Patton, R. y Staroswiecki, M., "What is fault
tolerant control?" 4th IFAC Symposium in Fault Detection, Supervision and
Safety for Technical Processes-Safeprocess, 2000: p. 40-51.
Justo, A., Diagnstico de fallas en el conjunto inversor-motor de induccin
utilizando el mtodo del bond-graph, in electrnica. 2006, Centro Nacional
de Investigacin y Desarrollo Tecnolgico: Cuernavaca. p. Captulo 3.
Gertler, J.J., "Fault Detection and Diagnosis" in Engineering Systems. .
Dekker, New York,, 1998.
Omar, A.J.M., Diagnstico de fallas en el conjunto inversor-motor de
induccin utilizando el mtodo del Bond-Graph, in Electrnica. 2006, Centro
Nacional de Investigacin y Desarrollo Tecnolgico: Cuernavaca.
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.
Vela-Valds, L.G., Etude et laboration d'une approche fonctionnelle pour la
localisation de dfauts en diagnosis-application la simulation d'un moteur
courant continu. 1998, Universit Henri Poincar: Nancy.
Frank, P., "Fault diagnosis in dynamic systems using analytical and
knowledge based redundancy". Automatica, 1990. 26: p. 459474.
Gertler, J.J., "Analytical redundancy methods in fault detection and isolation
survey and synthesis". 1th IFAC Symposium on Fault Detection Supervision
and Safety for Technical Processes SAFEPROCESS, 1991. 1: p. 9-12.
Cassar, J.P., Litwak, R. G., Cocquempot V. y Staroswieki M., "Approche
structurelle de la conception de systmes de surveillance pour des
procds industriels complexes". Revue Diagnostic et Suret de
Fonctionnement, 1994. 4: p. 179-202.
Chen, J.y.P.R.J., "Robust Model-Based Fault Diagnosis for Dymanic
Systems". Kluwer Academic Publisher, 1999.
Edelmayer, A., "Editorial special issue on FDI filters". International Journal
of Robust and Nonlinear Control, 2002.
Balasubramhanyaa, S.a.J.D., "Nonlinear model-based control of a batch
reactive distillation column". Journal of Process Control, 2000. 10: p. 209218.
Bahar, A., E. Guner, C. Ozgen and U. Halici, "Design of the state
estimators for the inferential control of and industrial distillation column".
88

32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
44.
45.
46.
International Joint Conference on Neural Networks, IEEE, 2006: p. 11121115.

Han, M., "Nonlinear model based control of two-product reactive diatillation
column". SICE-ICASE International Joint Conference, 2006: p. 3320-3323.
Zavala, A., C. Astorga and O. Hernndez "Bounded positive control for
double pipe heat exchangers". Control engineering practice, 2009. 17: p.
136-145.
Blanke, M., M. Staroswiecki and N. Wu "Concepts and methods in faulttolerant control". Proceeding of the American Control Conference, IEEE,
2001.
Chetouani, Y., "Design of a multi-model observer-based estimator for fault
detection and isolation (fdi) strategy: Application to a chemical reactor".
Brazilian Journal of Chemical Engineering 2008. 25: p. 777-788.
Ramdani, M.a.N.D., "Fault diagnosis of technical processes based on the
multi-model approach". Journal of Information Technology. 4: p. 1166-1171.
Iserman, R., "Fault diagnosis of machines via parameter estimation and
knowledge processing : tutorial paper : Fault detection, supervision and
safety for technical processes". Automatica, 1993. 29: p. 815-835.
Venkatasubramanian, V., R. Rengaswamy, K. Yin and S. Kavuri "A review
of process fault detection and diagnosis: Part I: Quantitative model-based
methods". Computers and Chemical Engineering, 2003. 27: p. 293-311.
Alcorta, E.a.P.F., "Deterministic nonlinear observer-based approaches to
fault diagnosis: A survey". Control engineering practice, 1997. 5: p. 663-670.
Orjuela, R., B. Marx, J. Ragot and D. Maquin Pi "observer design for
discrete time decoupled multiple models". 5th Workshop on Advanced
Control and Diagnosis, 2007.
Theilliol, D., Rodrigues, M., Adam-Medina, M., & Sauter, D, "Adaptive filter
design for FDI in nonlinear systems based on multiple model approach".
Proceeding of the IFAC symposium safeprocess, 2003: p. CD Rom.
Anshuman Bhagwat, R.S., Krishnaswamy P. R. , "Multi-linear model based
fault detection during process tansitions". Chemical Engineering Science,
2003. 58: p. 1649-1670.
Adam, M., M. Rodrigues, D. Theilliol and H. Jamouli "Fault diagnosis in
nonlinear systems through an adaptive filter under a convex set
representation". 7th European Control Conference ECC03, 2003.
Messaoud, A., M. Ltaief and R. Abdennour "Partial predictors for the
supervision of a multimodel direct generalized predictive control of highly
non stationary systems". IEEE American Control Conference, 2008: p. 459464.
Rodrigues, M., D. Theilliol and D. Sauter "Fault tolerant control design of
nonlinear systems using LMI gain synthesis". 16th IFAC World Congress,
International Federation of Automatic Control (IFAC, Ed.), 2005.
Narendra, K., J. Balakrishnan and Kermal "Adaptation and learning using
multiple models, switching and tuning". IEEE Control Systems Magazine,
1995. 15: p. 37-51.
89
BIBLIOGRAFA
47.
48.
49.
50.
51.
52.
53.
54.
55.
56.
57.
58.
59.
60.
61.
62.
Schulte, H.a.K.G., "Descriptor modelling towards control of a two link

