Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tesis Doctoral
Desarrollo De Sistemas De Diagn
ostico De
Fallas Integrado Al Dise
no De Control
Tolerante A Fallas En Procesos Qumicos
Director:
Co-Director:
Doctor en Ingeniera
3 de Octubre de 2008
GIAIP
ii
Agradecimientos
Primero es lo primero y no siempre en ese orden..., en definitiva un comienzo con agradecimientos y reconocimientos a todas las personas que directa e indirectamente han participado
de este proceso parece ser el mas apropiado, necesario e inevitable.
Primeramente quiero expresar mi agradecimiento a mi directora de tesis la Dra. Marta
Basualdo por su inagotable fuente de paciencia. Sus directrices fueron los cimientos de todo el
proceso. A mi co-director de tesis el Dr. Mario Jordan por su gran aporte en el area de control
adaptivo predictivo y su excelente predisposicion.
Mencionar y agradecer la hospitalidad del pueblo espa
nol y en particular de la Universidad
Politecnica de Madrid (UPM) en mi primer a
no de doctorado en esa ciudad. Especialmente al
profesor y amigo Francisco Ballesteros Olmo del departamento de Matematica Aplicada a las
Tecnologas de la Informaci
on quien me brindo su apoyo incondicional.
Al grupo de Sistemas Inteligentes del IFIR, principalmente al Dr. Alejandro Ceccatto por
facilitar el desarrollo de esta tesis y dar el marco necesario de trabajo. A los compa
neros del
viejo espacio fsico: Ulises (Uli, volve que el barrio te esta esperando), Alejandro (Rebi), Ines
y a el Dr. Granito por el apoyo.
Quiero agradecer especialmente a los nuevos compa
neros del nuevo espacio fsico: Gonzalo,
Jose, Ale y Leo por generar un lugar de trabajo insuperable y sus contribuciones en el campo
de la filosofa. A los directivos del Centro Internacional Franco-Argentino de Ciencias de la
Informaci
on y de Sistemas (CIFASIS), al Dr. Ceccatto y el Dr. Kaufmann, por permitir el
desarrollo de este trabajo en dicho centro.
Al Consejo Nacional de Investigaciones Cientficas y Tecnicas (CONICET) y a la Agencia
Nacional de Promoci
on Cientfica y Tecnologica por el soporte economico en el desarrollo de
esta tesis. Tambien quiero agradecer la excelente predisposicion del caballero Carlos Franco en
la resoluci
on expeditiva de problemas.
Y finalmente a mis afectos. Este espacio quiero dedicarlo especialmente a las personas que
atesoro en lo profundo de mi corazon. Mis viejos, mi hermana, mis amigos de siempre (Guille,
Juan y Mauricio) y las dos personas mas importantes de mi vida, mi mujer Belen que me ha
guiado, aguantado y estimulado en todo este proceso (sin su enorme sentido com
un quien sabe
por donde estara volando)... gracias amor!. Y a mi peque
no y hermoso bebe, Ian, que hace
que cada da sea una odisea de sensaciones.
David A. Zumoffen
iii
iv
Resumen
En las u
ltimas tres decadas se ha incrementado notablemente el interes en sistemas de
monitoreo aplicado a grandes plantas qumicas . Esto es debido esencialmente a condiciones
de operaci
on mas exigentes de los procesos debido a cuestiones de seguridad de equipos y
personas, costos operativos y restricciones ambientales. La creciente complejidad en aspectos
vinculados al dise
no de grandes plantas y su correspondiente poltica de control hace que los
sistemas de monitoreo resulten cada vez mas sofisticados en aspectos tales como velocidad de
detecci
on, robustez, facilidad de explicacion, requerimientos de modelado y almacenamiento
de datos, adaptabilidad, etc.. Esta fuerte interaccion entre informacion y acciones de control
tiene lugar fundamentalmente a traves de sensores y actuadores. Sin embargo, estos elementos son potenciales fuentes de fallas comunes en procesos industriales. En este contexto, se
advierte que el area de sistemas de monitoreo integrados al control tolerante a fallas, aplicado
a plantas qumicas completas, es a
un un problema abierto. En la actualidad, se han encontrado s
olo algunas soluciones particularizadas dependientes del caso de aplicacion (en general
academicos).
En tal sentido, el objetivo de esta tesis es abordar el problema de dise
no de sistemas de
detecci
on, diagnostico y estimaci
on de fallas (SDDEF) integrados al control tolerante a fallos
(CTF) en procesos qumicos. El desarrollo esta focalizado en automatizar el correcto manejo
de situaciones anormales (MSA) y brindar una correcta interaccion con el usuario y la poltica
de control existente. El tratamiento del problema distingue claramente las herramientas que
deben emplearse de acuerdo con la dimension del mismo. As, se presentan soluciones alternativas para una sola unidad de proceso y varias de ellas fuertemente interconectadas. En todos
los casos se contemplan a los sistemas bajo esquemas de control convencional y avanzado. El
desarrollo de un novedoso SDDEF, apto para plantas de diferentes dimensiones y contemplando los requerimientos fundamentales que impone hoy la industria qumica constituye uno de
los principales aportes de esta tesis. Herramientas tales como transformada wavelet discreta,
identificaci
on de sistemas, analisis de componentes principales, sistemas de logica difusa y redes neuronales artificiales son integradas adecuadamente para el desarrollo del SDDEF. En este
contexto se presenta una nueva metodologa general para el correcto MSA en grandes procesos
basado en un SDDEF hbrido y estrategias de integracion al CTF activo, ya sea de polticas
de control existentes o nuevas. El SDDEF se dise
na de forma tal que resulte independiente
de factores tales como, dimensi
on, complejidad, operabilidad y tipo de los procesos y de sus
estrategias de control.
Esta tesis esta organizada como sigue: el captulo 1 presenta el marco de referencia de los
problemas reales encontrados habitualmente en procesos industriales y sus consecuencias. El
captulo 2 presenta una extensa recopilacion bibliografica que permite adquirir un panorama
amplio del estado del arte en el abordaje de MSA, dise
no de sistemas de monitoreo y CTF
v
desde el punto de vista academico e industrial. El captulo 3 realiza una breve descripcion de las
principales herramientas utilizadas a lo largo de esta tesis tanto en el campo del procesamiento
de la informaci
on como del area de control de procesos. El captulo 4 aborda el problema
principalmente orientado a unidades aisladas de proceso que contemplan menor n
umero de
variables. Aqu se presentan los principales resultados obtenidos en la aplicacion de control
predictivo adaptivo como CTF activo. Dado que se confrontan los resultados alcanzados con y
sin sistema de diagn
ostico, es posible realizar una evaluacion rigurosa de los alcances de emplear
el SDDEF integrado al CTF.Se discuten aqu dise
nos basados en la TWD e identificacion
de sistemas para la conformaci
on del SDDEF. Los resultados obtenidos provienen tanto de
planteos teoricos como de un caso de aplicacion de un reactor tipo tanque agitado continuo
con camisa. Ademas, se proponen nuevas alternativas de control adaptivo predictivo, polticas
de integracion y manejo de eventos anormales en lazos simples de control. Fallas tpicas como
offset en sensores y retardos extras en actuadores son analizadas de forma secuencial y simple,
en paralelo con diferentes condiciones de operacion de los procesos. El captulo 5 presenta el
dise
no de un complejo SDDEF hbrido para procesos de grandes dimensiones y su integracion
al CTF para polticas de control existentes. La estrategia propuesta es probada sobre casos de
aplicacion tales como una planta de tratamiento de aguas residuales y una de pulpa y papel
(la cual representa el caso mas complejo y de mayor dimension existente en la comunidad
de investigaci
on de control de procesos). Ademas, se desarrollan varios ndices capaces de
brindar una correcta evaluaci
on ya sea de funcionamiento del SDDEF, as como de costos
involucrados con el empleo del SDDEF integrado al CTF. Se presenta un conjunto importante
de simulaciones efectuadas en diferentes escenarios para poder apreciar el aporte concreto
de esta estrategia. Fallas en sensores del tipo offset y en actuadores del tipo retardo extra y
bloqueos son propuestas. Las fallas consideradas en cada caso de estudio fueron seleccionadas
acorde con la magnitud del problema que producan las mismas. De esta forma se considera que
la metodologa propuesta se somete a pruebas contundentes que posibilitan extraer sustentar las
conclusiones presentadas en el captulo 6. En el mismo tambien se incluyen algunas posibles
direcciones futuras de trabajos de investigacion. Finalmente, los apendices dan el soporte
necesario a tematicas especficas como identificacion recursiva con factor de olvido, predicciones
con diferentes modelos lineales, algoritmos de factorizacion, control basado en modelo interno
y control en avance.