pneumatic robot manipulator: At-s multimodel approach". Journal of
Nonlinear Analysis: Hybrid Systems 2009. 3: p. 124-132.
Maybeck, P., "Multiple model adaptive algorithms for detecting and
compensating sensor and actuator/surface failures in aircraft flight control
systems". International Journal of Robust and Nonlinear Control engineering
practice, 1999. 9: p. 1050-1070.
Leithead, L.D.a.W., "Survey of gainscheduling analysis and desing".
International Journal of control, 2000: p. 1001-1025.
Banerjee, A., Y. Arkun, R. Pearson and Ogunnaike "H1 control of nonlinear
processes using multiple linear models". Proceedings of the European
control conference, 2000: p. 2671-2676.
Theilliol, D., M. Rodrigues and J. Ponsart "Fault diagnosis and
accommodation design for nonlinear systems described by interpolated LTI
models". 16th Mediterranean Conference on Control and Automation (IEEE,
Ed.), 2008: p. 267-273.
Campos, D., E. Palacios and D. Espinoza "Fault detection, isolation, and
accommodation for LTI systems based on GIMC structure". Journal of
Control Science and Engineering, 2008.
Uppal, F., R. Patton and M. Witczak "A neuro-fuzzy multiple-model observer
approach to robust fault diagnosis based on the damadics benchmark
problem". Control Engineering Practice 2006. 14: p. 699-717.
Iserman, R., R. Schwarz and S. Stolzl (2002), "Fault-tolerant drive-by-wire
systems". Control Systems Magazine, IEEE 2002. 22: p. 64-81.
Benosman, M.a.Y.L., "On-line references reshaping and control
reconfiguration for non-minimum phase nonlinear fault tolerant control".
Proceedings of the 17th World Congress The International Federation of
Automatic Control (IFAC, Ed.), 2008: p. 2563-2569.
Niemann, H., N. Poulsen and M. Buur "A multi-model approach for system
diagnosis". Proceedings of the 2007 American Control Conference (IEEE,
ed.), 2007: p. 2539-2544.
Deshpande, P.a.C.P., "Online fault diagnosis in nonlinear systems using the
multiple operating regime approach". Industrial and Engineering Chemistry
Research 2008. 47: p. 6711-6726.
Coghill, G., M. Chantler, Q. Shen and R. Leitch "Towards model switching
for diagnosis of dynamic systems". IFAC Symposium, Fault Detection,
Supervision and Safety for Technical Processes (IFAC, Ed.), 1998: p. 26-28.
Kakac, S.y.H.L., Heat exchangers selection, rating, and thermal design. Crc
Press., 2002.
Omar, H.G., Modelo, Control y Observadores de estado en
intercambiadores de calor, in Electrnica. 2008, Centro Nacional de
Investigacin y Desarrollo Tecnolgico: Cuernavaca, Morelos. p. 1-3.
Ocaa, R.M.M., Observadores adaptables para una clase de sistemas no
lineales. 2006, Centro Nacional de Investigacin y Desarrollo Tecnolgico.
E. Weyer, G.S.y.K.H., "box fault detection of heat exchangers". Control
engineering practice, 2002. 8: p. 121-131.
90

63.
64.
65.
66.
67.
68.
69.
70.
71.
72.
73.
74.
75.
76.
77.
78.
79.
C. M. Astorga Zaragoza, A.Z.R., V. M. Alvarado, R. M. Mndez y J. Reyes

Reyes, "Performance monitoring of heat exchangers via adaptive observers.
Measurement", 2007. 40: p. 392-405.
Luyben, W.L., "Process Modelling, Simulation and Control" for Chemical
Engineers. 2a ed, ed. M.-G. Hill. 1997.
K.M. Hangos, J.B., G. Szederknyi, Analysis and control of nonlinear
process systems, ed. Springer. 2004.
A. Zavala Ro, R.F.y.R.S.-C., "Estudio analtico de la media logartmica de
diferencia de temperaturas". Revista mexicana de ingeniera qumica, 2005.
4: p. 201-212.
Mndez, R.M., Observadores adaptables para una clase de sistemas no
lineales, in Electrnica. 2006, Centro Nacional de Investigacin y Desarrollo
Tecnolgico: Cuernavaca, Morelos. p. Apndice A.
V. Petridis, a.A.K., "A Multi-Model Algorithm for Parameter Estimation of
Time-Varying Nonlinear Systems". Automatica, UK, 1998. 34: p. 469-475.
Varga, A., "Optimal output feddback control:a multi-model approach". IEEE
Symposium on Computer-Aided Control System Design, 1996: p. 327-332.
J. Park, G.R., W. Ribbens, "On the representation of sensors faults in fault
detection filters". Automatica 1994. 30: p. 17931795.
H. Pierrot, F.D., C. Guernez, and P. Borne, "Multi-Model Controller Based
on Residuals". IFAC-IFIP-IMACS Conferences, Belfort,France, 1997: p.
117-122.
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.
Kenneth A. Loparo, M.R.B., and Karan S. Vasudeva, "Leak Detection in an
Experimental Heat Exchanger Process: A Multiple Model Approach" IEEE
Transanction on Automatic Control, USA, 1991. 36: p. 167-177.
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.
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.
Rauch, H.E., "Autonomous Control Reconfiguration". IEEE Control Systems,
USA, 1995: p. 37-48.
Lainiotis, D.G., "Optimal Adaptive Estimation: Structure and Parameter
Adaptation". IEEE Transanction on Automatic Control, USA, 1971. AC-41:
p. 136-140.
Nagpal, K.M., "Stable Recursive Estimators for Systems with Multiple
Models". Proceedings of the American Control Conference, San DiegoCalfornia, USA, 1999: p. 4238-4242.
R.A. Best, a.J.P.N., "Tracking with Target-Capability Bounds" Proceedings
of the European Control Conference, Kerlsruhe, Germany, 1999: p. 24502454.
91
BIBLIOGRAFA
80.
81.
82.
83.
84.
85.
86.
X. RONG Li, a.Y.Z., "Numerically Robust Implementation of Multiple-Model

Algorithms". Proceedings of the 14th World Congress IFAC, Beijing, China,
1999: p. 235-240.
Maybeck, M.J.S.a.P.S., "MMAE-BAsed Control Redistribution Applied to the
VISTA F-16". Proceedings American Control Conference, Albuquerque-New
Mexico, USA, 1997: p. 133-139.
Peter D. Hanlon, a.P.S.M., "Equivalent Kalman Filter Bank Structure for
Multiple Model Adaptative Estimation (MMAE) and Generalized Likelihood
(GLR) Failure Detection". Proceedings Conference on Decision & Control,
San Diego-New Mexico, USA, 1997: p. 4312-4317.
P. Eide, a.P.S.M., "Implementation and Demonstration of a Multiple Model
Adaptative Estimation Failure Detection System for the F-16". Proceedings
Conference on Decision & Control, New Orleans-LA, USA, 1995: p. 18731878.
Keller, J.Y., "Fault isolation filter design for linear stochastic systems.
Automatica", 1999. 35: p. 1701-1706.
Santiesteban, C.R., Estudio analtico de un tipo de modelo compartimental
de intercambiadores de calor de tubos concntricos, in Control y Sistemas
Dinmicos. 2004, Instituto Potosino de Investigaci Cientfica y Tecnolgica,
A.C.: San Luis Potos.
Betty Lpez Zapata, M.A.M., Ricardo Escobar y Carlos Astorga,
"Diagnstico de fallas en intercambiadores de calor: Enfoque multimodelos". Asociacin mexicana de control automtico, 2009.
92
ANEXOS
A. PARMETROS DEL INTERCAMBIADOR DE CALOR
Los valores de los parmetros del intercambiador de calor RCT100 se
proporcionan en la Tabla A1.1.
Tabla A1.1.- Parmetros del intercambiador de calor RCT100, modelo no lineal
Constantes
Vc
Vh
Cpc
Cph
hc
hh
AI
U
Valores
134.99x10-6
15.512x10-6
4174
4191
988.8
973.7
0.014
1160
Donde:
AI
rea.
Cp Calor especfico.
h Densidad del fluido.
U
Coeficiente de transferencia de calor inicial.
Volumen.
93
Unidades
m3
m3
J/KgC
J/KgC
Kg/ m3
Kg/ m3
m2
W/ m2-C
ANEXOS
94