Durante el desarrollo de esta tesis se han generado diversas publicaciones, las cuales han
sido sometidas tanto a arbitrajes nacionales como internacionales. Los trabajos mas importantes
se resumen en el captulo denominado publicaciones (y en anexo al final de la tesis).
vi
Publicaciones
Durante el desarrollo de esta tesis se han generado diversas publicaciones. Las principales
se detallan a continuaci
on:
A- An Approach to Improve the Performance of Adaptive Predictive Control Systems: Theory, Simulations and Experiments. M. Jordan, M. Basualdo and D. Zumoffen. International
Journal Of Control. 2006, 79(10), 1216/1236.
B- Robust Adaptive Predictive Fault-Tolerant Control Linked with Fault Diagnosis System
Applied On a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and A.
Ceccatto. Proceedings of the 45th IEEE Conference on Decision and Control. 2006, 3512/3517.
San Diego, CA, USA.
C- Robust Adaptive Predictive Fault-Tolerant Control Integrated To a Fault-Detection System Applied to a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and
A. Ceccatto. Ind. Eng. Chem. Res.. 2007, 46(22), 7152/7163.
D- From Large Chemical Plant Data to Fault Diagnosis Integrated to Decentralized FaultTolerant Control: Pulp Mill Process Application. D. Zumoffen and M. Basualdo. Ind. Eng.
Chem. Res.. 2008, 47(4), 1201/1220.
E- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part I: Waste
Water Treatment Plant with Decentralized Control. D. Zumoffen and M. Basualdo. Ind.
Eng. Chem. Res.. 2008. In press.
F- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part II: Pulp
Mill Process with Model Predictive Control. D. Zumoffen, M. Basualdo and G. Molina. Ind.
Eng. Chem. Res.. 2008. In press.
Trayectoria Optima
Aplicado A Destilacion Batch. J.P. Ruiz, F. Garetto, D. Zumoffen y M.
Basualdo. Congreso X RPIC, Argentina. 2003.
2. A Nonlinear Soft Sensor For Quality Estimation And Optimal Control Applied In A Ternary Batch
Distillation Column. J.P. Ruiz, D. Zumoffen, M. Basualdo and L. Jimenez Esteller. ESCAPE 14
European Symposium on Computer Aided Process Engineering, Portugal. 2004.
vii
3. Aplicaci
on De Control Predictivo Funcional Para El Seguimiento De Una Trayectoria Optima
De
Temperatura En Una Columna De Destilacion Batch Multicomponente. D. Zumoffen, L. Garyulo
y M. Basualdo. XIX Congreso Argentino de Control Automatico, Argentina. 2004.
4. Predictive Functional Control Applied To Multicomponent Batch Distillation Column. D. Zumoffen, L. Garyulo, M. Basualdo and L. Jimenez. ESCAPE 15, European Symposium on Computer
Aided Process Engineering, Spain. 2005, 1465/1470.
5. Sistema De Detecci
on De Fallas En Un CSTR Controlado Con PFC. D. Zumoffen, M. Basualdo
y A. Ceccatto. Congreso XI RPIC, Argentina. 2005.
6. Control Tolerante Predictivo Funcional aplicado A Un CSTR. D. Zumoffen, M. Basualdo y M.
Jordan. Congreso XI RPIC, Argentina. 2005.
7. Control predictivo generalizado no lineal aplicado a una columna de destilacion batch ternaria.
J. Walczuk, L. Caviglia, D. Zumoffen y M. Basualdo. Congreso XI RPIC, Argentina. 2005.
8. On the Design of Fault-Tolerant Systems using Robustness Filtering with Adaptive Control. M.
Jordan, M. Basualdo and D. Zumoffen. Congreso XI RPIC, Argentina. 2005.
9. An Industrial Application Of Signal Processing For Developing A Fault Diagnosis System Linked
With A Fault Tolerant Control Strategy. M. Basualdo and D. Zumoffen. Workshop on Signal
Processing (WSP06), Argentina. 2006.
10. Control Tolerante A Fallos Integrado A Un Sitema De Diagnosis Basado En Analisis De Principales
Componentes Y L
ogica Difusa. D. Zumoffen, M. Basualdo y G. Molina. XX Congreso Argentino
de Control Automatico, Argentina. 2006.
11. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part I: FDIE System
Design. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina. 2007.
12. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part II: Reconfiguration of the Control Strategy. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina.
2007.
13. Hybrid Fault Diagnosis For Large Chemical Plants Under Control. D. Zumoffen and M. Basualdo.
ESCAPE 18, European Symposium on Computer Aided Process Engineering, France. 2008.
14. Fault Diagnosis and Identification System Applied to a Non-invasive Biosensor of Blood Glucose.
M. Basualdo, D. Zumoffen and A. Rigalli. ESCAPE 18, European Symposium on Computer Aided
Process Engineering, France. 2008.
15. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte I: Dise
no del SDDEF. D. Zumoffen y M.
Basualdo. XXI Congreso Argentino de Control Automatico, Buenos Aires, Argentina. 2008.
16. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte II: Integracion al CTF. D. Zumoffen y M.
Basualdo. XXI Congreso Argentino de Control Automatico, Buenos Aires, Argentina. 2008.
viii
Glosario
ACP
ACPA
ACPD
ACPM
ACPME
ACPPE
ACT
AF
ARX
ASM1
BTO
CAPFRA
CBMI
CEA
CFRAP
COD
CPA
CPBM
CPF
CPM
CTF
DDF
DG
DGS
DVS
EAR
ECP
ECMP
FC
FEC
FIR
FP
IEA
IS
LB
Arboles
de fallas
Autorregresivo con entrada externa (AutoRegressive with eXogenous input)
Modelo de lodos activos (Activate Sludge Model) No 1
Beneficio total de operacion
Control adaptivo predictivo con filtro robusto adaptivo
Control basado en modelo interno
Control en avance (feedforward)
Control con filtro robusto adaptivo predictivo
Concentraci
on de oxgeno disuelto
Control predictivo adaptivo
Control predictivo basado en modelos
Control predictivo funcional
Control predictivo multivariable
Control tolerante a fallos
Detecci
on y diagnostico de fallas
Digrafos
Digrafos con signo
Descomposici
on en valores singulares
Extracci
on automatica de reglas
Error cuadratico de prediccion
Error cuadratico medio de prediccion
Fsica cuantitativa
Filtros espejo en cuadratura
Respuesta finita al impulso (Finite Impulse Response)
Funci
on de pertenencia
Integral del error absoluto
Identificaci
on de sistemas
Licor blanco
ix
LD
LF
LND
LV
MCP
MMPE
MRG
MSA
OD
P
PA
PI
PID
PMB
PME
PPP
PQ
PSR
PTAR
PTD
PVA
RNA
RQ
RTAC
SA
SCTF
SDDEF
SDEF
SE
SISO
SLD
SM
SVD
TWD
UO
US
VC
VM
L
ogica difusa
Lnea de fibra
Licor negro debil
Licor verde
Mnimos cuadrados parciales
Media m
ovil pesado exponencialmente
Matriz relativa de ganancias
Manejo de situaciones anormales
Oxgeno disuelto
Control proporcional
Promedio de los autovalores
Control proporcional/integral
Control proporcional/integral/derivativo
Porcentaje de mejora del beneficio
Porcentaje de mejora del error
Planta de pulpa y papel
Punto de quiebre
Porcentaje de soporte de la regla
Planta de tratamiento de aguas residuales
Porcentaje del tiempo de deteccion
Porcentaje de varianza acumulado
Redes neuronales artificiales
Recupero qumico
Reactor tanque agitado continuo
Situaci
on anormal
Sistema de control tolerante a fallos
Sistema de detecci
on, diagnostico y estimacion de fallas
Sistema de detecci
on y estimacion de fallas
Sistema experto
Simple entrada/simple salida (Single Input/Single Output)
Sistema de l
ogica difusa
Sistema de monitoreo
Subespacio de variaci
on dominante
Transformada wavelet discreta
Unidades en capa oculta
Unidades en capa de salida
Variable controlada
Variable manipulada
Variables