B. PROBABILIDAD DE BAYES
Sea x una variable aleatoria discreta que representa el resultado de un
experimento, de una prueba. Una variable es aleatoria, si se repite k veces el
experimento, bajo las mismas condiciones, y se obtienen k resultados diferentes,
ms o menos dispersos al azar. El nmero de veces que un resultado particular
(evento) se produce, dividido por el nmero total de las pruebas realizadas, se
llama frecuencia relativa de ocurrencias. Cuando el nmero de pruebas tiende a
infinito, se habla de la probabilidad de ocurrencias del evento. Donde Px a , es la
probabilidad de ocurrencias del evento x a :
nx a
N N
Px a lim
(B1.1)
Donde nx es el nmero de veces que el evento x a se produce y N es el

nmero total de pruebas.
Para simplificar, se considera que los eventos ai son disjuntos, a fin de que dos
eventos puedan ocurrir simultneamente. Si hay eventos disjuntos posibles
a1 , a2 ,, aM , entonces:
M
N nx ai
i 1
Se tiene
M
nx ai M
N
n a M
i 1
1 lim
lim x i Px ai
N
N N
N
N
i 1
i 1
(B1.2)
Esto significa que la suma de las probabilidades de un conjunto disjunto de

eventos posibles es igual a la unidad.
Dos pruebas se llevan a cabo simultneamente y es interesante considerar la
probabilidad de ocurrencias x a durante la primera prueba de ocurrencias, y
y b en la segunda
95
ANEXOS
n y b
nx a
y Py b lim
N N
N N
Px a lim
(B1.3)
Las dos probabilidades no describen por completo los resultados de la prueba, ya

que se puede estar interesado en la probabilidad del evento en conjunto x a y
y b . Suponiendo que este evento se produce nx, y a, b a la vez, la probabilidad
x a y y b es la siguiente:
Px , y a, b lim
nx , y a, b
(B1.4)
Si slo nos interesa la variable x , el nmero de veces que el evento x a se

produce es el siguiente:
M
nx a nx , y a, b
(B1.5)
i 1
Si existen M y eventos disjuntos b1 , b2 ,, bM y . En combinacin de (B1.1) y (B1.4),

se tiene que:
My
Px a Px , y a, bi
(B1.6)
i 1
Del mismo modo, se obtiene:

Mx
Py b Px , y ai , b
(B1.7)
i 1
Si existen M x eventos disjuntos a1 , a2 ,, aM x . Las funciones Px a y Py b se

llaman probabilidades marginales.
Uno puede conocer la probabilidad de ocurrencias del evento y b condicionada
por el hecho de que el evento x a , ocurri, durante N pruebas, el evento x a
ocurri nx a veces, y tambin en conjunto x a y y b se produjo nx, y a, b
veces.
Para determinar la probabilidad condicional de y b sabiendo que x a , no es
necesario considerar las repeticiones del evento x a , pues se sabe que x a . El
96

obtener la probabilidad condicional tomando el lmite, cuando N tiende a infinito

de la relacin entre el nmero de veces que el evento x a ocurri es:
n a, b
Py x b a lim x , y
lim
N
N
nx a
nx , y a, b
N
nx a
N
Px , y a, b
(B1.8)
Px a
Donde Py x b a es la probabilidad condicional de y b sabiendo que x a , del
mismo modo, se obtiene Px y a b .
Px y a b
La
probabilidad
Px, y a, b
Py b
(B1.9)
Px, y a, b ,
condicional conjunta
es el producto de
sus
probabilidades marginales.
Px, y a, b Px a Py b
(B1.10)
Por cada evento posible a y b son independientes. La probabilidad condicional de

y b, a sabiendas que x a , es independiente de a :
Py x b a Py b y de forma similar Px y a b Px a
Finalmente, si se combinan las ecuaciones (B1.8) y (B1.9) para eliminar la
probabilidad conjunta Px, y a, b , el resultado es:
Px y a b
Py x b a Px a
(B1.11)
Py b
Esta ecuacin se llama la regla de Bayes. La regla de Bayes se puede representar

de forma generalizada, como
Px y a b
Py x b a Px a
P b a P a
Mx
i 1
yx
97
(B1.12)
ANEXOS
98

C. LINEALIZACIN
A partir de que se tiene el sistema no lineal del intercambiador de calor, se trabaj
en este proyecto con dos linealizaciones basadas en Hangos [65], la primera toma
a los flujos como entradas, pero queda un sistema bilineal, y se necesita un
sistema lineal e invariante en el tiempo.
Por lo que se toma una segunda opcin en donde se toman las temperaturas
como entradas y el flujo se supone constante.
La linealizacin queda de esta manera:
x Ax Bu
vc
B Vc
0
kc2
kc1 kc2
A
kh1 kh2
kh2
Donde:
0
vh
Vh
1 0
C
0 1
Como se trabaja en determinados puntos de operacin, no hay inconveniente en

tomar el flujo como entrada, mientras que en cada uno de los modelos lineales se
tome constante. En la Tabla C1.1 se muestran los valores con los cuales se
calculan las matrices A y B del modelo lineal.
Tabla C1.1 Parmetros del intercambiador de calor RCT100, modelo lineal
Constantes
Valores
Valores
Valores
Unidades
-6
-6
-6
134.99x10
134.99x10
134.99x10
m3
Vc
-6
-6
-6
15.512x10
15.512x10
15.512x10
m3
Vh
J/KgC
Cpc
4181
4181
4181
4191
4191
4191
J/KgC
Cph
988.8
Kg/ m3
hc
990
990.5
Kg/ m3
hh
976.8
977.4
977.6
m2
AI
0.01538752 0.01538752 0.01538752
W/ m2-C
UC
1650
1700
1776.9
W/ m2-C
Uh
1500
1750
2059
99
ANEXOS
Las matrices de los tres puntos de operacin elegidos quedaron de la siguiente

manera ya transformadas en tiempo discreto mediante el retenedor de orden cero
con un tiempo de muestreo de 0.25:
100

D.FILTRO DE KALMAN
Lo interesante del filtro de Kalman es precisamente su habilidad para predecir el
estado de un sistema en el pasado, presente y futuro, an cuando la naturaleza
precisa del sistema modelado se conoce. En la prctica, las variables de estado
individuales de un sistema dinmico no se pueden determinar exactamente por
una medicin directa. Dado lo anterior, su medicin se realiza por medio de
procesos estocsticos que involucran algn grado de incertidumbre en la
medicin.
Se considera la ecuacin de estado y de salida de un sistema de la forma:
(D1.1)
Donde las matrices A, B y C son constantes de dimensiones conocidas y adems

los ruidos blancos de medida y del sistema
y
son estacionarios, es
decir con matrices de covarianza constantes. Los ruidos blancos deben ser de
media cero e independientes y por lo tanto cumplen:
Ev Ew 0
E vwT E wv T 0
Q
E v v 0
E w w R
E w w 0
E vk vk
k j
(D1.2)
k j
Las matrices de covarianza deben ser, diagonales y por lo tanto simtricas de los
ruidos del sistema. Las matrices de convarianza Q (positiva semidefinida) y de
medida R (positiva definida) son conocidas.
El ruido del sistema se considera que se genera en su interior o bien que se
introduce a la entrada del sistema, y el ruido de medida es el error que se comete
al medir la salida, es decir, es el error de medicin de los sensores. La figura
(D1.1) aclara estos dos conceptos:
101
ANEXOS
Figura. D1.1 Representacin de un sistema con ruido de entrada y de medicin.
El problema consiste en estimar el valor ptimo del vector de estado x(k),