Captulo 2
d(k)
f (k)
u(k)
y(k)
f(k)
yref (k)
Se
nal de perturbaci
on
Evoluci
on temporal de la falla
Se
nal de entrada
Se
nal de salida
Estimaci
on de la falla
Trayectoria de referencia
Captulo 3
1m
a
A
A
AJ
b
b
B
C(a, b)
Dj (t)
D (z 1 )
D
DA
e(k)
E
fi ()
F (z 1 )
FA,mA,
F
g(i)
G
G
1
G(z )
1 )
G(z
0 (z 1 )
G
G
hp
hu
xi
i
i
i
x
T 2
Q
2
()
()
(i)
(i)
(i)
0
j
(k)
(N )
(k)
i
i
u(k)
(k)
(k)
U(k)
1 , k)
G(z
(k)
hw
H
H
J(k)
K(N )
Kg
n
nh
n
pva(l)
P
P
PN
Q(k)
r(t)
R(z)
R
s(t)
s
t
t(k)
Tref
Ts
T 2 (k)
T1 ,T2 ,T3 ,T4
u(k)
(k)
u
U
VN ()
wij
wi0
w(k)
x(k)
x
X
X
X
y(k)
yi
yi
(k)
y
Yr
ZN
Captulo 4
d(k)
Gvm (z 1 )
h(k)
of f (t)
po (k)
ppo
r(t)
s1 (k)
td
Tf
xii
Retardo estimado
Modelo actuador/valvula
Respuesta al escal
on
Offset de medici
on
Valor de pico en D1
Parametro de punto operativo
Ruido de medici
on
Versi
on filtrada de zn (k)
Retardo temporal
Tiempo de ocurrencia de la falla
r
au
au
u00
uc (t)
uc (t td )
w0 (k)
y(t)
ym (t)
y00
zn (k)
Captulo 5
bV Mj
BT Oji
ci
ECM Pj
f pij
Fi
Fij
IEAij
Km
Kp
KP I
li
[Limin , Limax ]
Mi
Na
Naux
Nw
VC
of f j
p
P Ii
P M Bji
P SRj
PTD
r
Rp
Rmatriz
sV Cj
si
spi (k)
sp0i (k)
sp0pr (k)
sp1pr (k)
VM
td j
Tc
Td
[Tiz , Tf z ]
Tr
Tsd
Tu
uF L (k)
um
i
uci
um
FL
Valor medio de la V Mj
Beneficio total de operacion
Precio costo/venta
Error cuadratico medio de prediccion
Funci
on de pertenencia j sobre i
Falla tipo i
Cantidad de material
Integral del error absoluto
Ganancia del modelo
Ganancia del proceso
Ganancia del PI
Valor ling
ustico para i
Rango de operacion normal de i
Modelo inferencial i
N
umero maximo de alertas de peligro
Dimensi
on matriz auxiliar
Dimensi
on matriz normal
Estimaci
on del offset en V Cj
N
umero de reglas
Controlador PI del lazo i
Porcentaje de mejora del beneficio
Porcentaje de soporte de la regla j
Porcentaje de tiempo de deteccion
N
umero de componentes de uF L
Regla del evento p
Matriz de reglas
Varianza de la V Cj
Activaci
on del lazo adicional i
Referencia para i
Referencia original para i
Ref. original de produccion
Ref. actualizada de produccion
Estimaci
on del retardo en V Mj
Tiempo de clasificacion
Tiempo de deteccion
Zona de analisis
Tiempo de reconfiguracion
Dinamica mas lenta del proceso
Tiempo de actualizacion
Entradas del SLD
Valor medio de i
Correcci
on de la ref. de produccion
Vector de contribuciones medias
z
pva
fi
m
i
i
p
p
P I
xiii
Va (k)
V0 (k)
VA
VN
n
X
aux
X
yim (k)
yim (k)
yF L
z(k)
Ap
endices
A
B
C
C(s)
D
em
flp (s)
g+ (s)
g+ (s)
G(s)
G(s)
Gc (s)
G
Kf f
S
u(k)
U
x(k)
y(k)
xiv
Factor de olvido
Retardo del proceso
Frecuencia
ndice general
Agradecimientos
Resumen
IV
Publicaciones
VII
Glosario
IX
Variables
XI
1. Introducci
on
1.1. Manejo de situaciones anormales (MSA)
1.1.1. Fuentes o causas . . . . . . . .
1.1.2. Desafos . . . . . . . . . . . . .
1.1.3. Impacto . . . . . . . . . . . . .
1.2. Monitoreo de procesos . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
1
1
1
5
6
7
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
9
10
11
12
15
17
19
20
21
23
23
25
26
27
27
28
28
29
29
Indice general
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
con camisa
. . . . . .
. . . . . .
5. Dise
no y aplicaci
on de un SDDEF hbrido integrado al CTF
5.1. Dise
no del SDDEF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.1. Monitoreo y detecci
on de fallas: ACP, ACP adaptivo y estadsticos combinados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5.1.2. Aislamiento: SLD y extraccion automatica de reglas (EAR) . . . . . .
5.1.3. Estimaci
on de la falla: metodo RNA . . . . . . . . . . . . . . . . . .
xvi
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
35
35
35
36
37
39
41
41
42
43
44
44
45
47
48
49
50
51
51
51
52
54
54
54
56
58
61
61
62
65
65
66
71
77
83
84
88
97
99
. 99
. 100
. 103
. 105
Indice general
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
108
109
112
115
117
128
130
131
132
148
162
6. Conclusiones
165
6.1. Direcciones futuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Ap
endice A
168
Ap
endice B
171
Ap
endice C
173
Ap
endice D
175
Ap
endice E
177
Ap
endice F
179
Bibliografa
181
xvii
Indice general
xviii
ndice de guras
. . . . . . .
diagnostico
. . . . . . .
. . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
11
13
24
26
3.1. Selecci
on de componentes principales . . . . . . . . . . . . . . . .
3.2. Lmites de confianza Monitoreo en lnea . . . . . . . . . . . . .
3.3. Sistema de l
ogica difusa . . . . . . . . . . . . . . . . . . . . . . .
3.4. Funciones de pertenencia . . . . . . . . . . . . . . . . . . . . . .
3.5. Estructura general de un SLD . . . . . . . . . . . . . . . . . . . .
3.6. Estructura de descomposicion mediante wavelets . . . . . . . . .
3.7. Algoritmo de descomposicion de Mallat . . . . . . . . . . . . . .
3.8. Familia Daubechies de orden 3 . . . . . . . . . . . . . . . . . . .
3.9. Descomposici
on wavelet en 5 niveles con Daubechies de orden 9 .
3.10. Neurona (unidad de procesamiento) . . . . . . . . . . . . . . . .
3.11. Red de multiples capas . . . . . . . . . . . . . . . . . . . . . . .
3.12. Idea basica del control predictivo . . . . . . . . . . . . . . . . . .
3.13. Estructura de control predictivo con modelo FIR . . . . . . . . . .
3.14. Estructura de control predictivo con modelo en espacio de estados
3.15. Estructura de un CPM con restricciones . . . . . . . . . . . . . .
3.16. Estructura de un CPM adaptivo . . . . . . . . . . . . . . . . . .
3.17. Estructura de un CFRAP . . . . . . . . . . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
37
39
41
42
44
46
46
47
48
49
49
55
58
60
61
62
63
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
68
68
69
70
73
73
74
xix
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
2
3
6
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice de figuras
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
75
76
78
79
80
81
82
83
85
86
87
88
91
92
93
94
. 95
. 96
xx
Indice de figuras
5.29. Generalizaci
on de las RNA - CPBM . . . . . . . . . . . . . . . . . . . . . . . 149
5.30. Estructura del SDDEF para la PPP - CPBM . . . . . . . . . . . . . . . . . . . 153
5.31. Falla en el sensor de no. Kappa en E (F8 ) . . . . . . . . . . . . . . . . . . . . 154
5.32. Fallas secuenciales en sensores (F6 y F9 ) . . . . . . . . . . . . . . . . . . . . 155
5.33. Eventos secuenciales (perturbacion de lignina/celulosa y falla en el actuador F14 )156
5.34. Fallas secuenciales (F10 y F13 ) . . . . . . . . . . . . . . . . . . . . . . . . . . 158
5.35. Eventos secuenciales (tres cambios de referencia y F1 ) . . . . . . . . . . . . . 159
5.36. Modelo FIR Lazo adicional de control No 1 . . . . . . . . . . . . . . . . . . . 160
5.37. Falla F13 para la estrategia integrada CPBM . . . . . . . . . . . . . . . . . . . 161
E.1. Estructuras de control por realimentacion . . . . . . . . . . . . . . . . . . . . 178
F.1. Estructura de control en avance (feedforward control) . . . . . . . . . . . . . . 179
xxi
Indice de figuras
xxii
ndice de tablas
2.1. Comparaci
on de metodos de diagnostico (Venkatasubramanian et al. (2003d)) . 20
2.2. Gua de palabras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
4.1.
4.2.
4.3.
4.4.
4.5.
4.6.
4.7.