basndose en las medidas ruidosas y(0), y(1), y(2),..., y(k) que sern conocidas,
adems de tener en cuenta que el vector de estado estar contaminado con el
ruido del sistema. Esta problemtica se aborda de tres formas diferentes, figura
(D1.2):
Prediccin: Se obtiene la estimacin x (k +1) conociendo las medidas: y(0), y(1),
y(2),..., y(k).
Filtrado: Se obtiene la estimacin x (k) conociendo las medidas: y(0), y(1),..., y(k).
Alisado: Se obtiene la estimacin x (k -1) conociendo las medidas: y(0), y(1),..., y(k).
Figura. D1.2 Formas de estimacin FK.
El criterio para obtener el ptimo de la ganancia K es el de minimizar el ndice de

comportamiento:
(D1.3)
Es decir la matriz de covarianza del error e(k) es mnima, estando el error definido
como:
(D1.4)
El objetivo es encontrar la mejor estimacin de todas las variables x , que define el
estado del sistema, teniendo en cuenta las medidas que se llevan a cabo
peridicamente en la presencia de ruido.
102

Para estimar el estado x , de acuerdo a las medidas a su disposicin, es necesario

procesar la seal, para que pueda obtener una estimacin de x .
Para estimar el estado del sistema, se propone un algoritmo de Kalman. El filtro
de Kalman estima los estados de un proceso y utiliza la retroalimentacin. Se
puede decir que el filtro estima los estados en el tiempo y ello obtiene el retorno
estado, bajo la forma de medidas ruidosas, las ecuaciones se clasifican de la
forma siguiente:
- actualizacin de los estados
- actualizacin de las medidas
La primera es responsable de la proyeccin con anticipacin (en tiempo) del
estado actual y del error de estimacin, para obtener una estimacin a priori para
el paso de tiempo siguiente. El segundo incorpora nuevas medidas en la
estimacin a posteriori para obtener una estimacin mejorada gracias a un retorno
de estado.
Las ecuaciones se conocen como: las ecuaciones de prediccin y ecuaciones del
estimador:
y k 1 C xe k | k 1,
(D1.5)
r k Y k C xe k | k 1,
(D1.6)
k C Pp k | k 1C T R ,
(D1.7)
K k Pp k | k 1 C T k ,
(D1.8)
xe k x p k | k 1 K k r k ,
(D1.9)
Pe k Pp k | k 1 K k C T Pp k | k 1,
(D1.10)
x p k | k 1 A xe k BU k ,
(D1.11)
Pp k | k 1 A Pe k AT Q,
(D1.12)
donde K nxm es la ganancia del filtro de Kalman, xe n es el estado estimado,

x p n es el estado predicho, Pe nxn es la matriz de covarianza del estado
103
ANEXOS
estimado, Pp nxn es la matriz de covarianza del estado predicho, r es el error de

medicin o la innovacin, m es la matriz de varianza del error de salida, A
nxn es la matriz de la evolucin, B nxp es la matriz de entrada, C mxn es la
matriz de la salida, R es la matriz de covarianza en razn al ruido de salida, Q es
la matriz de covarianza debido al ruido de estado. Todas las matrices tienen
dimensiones adecuadas.
Se anexan las estimaciones de los modelos restantes. Para el modelo 1, las

temperaturas de salida se muestran en la Figura D1.3.
figura D1.3 Comparacin de Tco y Tho con sus estimadas, FK1.
Para el modelo 3, las temperaturas de salida se muestran en la figura D1.4.
figura D1.4 Comparacin de Tco y Tho con sus estimadas, FK3.
Tanto en las Figuras D1.3 y D1.4 se puede observar que la temperatura estimada
de Tco al inicio sigue el comportamiento de Tco pero no logra alcanzar el valor
deseado, como transcurre el tiempo esta logra alcanzar el valor de Tco real.
104

E. Parmetros del intercambiador de calor, validacin en

lnea
Los valores con los cuales se calcularon cada uno de los modelos lineales son los
siguientes:
Tabla E1.1 Parmetros del intercambiador de calor RCT100, validacin en lnea.
Constantes
Valores
Valores
Valores
Unidades
-6
-6
-6
134.99x10
134.99x10
134.99x10
m3
Vc
15.512x10-6 15.512x10-6 15.512x10-6
m3
Vh
J/KgC
Cpc
4181
4181
4181
4191
4191
4191
J/KgC
Cph
988.8
Kg/ m3
hc
990
990.5
Kg/ m3
hh
976.8
977.4
977.6
m2
AI
0.01538752 0.01538752 0.01538752
W/ m2-C
UC
1500
1600
1655
W/ m2-C
Uh
1950
1980
2010
Las matrices de los tres puntos de operacin elegidos quedaron de la siguiente
manera ya transformadas en tiempo discreto mediante el retenedor de orden cero
con un tiempo de muestreo de 0.25:
105
ANEXOS
106