4.8.
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
. . . . .
sensores
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
67
74
77
82
85
86
92
93
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
111
112
112
117
124
125
125
131
132
132
133
135
135
135
137
139
145
145
147
148
148
150
150
xxiii
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
Indice de tablas
xxiv
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
150
151
160
162
162
CAPTULO
Introduccin
La mayora de las plantas petroqumicas y refineras poseen sistemas de control para controlar simultaneamente cientos de variables del proceso, tales como presiones y temperaturas,
por ejemplo. El rol humano principal en estos sistemas de control altamente automatizados es
el de supervisi
on. Esta actividad supervisora requiere: monitoreo del estado actual de la planta,
ajuste de los parametros de control, realizar actividades planeadas de operacion y detectar,
diagnosticar, compensar y corregir situaciones anormales.
El incremento de la demanda de alta eficiencia y operacion en estas industrias han derivado
en un incremento muy importante en la sofisticacion de los sistemas de control mediante el
desarrollo de estrategias de control y sensores avanzados. De todas formas estos avances no
han eliminado el problema de la presencia de situaciones anormales.
Una paradoja persistente en el dominio del control supervisor es que a medida que las
tecnologas de automaci
on incrementan su complejidad y sofisticacion, los operarios profesionales deben tomar decisiones cada vez mas complejas para el manejo de situaciones anormales
(MSA).
1.1.
1.1.1.
Fuentes o causas
Para comprender como abordar tales situaciones, es importante conocer los factores que
causan o influyen sobre las situaciones anormales. En la mayora de los casos, la SA se presenta
como resultado de la interacci
on de m
ultiples fuentes.
Existen tres tipos de causas o fuentes de situaciones anormales
1.1.2.
Desafos
Un aspecto importante del entendimiento del MSA es la interrelacion entre las causas raz
y la intervenci
on de los sistemas de planta y el personal. Especficamente, la Fig. 1.3 ilustra la
anatoma de un incidente catastr
ofico.
La figura muestra la evoluci
on de una SA desde un trastorno de operacion hasta un desastre
catastr
ofico involucrando destruccion y da
nos a la planta y/o la comunidad que la rodea. En
el centro de la figura (sistemas crticos), se ilustra la progresion de una SA y la interaccion con
condiciones de fallas y problemas ocultos en diferentes sistemas de la planta. Estos sistemas
estan dise
nados para salvaguardar la integridad de la planta ante eventos catastroficos. El rol
del personal de planta tambien puede apreciarse de la figura anterior para prevenir trastornos en
la operaci
on. Cuando se presenta una perdida de control el personal de planta debe intervenir
para minimizar el impacto del incidente.
Las actividades de operaci
on son realizadas por equipos de operaciones que comprenden:
operadores de consola, operadores principales, supervisores y operadores de campo. Esto tambien incluira la coordinaci
on entre los equipos responsables de las operaciones de diversas areas
5
1.1.3.
Impacto
La larga historia de desastres (no debidos a causas naturales) de las plantas petroqumicas
en Estados Unidos fue de 1.6 billones de d
olares en 1989. En promedio, una planta petroqumica
tendra un incidente considerable cada tres a
nos. Actualmente y basados en datos recogidos
por compa
nas de seguros se estima que las perdidas de produccion debido a accidentes podra
ser al menos de 10 billones de d
olares anualmente en los Estados Unidos. Los costos asociados
a reparaciones y/o reemplazo de equipos, multas ambientales, compensaciones por perdidas
humanas, investigaci
on, pleitos, etc., representan otros 10 billones adicionales.
La mayora de las situaciones anormales no resultan en explosiones pero son de todas formas
situaciones que generan costos por baja calidad del producto, retrasos, da
nos de equipos, etc..
6
1.2.
Monitoreo de procesos
Durante los u
ltimos 30 a
nos, las industrias qumicas y petroqumicas han realizado esfuerzos
enormes para reducir costos e incrementar la eficiencia de los procesos. La re-ingeniera, las
nuevas tecnologas de sensores y los nuevos sistemas de control han contribuido a llevar a acabo
este incremento de eficiencia. Por otro lado, el escenario resultante son procesos con unidades
sumamente conectadas entre si, con complejas polticas de control, con un gran n
umero de
elementos intervinientes y con un grado de robustez relativo.
En este contexto, los operadores de proceso son quienes atienden las situaciones anormales.
Generalmente, para dar aviso de variables con valores anormales se encienden alarmas de control
clasicas (por ejemplo, alarmas de alto nivel o alta presion). Sin embargo, la complejidad de
los procesos modernos hace difcil la prediccion de eventos anormales. Las alarmas de control
clasicas no suministran informaci
on de las causas raz de la falla, solo informan respecto de
una desviaci
on particular.
El alto grado de acoplamiento de los procesos, causa que una desviacion pueda propagarse
(rapidamente) por numerosos equipos haciendo difcil y a veces imposible que los operarios del
proceso detecten, clasifiquen y compensen dichos eventos anormales. Ademas, una interacci
on
severa en los procesos incrementa la posibilidad que una accion de control, que tiende a
rechazar alg
un efecto provocado por perturbaciones en una unidad determinada, afecte otras
unidades de la planta de forma drastica.
Los directores y operadores de planta estan abocados a conocer como operar la planta
de modo seguro y
optimo desde el punto de vista economico. A menudo, la produccion no
se ve afectada por una disminuci
on en el rendimeinto, pero s cuando una falla es realmente
importante. En tales situaciones, se generan costos economicos considerables ya sea por la
salida de operaci
on del proceso, da
nos en los equipos, contaminacion ambiental, etc.
Quizas el accidente qumico mas grande tomo lugar en Bhopal, India en 1984, cuando una
planta de pesticida (un subsidiario de Dow Chemical Company) accidentalmente dejo escapar
gas toxico. Mas de 3000 ciudadanos murieron y entre de 200000 y 600000 sufrieron da
nos.
Este incidente provoc
o alrededor de 4.1 billones de euros de da
nos economicos. El accidente
en Bhopal fue el resultado de una combinacion de errores como legales, tecnologicos, de
organizaci
on y humanos. A continuacion se detallan algunos de los defectos encontrados en la
planta (Musulin (2005); CEFIC):
* El depurador de gas t
oxico, dise
nado para neutralizar cualquier escape, estaba fuera
de servicio para mantenimiento. Las investigaciones luego del desastre revelan que a
un
funcionando este depurador poda manejar solo un cuarto de la presion que alcanzo en
el accidente.
* La torre de quemado, dise
nada para quemar cualquier escape del depurador tambien
estaba fuera de servicio. Ademas tambien estaba mal dise
nada, solo poda manejar un
cuarto del volumen del gas escapado.
* La cortina de agua. para neutralizar cualquier gas remanente, fue demasiado corta para
alcanzar lo alto de la torre de quemado, de donde el gas fue esparcido.
* La unidad de refrigeraci
on, que mantiene el gas a bajas temperaturas, estuvo fuera de
servicio por alg
un tiempo.
7
CAPTULO
2.1. Detecci
on y diagn
ostico de fallas (DDF)
2.1.
Detecci
on y diagn
ostico de fallas (DDF)
2.1. Detecci
on y diagn
ostico de fallas (DDF)
2.1.1.
Desde el punto de vista de la comparacion de diferentes estrategias de diagnostico, es importante identificar un conjunto deseable de caractersticas que un sistema de diagnostico de
fallas debera tener. A continuaci
on se presentan los estandares considerados aqu (Venkatasubramanian et al. (2003b)):
* Rapidez de detecci
on: El sistema de diagnostico debera responder rapidamente detectando y diagnosticando un evento anormal. Por otro lado, rapidez en el diagnostico y
rendimiento tolerable bajo condiciones normales son dos requisitos contrapuestos. Un
sistema que detecta fallas (abruptas) rapidamente, es sensible a influencias de alta frecuencia y por otro lado lo hace sensible al ruido tambien. Esto puede ocasionar numerosas
falsas alarmas en funcionamiento normal.
* Aislamiento: Es la habilidad del sistema de diagnostico de distinguir entre diferentes
fallas. Existe en este caso tambien un compromiso entre aislamiento y rechazo a incertidumbres de modelado.
* Robustez: Es deseable que el sistema sea robusto a varios ruidos e incertidumbres. Nuevamente la robustez debera estar balanceada con el rendimiento.
* Identificaci
on de novedades: Uno de los requerimiento mnimos de un sistema de diagn
ostico es que pueda decidir respecto del estado del proceso, es decir, identificar si el
proceso esta funcionando normalmente o en forma anormal. En el caso de funcionamiento anormal, identificar cual es la causa, una falla conocida o una desconocida, es la
caracterstica denominada identificacion de novedades.
* Estimar el error de clasificacion: Un importante requerimiento practico es generar confianza en el usuario respecto de la confiabilidad del sistema de diagnostico. Una forma que
11
2.1. Detecci
on y diagn
ostico de fallas (DDF)
ayuda enormemente es que el sistema otorgue una estima a priori del error de clasificacion
que puede haber ocurrido.
* Adaptabilidad: Los procesos en general se modifican y evolucionan, debido a cambios
en entradas externas, realimentaciones, etc.. Las condiciones de operacion del proceso
pueden cambiar, no s
olo debido a perturbaciones sino tambien a condiciones cambiantes
del entorno, tales como demandas de produccion, cambios en las calidades de las materias
primas, etc.. De esta forma el sistema de diagnostico debera ser adaptable a cambios.
* Facilidad de explicaci
on: Ademas de la habilidad para identificar la fuente de la falla, un
sistema de diagn
ostico debe tambien proveer explicaciones de como la falla se origino y
propago a la situaci
on actual. Este es un factor muy importante en el dise
no de sistemas
de ayuda para la toma de decisiones que funcionan en lnea. El sistema debera justificar sus recomendaciones para que el operador pueda evaluar y actuar utilizando su
experiencia.
* Requerimientos de modelado: Para un rapido y facil funcionamiento de los sistemas en
tiempo real el esfuerzo de modelado debera ser lo mnimo posible.
* Requerimiento de almacenamiento y computo: Generalmente, las soluciones en tiempo
real requieren algoritmos e implementaciones poco complejas, pero pueden exigir grandes
requisitos de almacenamiento. Un sistema de diagnostico debe poseer un buen balance
entre estos dos requerimientos.
* Identificaci
on de fallas m
ultiples: La habilidad de identificar m
ultiples fallas (fallas simultaneas) es una caracterstica importante pero muy difcil de obtener. El efecto combinado de fallas simultaneas, debido a las interacciones y no linealidades propias del
proceso, convierten el aislamiento y deteccion en una tarea sumamente compleja.
Desde un punto de vista de construccion o dise
no, los sistemas de DDF pueden clasificarse
como se muestra en la Fig. 2.2.
2.1.2.
M
etodos basados en modelos cuantitativos
En esta secci
on se describira la metodologa utilizada cuando se dise
nan sistemas de DDF
mediante modelos cuantitativos. Las estrategias frecuentemente utilizadas bajo esta clasificacion son los observadores de diagn
ostico, relaciones de paridad, filtro de Kalman y estimacion
de parametros. Existe una gran variedad de tipos de modelos cuantitativos tales como modelos
entrada-salida, en espacio de estados, de primeros principios, respuesta en frecuencia, etc.. Los
modelos de primeros principios no han tenido una gran aceptacion en el dise
no de sistemas de
DDF debido a su carga computacional y complejidad para tareas en tiempo real.
Contando con un modelo explcito de la planta monitoreada, todos los metodos de DDF
basados en modelos (y algunos estadsticos), requieren dos pasos. El primero involucra la generacion de inconsistencias entre el estado actual del proceso y el esperado. Tales inconsistencias
son denominadas residuos,y no son mas que se
nales artificiales que reflejan las potenciales fallas del sistema. El segundo paso es seleccionar una regla de decision para realizar la diagnosis.
La generacion de inconsistencias necesita alguna forma de redundancia. Existen dos formas
de redundancia, la de hardware y la analtica. La primera requiere sensores redundantes, en
general su aplicabilidad es limitada debido a los costos extras y el espacio requerido. Por otro
lado, la redundancia analtica (o redundancia artificial) se alcanza por medio de la dependencia
funcional de las variables del proceso y generalmente expresadas por medio de un conjunto
de relaciones temporales o algebraicas, vinculando las entradas, los estados y las salidas de la
planta.
12
2.1. Detecci
on y diagn
ostico de fallas (DDF)
M
etodos de Diagn
ostico
Basados en modelos cuantitativos
Observadores
Filtro de Kalman extendido
Espacio de paridad
Basados en modelos cualitativos
Modelos causales
Digrafos
Arboles
de fallas
Fsica cuantitativa
Jerarqua de abstraccion
Estructural
Funcional
Basados en datos hist
oricos
Cualitativos
Sistemas expertos
Analisis de tendencias
Cuantitativos
Redes neuronales artificiales
Estadsticos
ACP/MCP
Clasificadores estadsticos
Figura 2.2: Clasificacion general de los metodos de diagnostico
La esencia de la redundancia analtica en diagnostico de fallas es comparar el comportamiento actual del sistema con el que posee el modelo y observar las inconsistencias. Cualquier
inconsistencia expresada como residuo puede ser u
til para propositos de deteccion y aislamiento
de fallas. Los residuos estaran cercanos a cero cuando no ocurran fallas y mostraran un valor
considerable cuando el comportamiento de la planta se modifique. La generacion de residuos
requiere un modelo matematico explcito del sistema, ya sea un modelo derivado analticamente
utilizando primeros principios o uno tipo caja negra obtenido empricamente.
Observadores de diagn
ostico
Esta estrategia desarrolla un conjunto de observadores, cada uno sensible a un subconjunto
de fallas mientras se mantiene insensible a las fallas restantes y a entradas desconocidas. Los
grados de libertad adicionales resultantes de las mediciones y de la redundancia analtica hacen
posibles el dise
no de este tipo de sistemas de DDF.
Trabajos relacionados con observadores de diagnostico refieren a Kinnaert (1999), por ejemplo, donde se dise
na un sistema de deteccion de fallas robusto para una clase de sistemas. En
Patwardhan and Shah (2005) se propone el desarrollo de observadores de estado para integrar
a la detecci
on y diagn
ostico de fallas en un CPBM. Actualmente, Simania and Patton (2008)
13
2.1. Detecci
on y diagn
ostico de fallas (DDF)
14
2.1. Detecci
on y diagn
ostico de fallas (DDF)
con estimaci
on recursiva de los parametros. Las fallas son identificadas desde los parametros
utilizando estrategias de clustering.
Una de las mayores ventajas de los metodos basados en modelos cuantitativos radica
en que se puede tener control sobre el comportamiento de los residuos. De todas formas
muchos factores tales como, complejidad, alta dimensionalidad, no linealidades del proceso,
y/o carencia de buenos datos, generan que la tarea de obtener un modelo matematico del
sistema resulte sumamente difcil. Esto, por supuesto, limita la utilidad de esta metodologa
en procesos industriales reales. La evaluacion de los residuos involucra una comparacion con
un lmite maximo (umbral) el cual debe ser correctamente seleccionado.
La mayora de los trabajos sobre sistemas de diagnostico basado en modelos se han focalizado en las areas de ingeniara aeroespacial, mecanica y electrica. No existen demasiadas
publicaciones referentes a aplicaciones de observadores para diagnostico de fallas en ingeniera
qumica. Referencia a trabajos antiguos en esta area pueden encontrarse en la revision dada
por Venkatasubramanian et al. (2003b).
2.1.3.
M
etodos basados en modelos cualitativos
La actividad de diagn
ostico abarca dos importantes componentes: 1- el dominio del conocimiento a priori y 2- la estrategia de b
usqueda. El conocimiento basico a priori necesario en diagnostico de fallas es un conjunto de anormalidades y relaciones entre observaciones (sntomas) y las
fallas. Este dominio de conocimiento puede desarrollarse mediante entendimiento fundamental
del proceso utilizando conocimiento de primeros principios.
En modelos cuantitativos este conocimiento se expresa en terminos de relaciones matematicas
entre entradas y salidas del proceso. En contraste, en el caso de modelos cualitativos estas
relaciones estan expresadas en terminos de funciones cualitativas. Los modelos cualitativos
pueden desarrollarse ya sea por modelos causales o por abstraccion de jerarquas.
Por otro lado, el segundo componente de la actividad de diagnostico puede clasificarse en
b
usqueda topografica o sintomatica. En la primera se realiza un analisis del mal funcionamiento
utilizando una plantilla del proceso en funcionamiento normal. La b
usqueda sintomatica analiza
los sntomas para direccionar la b
usqueda hacia la locacion de la falla.
El desarrollo de sistemas expertos basados en el conocimiento fue la primera aproximaci
on
para capturar la informaci
on y obtener conclusiones con una metodologa formal. Un sistema
experto es un algoritmo computacional que trata de emular el comportamiento cognitivo de un
operario experto en el momento de resolver determinado tipo de problemas. Este consiste de
una base de conocimiento, esencialmente un gran conjunto de reglas si/entonces y un motor
de inferencia que busca a traves de dicha base para obtener conclusiones de determinados
hechos (Venkatasubramanian et al. (2003c)).