F. INTERFAZ GRFICA
Se puede observar en la Figura F1.1 la comparacin de las temperaturas
(
y de las temperaturas estimadas
, en la interfaz grfica
desarrollada en el programa de LabView.
Figura F1.1 Comparacin de Tco y Tho con sus respectivas estimadas.
En la Figura F1.2 se observa el residuo sensible a las fallas y la probabilidad del

modelo.
Figura F1.2 Residuo sensible a las fallas y probabilidad de los modelos.
107

235MC Bylz PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

235MC Bylz PDF

Cargado por

Copyright:

Formatos disponibles

cenidet

Centro Nacional de Investigacin y Desarrollo Tecnolgico

TESIS DE MAESTRA EN CIENCIAS

BETTY YOLANDA LPEZ ZAPATA

Cuernavaca, Morelos, Mxico.

1. DIAGNSTICO DE FALLAS Y MULTI-MODELOS

1.1 PLANTEAMIENTO DEL PROBLEMA

2.2.3 MODELO DE DIFERENCIAS DE TEMPERATURA MEDIA LOGARTMICA

3.1 REPRESENTACIN DE SISTEMAS NO LINEALES EN TIEMPO DISCRETO

4.1 MODELO DEL PROCESO RCT 100

Desarrollo de un sistema de deteccin de fallas utilizando un enfoque multi-modelos LIT aplicado a un

5.1 ACTIVIDADES FUTURAS

A. PARMETROS DEL INTERCAMBIADOR DE CALOR

E. PARMETROS DEL INTERCAMBIADOR DE CALOR, VALIDACIN EN LNEA

3.3 Esquema general multi-modelos con un banco filtros de Kalman

4.11 Probabilidad asociada a cada modelo con FKD..70

4.12 Residuo sensible a las falla

4.13 Comportamiento dinmico del residuo insensible a fallas.....72

estimada en presencia de falla72

4.15 Probabilidad asociada al modelo con FKD, validacin fuera de lnea.73

4.20 Residuo sensible a las fallas validacin fuera de lnea......76

a) falla intermitente, b) falla progresiva.76

4.22 Interfaz grfica del diagnstico de fallas por multi-modelos

Desarrollo de un sistema de deteccin de fallas utilizando un enfoque multi-modelos LIT aplicado a un

4.23 Comparacin entre

4.24 Residuo sensible a las fallas y probabilidad de cada modelo...78

4.28 Falla en sensor de agua de calentamiento Tho80

Matriz de transicin de estados.

Matriz de distribucin de entradas.

Matriz de distribucin de salidas.

Matriz de transferencia directa.

Matriz de distribucin de fallas.

Ganancia del filtro de Kalman.

Matriz de desacoplamiento del sistema.

Matriz de covarianza del error de estados.

Matriz de covarianza del ruido en la salida.

Conjunto de matrices y vectores.

Vector de la salida estimada.

Funcin continuamente diferenciable.

Instante de tiempo en el que ocurre la falla.

Instante de tiempo en el que cambia el punto de operacin.

Vector de ruido a la entrada.

Vector de ruido a la salida.

Matriz constante arbitraria.

Representa la propagacin de los errores de modelado.

Vector constante que dependen del j-simo modelo lineal.

Vector constante que dependen del j-simo modelo lineal.

Matriz de distribucin del error de modelado asociada a la ecuacin de estado del

Matriz de distribucin del error de modelado asociada a la ecuacin de salida.

Desarrollo de un sistema de deteccin de fallas utilizando un enfoque multi-modelos LIT aplicado a un

Magnitud de los errores de modelado entre el sistema representado por el j-simo

Representa la propagacin de la falla.

Matriz de la dinmica del sistema afectada por la falla.

Residuo sensible a las fallas.

Clculo de probabilidad de Bayes.

Lado de contacto fro del intercambiador de calor.

Lado de contacto caliente del intercambiador de calor.

Entrada en el intercambiador de calor.

Indicador del modelo lineal.

Indicador del filtro lineal.

Salida en el intercambiador de calor.

Indicador del modelo lineal.

Indicador del filtro lineal.