El arbol de clausulas si/entonces crece rapidamente con la complejidad del proceso. El
problema con este tipo de representacion del conocimiento es que no posee ninguna comprension de la fsica subyacente de la planta, y generalmente falla cuando se encuentran nuevos
eventos que no han sido definidos en la base de conocimiento.
Modelos causales basados en digrafos
Diagnosis es la inversa de simulacion. La simulacion se realiza derivando el comportamiento
del sistema dado su estructura y aspectos funcionales. La diagnosis, por otra parte, trata
de deducir la estructura observando el comportamiento. Esta forma de deduccion necesita
razonamiento acerca de las relaciones causa-efecto del proceso.
Los digrafos (DG) es una tecnica que trata de modelar las relaciones causa-efecto en un
proceso por medio de nodos y arcos en forma grafica. Los nodos representan las variables del
proceso y los arcos las relaciones entre ellos. Los arcos se disponen desde los nodos causa
15
2.1. Detecci
on y diagn
ostico de fallas (DDF)
hacia los nodos consecuencia. Una variante de DG son los DG con signo (DGS), los cuales
incluyen en la representaci
on el signo de la influencia. Tanto los DG como los DGS utilizados
en diagnosis de fallas incluyen tambien nodos denominados raz para modelar las causas que
originan las fallas. La estrategia de razonamiento recorre el grafico tratando de encontrar las
posibles soluciones (Venkatasubramanian et al. (2003c); Musulin (2005)).
Una aplicaci
on de digrafos con signo puede encontrarse en Lee et al. (2006), aplicado a una
planta de pulpa y papel (PPP) conformando un sistema de diagnostico hbrido de deteccion
y clasificacion de fallas. En Cheng et al. (2008) se presenta una estrategia de razonamiento
basada en digrafos causales dinamicos aplicado a una maquina de papel. En Bauer and Thornhill
(2008) se presenta una metodologa para aislar la causa raz y encontrar el camino por el cual
las perturbaciones se propagan en un proceso de gran escala.
Arboles
de fallas
Los arboles de fallas (AF) se utilizan para analizar la confiabilidad y seguridad de un
sistema. Fueron desarrollados originalmente por el laboratorio telefonico de Bell en 1961. Un
AF es un arbol l
ogico que propaga eventos primarios o fallas hacia el nivel superior o a un
peligro. Posee generalmente capas de nodos y en cada nodo se realizan operaciones logicas del
tipo y/o para propagaci
on. Un AF general para analisis consiste de los siguientes cuatro pasos:
1- definicion del sistema, 2- construcci
on del AF, 3- evaluacion cualitativa, y 4- evaluacion
cuantitativa.
El problema principal con AF es que su desarrollo es propenso a errores en diferentes
niveles. El AF construido es solamente tan bueno como el modelo mental concebido por el
dise
nador. Para realizar un diagn
ostico consistente utilizando AF, los arboles deben representar
de forma comprensiva las relaciones causales de proceso (explicar todos los escenarios de falla).
No existen metodos formales para verificar la precision de un AF desarrollado.
Trana et al. (2008) propone un metodo para predecir condiciones futuras en procesos
basado en predicci
on de series temporales y arboles de regresion. La estructura es aplicada
a un compresor de metano. En Walker and Papadopoulos (2008) se presenta otro enfoque
basado en arboles de fallas y sus correspondientes extensiones. Por otro lado la metodologa
llamada RADYBAN permite realizar el analisis de un arbol de fallas dinamico como se presenta
en Montania et al. (2008).
Fsica cualitativa
La fsica cualitativa (FC) o sentido com
un de razonamiento respecto del sistema fsico
ha sido un area de gran interes para la comunidad de inteligencia artificial. El conocimiento basado en FC en diagnosis de fallas ha sido representado principalmente de tres formas.
El primer metodo es derivar ecuaciones cualitativas de las ecuaciones diferenciales, llamadas
ecuaciones de confluencia, teniendo en cuenta los signos de las derivadas. El segundo, llamado
ordenamiento de precedencia, que se ha utilizado para ordenar las variables desde el punto
de vista del flujo de informaci
on entre ellas. Finalmente, existe otra metodologa que trata de
derivar el comportamiento cualitativo de las ecuaciones diferenciales ordinarias.
Existe una gran cantidad de trabajos realizados en esta area los cuales han sido correctamente revisados en Venkatasubramanian et al. (2003c). No existen trabajos actualizados en
esta area tematica.
Abstracci
on de jerarquas
Otra forma de modelar el conocimiento es mediante el desarrollo de una abstraccion de
jerarquas basadas en descomposici
on. La idea de descomposicion es la de poder estimar el
16
2.1. Detecci
on y diagn
ostico de fallas (DDF)
comportamiento del sistema completo solamente de las leyes que gobiernan el comportamiento
de sus subsistemas.
Otro principio importante para descomposicion de sistemas es el principio de locaci
on:
las leyes para una parte especfica no pueden referir a ninguna otra parte. Este principio
permite predecir el comportamiento solo basado en informacion local. Existen dos tipos de
descomposici
on populares en procesos: 1- estructural: especifica la informacion de conectividad
de una unidad y 2- funcional: especifica la salida de la unidad en funcion de sus entradas (y/o
estados). En ingeniera qumica la descomposicion funcional es la mas utilizada debido a que
la compleja funcionalidad entre unidades no puede ser expresada en terminos de estructura.
La diagnosis puede considerarse como una b
usqueda desde un nivel alto de abstracci
on
donde se consideran grupos de equipos y sistemas funcionales hacia un nivel bajo de abstracci
on
donde se analizan unidades individuales.
No existe una actualizaci
on de trabajos en esta area. Una buena revision de antiguas
metodologas es presentada en Venkatasubramanian et al. (2003c).
El mayor inconveniente en la utilizacion de modelos cualitativos para diagnosis de fallas es la
generaci
on de soluciones espurias. De todas formas existe en general una cantidad considerable
de publicaciones en la mayora de los topicos de modelos cualitativos, una buena revision de
trabajos precursores se puede encontrar en Venkatasubramanian et al. (2003c).
2.1.4.
M
etodos basados en datos hist
oricos
17
2.1. Detecci
on y diagn
ostico de fallas (DDF)
An
alisis cualitativo de tendencias
El analisis y predicci
on de tendencias son componentes importantes en monitoreo y control
supervisor de procesos. El modelado de tendencias puede utilizarse para explicar importantes
eventos que ocurren en la planta, realizar el diagnostico de fallas y predecir los estados futuros.
Desde el punto de vista del diagn
ostico, la representacion cualitativa de tendencias provee
de una informaci
on importante que facilita el razonamiento respecto del comportamiento del
proceso. Generalmente, las diferentes fallas del proceso presentan diferentes tendencias (patrones) en las se
nales medidas. Estos patrones pueden utilizarse para identificar la anormalidad
subyacente en el proceso. De esta forma, una correcta clasificacion y analisis de las tendencias
del proceso puede detectar fallas de forma temprana, permitiendo una rapida compensacion.
Ademas, la representaci
on cualitativa de tendencias puede facilitar una eficiente compresion
de datos.
Una estrategia de clasificaci
on utilizando SLD y analisis de tendencias en procesos qumicos
es presentado en Venkatasubramanian et al. (2003a). En Maurya et al. (2007) se propone una
representacion jerarquica para el analisis de tendencias dinamicas. Se presenta una metodologa
para la extracci
on de tendencias y el analisis de similitud. Ademas se comentan aspectos de
aplicaciones industriales sobre dicha estrategia.
Extracci
on de comportamiento estadstico
La metodologa esencialmente esta basada en formular el problema de diagnostico como un
problema de reconocimiento de patrones. La finalidad de estos metodos es la clasificacion de los
datos generalmente en clases predefinidas. Los metodos estadsticos utilizan el conocimiento
a priori de la distribuci
on de la clase para realizar la clasificacion.
Suponiendo que la distribuci
on de una determinada variable monitoreada es normal, entonces los parametros de interes son su valor medio y su desviacion estandar. Cuando una falla
ocurre en el proceso, su media o desviaci
on estandar (o ambos) pueden alejarse de sus valores
nominales. Por ello, el diagn
ostico de fallas puede presentarse entonces como un problema de
deteccion de cambios en los parametros de un sistema estocastico estatico o dinamico.
Esta metodologa funcionando en lnea toma muestras secuencialmente de las mediciones
del proceso y realiza decisiones basadas en las observaciones hasta el momento actual. Se
dise
na entonces un estadstico y una funci
on de observacion para tomar la decision comparando
dicho estadstico con alg
un valor de umbral (o lmite). Obviamente, un buen detector debe
ser sensible a cambios. Cuando se pretende detectar rapidamente peque
nas modificaciones la
sensibilidad debe ser considerable, generando un aumento en la cantidad de falsas alarmas, lo
cual es ciertamente indeseable. Un buen dise
no generalmente se define como aquel que para
una tasa fija de falsas alarmas minimiza el valor de los cambios (fallas) detectables y el retardo
de deteccion.
Por ejemplo, el clasificador de Bayes utiliza funciones de densidad de las respectivas clases,
metodologas como ACP (secci
on 3.1), por otro lado, extraen informacion respecto de las tendencias en los datos utilizando un peque
no n
umero de factores relevantes. De forma conceptualmente similar a ACP, los metodos basados en MCP tratan ademas de realizar estimaciones
de las variables importantes del proceso.
Esta es una de las areas mas abundantes en cuanto a trabajos publicados. Existen diferentes enfoques, propuestas y sugerencias dependiendo del caso de aplicacion. Cuestiones de
implementaci
on practicas se pueden encontrar en Chiang and Colegrove (2007) y Kourti (2002)
sobre monitoreo estadstico de procesos. Tambien, enfoques combinados de digrafos y MCP
como el sugerido en Lee et al. (2006) o de wavelet con ACP dinamico como sugieren Luo
et al. (2005a) y Misra et al. (2002). Otros autores proponen solo la utilizacion de ACP diamico
para las tareas de monitoreo (Lee et al. (2004); Li and Qin (2001)). Tambien existen versiones
18
2.1. Detecci
on y diagn
ostico de fallas (DDF)
adaptivas/recursivas de estas metodologas como sugieren Li et al. (2000) y Tien et al. (2004)
y clasicas estrategias de ACP basado en pesado exponencial como las propuestas por Lane
et al. (2003) y Wold (1994).
Redes neuronales artificiales
Las redes neuronales artificiales (RNA) han sido propuestas originalmente para problemas
de clasificaci
on y aproximaci
on de funciones. En general las RNA que han sido utilizadas en
diagnostico de fallas pueden clasificarse teniendo en cuenta dos caractersticas: 1- la arquitectura de la red (funciones de activacion sigmoidal, bases radiales, etc.) y 2- la estrategia de
entrenamiento (supervisado o no supervisado).
Tradicionalmente la extracci
on de comportamiento, el cual es un proceso de construcci
on
de comportamientos, es considerado un camino para retener la informacion discriminatoria
entre las clases y reducir la informacion com
un entre ellas utilizando las mediciones de un
conjunto de clases. En general parece ser una buena idea realizar alg
un tipo de extraccion de
comportamiento y entonces desarrollar un clasificador con RNA sobre el conjunto de comportamientos. Las RNA son discutidas en detalle en la seccion 3.4.
Algunas aplicaciones de RNA en diagnostico de fallas pueden encontrarse por ejemplo en
Wu and Liua (2008) donde se desarrolla un sistema experto basado en la transformada wavelet
y RNA implementado sobre un motor de combustion interna. En Ma et al. (2005) se propone
la utilizaci
on de RNA con funciones de bases radiales para realizar las tareas de diagnosis en
una planta termica generadora de energa. Una aplicacion a motores de induccion aparece
en Lehtoranta and Koivo (2005) utilizando las redes para modelar series temporales. En un
trabajo mas actualizado, Darwish and Hilal (2008) propone una aplicacion a un proceso con
varias unidades de operaci
on, una planta de gas natural.
2.1.5.
Comparaciones
La principal limitaci
on de los metodos basados en modelos cuantitativos radica en las
inevitables incertidumbres de modelado que ocurren en la practica. Ademas de las dificultades
de modelado esta metodologa no cuenta con una facilidad de explicacion. Los tipos de modelo
utilizados estan limitados a lineales y algunos modelos no lineales muy especficos.
Cuando se considera un proceso de gran escala, la dimension de los bancos de filtros
puede ser demasiado grande incrementando la complejidad computacional. Pueden utilizarse
sistemas expertos basados en reglas cuando exista una abundancia de experiencia. La carencia
de detalles y principios fundamentales no permiten desarrollar modelos cuantitativos precisos.
Los modelos causales son una excelente alternativa cuando no se dispone de modelos
cuantitativos pero se conoce la dependencia funcional. La abstraccion de jerarquas ayuda a
mantener la atenci
on sobre las areas problematicas. Una de las ventajas de estas metodologas
es la facilidad de explicaci
on respecto del camino de propagacion de la falla. Esto resulta
indispensable cuando pretende ser un sistema de ayuda para la toma de decisiones de los
operarios. En el caso de modelos cuantitativos la complejidad combinatoria es inevitable.
La limitaci
on general de los metodos basados en datos historicos radica esencialmente en
la correcta extracci
on de comportamientos. Retener la informacion discriminatoria entre las
clases y reducir la informaci
on com
un entre ellas operando sobre la base de datos, resulta una
tarea importante como complicada.
La Tabla 2.1 resume la comparacion de algunos metodos de diagnostico de fallas en terminos de las caractersticas deseables del sistema. La marca X indica que dicha metodologa
satisface con la correspondiente propiedad, la marca indica que no cumple con la caracterstica deseable y el signo de interrogacion ? significa que la propiedad en cuestion es
satisfecha dependiendo del problema (problema dependiente).
19
2.1. Detecci
on y diagn
ostico de fallas (DDF)
Obs.
Digrafos
AF
SE
ACT
ACP
RNA
X
X
X
?
?
X
X
X
X
X
X
X
?
X
X
X
X
X
X
?
X
X
X
X
X
X
X
X
X
X
?
?
X
X
X
X
X
X
X
X
X
X
X
X
X
X
X
2.1.6.
Sistemas hbridos
Una cuesti
on importante es que los metodos vistos hasta el momento no pueden manejar
eficazmente todos los requerimientos deseables de un sistema de diagnostico en forma individual (Tabla 2.1). Algunos metodos pueden manipular mejor que otros la base de conocimiento.
De esta forma entonces algunos de estos pueden complementarse con otros resultando en un
mejor sistema de diagn
ostico, tratando siempre de contar con la mayor cantidad de propiedades
deseables. La integraci
on de estos comportamientos complementarios es un camino para desarrollar metodos hbridos que resuelvan las limitaciones de las soluciones individuales.
La combinaci
on de metodos permite evaluar diferentes formas de conocimiento en una red
de trabajo u
nica mejorando las decisiones. El esquema de deteccion resultante podra tener
una base de conocimiento basada tanto en modelos analticos como en heurstica, bases de
datos, motor de inferencia y una componente de facil explicacion.
Esta area de dise
no es la mas abundante en cuanto a publicaciones y propuestas. Debe notarse tambien que si bien existen muchas aplicaciones en la literatura la mayora solo aborda un
problema particular. Es decir, tratan de dar solucion a determinados tipos de procesos o a ciertos tipos de fallas particulares. No existe una metodologa general que haya sido probada sobre
diferentes escenarios: procesos de peque
na, mediana y gran escala, diferentes tipos de fallas
en sensores y en actuadores o diferentes tipos de procesos (electrico, qumico, petroqumico,
20
2.1. Detecci
on y diagn
ostico de fallas (DDF)
biologico, etc.).
Una propuesta de dise
no hbrido puede encontrarse en Musulin et al. (2006) donde se aborda
la integraci
on de herramientas como ACP y SLD para monitoreo de procesos qumicos. Ruiz
(2001) propone a su vez la utilizacion de wavelets y RNA para monitoreo de plantas qumicas
continuas. Una combinaci
on de SLD y analisis cuantitativo de tendencias es propuesto en
Venkatasubramanian et al. (2003a). Chiang et al. (2004) presenta la integracion de analisis
discriminante de Fisher con clasificacion estadstica. Por otro lado, Ye et al. (2004) propone
la combinaci
on de espacio de paridad con transformada wavelet discreta. En Ondela et al.
(2008) se presenta la integraci
on de metodos basados en modelos cuantitativos como el filtro
de Kalman en conexi
on con herramientas basadas en datos historicos como reconocimiento de
patrones. Estos trabajos s
olo representan una peque
na muestra de los esfuerzos de integraci
on
y en general han trabajado con procesos especficos y fallas particulares.
2.1.7.
DDF y el dise
no de otras operaciones de proceso
21
2.1. Detecci
on y diagn
ostico de fallas (DDF)
Reconciliaci
on de datos
La reconciliaci
on de datos es una actividad importante realizada generalmente en industrias de procesos continuos. Esencialmente es un metodo cuantitativo de diagnostico de fallas
focalizado en detectar fallas en sensores. La reconciliacion de datos consiste de tres partes:
1- identificaci
on del parametro sujeto a desviacion, 2- estimacion de dicha desviacion y 3correccion de la medici
on del sensor.
En Musulin (2005) se presenta un captulo completo dedicado a reconciliacion de datos
utilizando el filtro de Kalman sobre tanques conectados en serie. En Huang and Luo (2007) se
integra filtrado wavelet robusto y filtro de Kalman. Una ventana temporal movil es utilizada y
restricciones tanto estaticas como dinamicas. Un analisis de tendencias es propuesto en Tona
et al. (2005) como primer paso hacia la reconciliacion de datos en sistemas lineales dinamicos.
Nuevamente se integra la transformada wavelet y filtro de Kalman. En Tian et al. (2006) se
presenta una estrategia de reconciliaci
on de datos no lineal para procesos industriales basado
en optimizaci
on.
Control supervisor
El control supervisor es una actividad que se encuentra a medio camino entre el control
regulador y la planificaci
on. Esta u
ltima, es la actividad de crear programas y realizar decisiones
de operacion en un marco temporal de meses. Es imprescindible entonces tener una capa de
decision en un nivel inferior a la planificacion para coordinar varios lazos de control individuales
y realizar el manejo de eventos en un marco temporal menor.
Debido a diferentes condiciones de operacion del proceso los controladores pueden exhibir
un comportamiento indeseable los cuales requeriran la intervencion de operadores o de los
ingenieros de control. Primero alg
un tipo de reajuste puede realizarse en lnea, si esto no
corrige el problema el lazo podra manipularse en forma manual y realizarse un completo
redise
no de los controladores. Cuando el n
umero de lazos bajo la supervision del ingeniero se
incrementa considerablemente, el monitoreo y correccion de lazos de control puede volverse
una tarea que demande un tiempo considerable. Aqu es cuando resulta sumamente u
til la
ayuda de un sistema de control supervisor para asistir en el proceso de toma de decisiones. El
control supervisor utilizara la informaci
on disponible del sistema de diagnostico de fallas para
comprobar y monitorear los lazos de control. Si existen cambios, el control supervisor podra
analizar diferentes configuraciones de control o puntos operativos (o trayectorias de operacion)
que podran mejorar la operaci
on del proceso.
Por ejemplo, la configuraci
on del controlador, parametros y acciones son no solo determinadas por los modelos matematicos y el controlador, sino que tambien se analiza las condiciones
de validez de dichos modelos. Generalmente estas condiciones son violadas de diferentes maneras. Por ejemplo, la efectividad de los controladores depende directamente de contar con
datos confiables provenientes de los sensores. Si un sensor falla las acciones de control pueden
resultar ineficaces o causar un comportamiento adverso en el proceso. Los sistemas de DDF se
convierten en un m
odulo importante que pueden ayudar con informacion precisa en la toma
de decisiones.
En Mu
noz et al. (2008) se propone una red de control supervisor basado en optimizacion
para los niveles de pH y OD de referencia de controladores SISO. Los modelos del proceso son
del tipo de LD Takagi-Sugeno. La estrategia es aplicada a un reactor de lodos activos. Por otro
lado, en Komenda et al. (2008) se presentan condiciones para el dise
no modular de sistemas
de control supervisores. En Mu
noz et al. (2008) se presenta una aplicacion concreta de control
supervisor a un sistema de refrigeraci
on por agua de un edificio para mejorar la eficiencia de
energa. Se propone la utilizaci
on de modelos semifsicos para predecir el rendimiento de energa
y la calidad ambiental, as como la respuesta del sistema. Se utilizan rutinas de optimizacion
22
2.2.
2.2.1.
2.2.2.
M
etodos cl
asicos
La tolerancia a fallas tambien puede obtenerse sin la estructura de la Fig. 2.3 mediante
metodos de control ya conocidos.
Control robusto
Esta metodologa se basa en dise
nar un controlador fijo que tolera posibles cambios en la
dinamica del proceso. El sistema controlado satisface sus objetivos bajo cualquier escenario de
fallas. La tolerancia a fallas se obtiene sin modificar los parametros del controlador. Este es, por
lo tanto, el metodo llamado pasivo. Los controladores robustos trabajan de forma suboptima
cuando el proceso esta libre de fallas y como sus parametros son fijos, se debe considerar el
compromiso entre robustez y rendimiento (Kanev (2004)).
En Fekih and Pilla (2007) se presenta una estrategia pasiva de CTF basado en Lyapunov
para un n
umero de fallas especficas. El metodo se prueba mediante simulacion sobre un modelo
multivariable de un avi
on F-18. En Niemann and Stoustrup (2005) se dise
na un CTF robusto
pasivo donde el controlador nominal es aumentado para garantizar estabilidad y performance
ante fallas. La estrategia es aplicada a un doble pendulo invertido. En Stoustrup and Blonde
(2004) se presenta una estrategia similar para compensar fallas en sensores y actuadores. Una
propuesta basada en optimizaci
on y tratamiento de retardos en las entradas y los estados del
proceso puede observarse en Yu and Lien (2008). En Suplin and Shaked (2008) tambien se
25
2.2.3.
Aspectos temporales
En la implementaci
on de sistemas CTF deben tenerse en cuenta los siguiente perodos
temporales:
26
2.3. An
alisis de operabilidad y riesgos (AOR) - (HAZOP analysis)
1. Antes de la ocurrencia de una falla, el sistema nominal es controlado utilizando el controlador nominal y los objetivos de control se satisfacen.
2. Entre la ocurrencia de la falla y la compensacion de la misma, la planta sujeta a fallas es
controlada utilizando la ley de control nominal y los objetivos en general no se satisfacen
(el sistema podra volverse inestable).
3. Luego del instante de compensacion de la falla, el sistema sujeto a fallas es controlado mediante un controlador compensado o reconfigurado y en general los objetivos se
satisfacen (aunque sea a menor rendimiento).
El punto n
umero dos de la lista anterior resulta crtico y en general la longitud de dicho
perodo temporal esta asociado a las siguientes actividades: A- retardo en la deteccion y
aislamiento de las fallas, B- retardo en la estimacion de la falla, y C- retardo en el re-dise
no del
controlador. Los perodos temporales debidos a los puntos A y B son inevitables en estrategias
de CTF activas con reconfiguraci
on en lnea. El tiempo empleado en el punto C puede evitarse
dise
nando diferentes controladores fuera de lnea y conmutando al correcto en caso de fallas.
2.3.
An
alisis de operabilidad y riesgos (AOR) - (HAZOP analysis)
2.3.1.
27
7. Repetir los pasos 3 a 6 hasta que todos los parametros son analizados para el sistema
en estudio.
8. Seleccionar el pr
oximo nodo y repetir los pasos 3 a 7 hasta terminar con los elementos
del sistema.
Desviaci
on tpica
No(o No hay)
Mas de
Menos de
Mas que
Menos que (o parte de)
Opuesto
Con excepci
on de
Mas pronto que
No hay flujo en un ca
no, no hay reactante en un tanque
Alta temperatura, alto nivel
Baja velocidad, baja densidad
Flujo bif
asico, contaminacion
Concentraci
on reducida, falta componente
V
alvula cierra en lugar de abrir, calienta en lugar de enfriar
Operaciones mantenimiento, limpieza, muestreo,
M
as/menos tiempo, operaciones fuera de secuencia
2.4.
Durante la u
ltima decada los metodos de proyeccion multivariados se han utilizados para
analizar grandes bases de datos acumulados en la industria para mejorar el rendimiento del
proceso y la calidad de los productos. El mejoramiento de las condiciones de operacion de
un proceso involucra desarrollo de mejores metodos para el analisis de polticas de operacion
historicas, resoluci
on de problemas, monitoreo del proceso, deteccion de situaciones anormales,
aislamiento de fallas y optimizaci
on del proceso y del producto.
Tradicionalmente, estos problemas eran abordados mediante la construccion de grandes
modelos de primeros principios y utilizando estos en optimizacion o para monitoreo de procesos
y deteccion de fallas. La construcci
on de tales modelos requiere tiempo y esfuerzo los cuales
son difciles de justificar en la industria. Por otro lado, los modelos desarrollados basados en
datos historicos pueden resultar mas simples desde el punto de vista algortmico, pero con la
desventaja que no siempre los parametros de dichos modelos representaran cantidades fsicas.
Ademas, generalmente pierden validez en determinados rangos operativos.
En la actualidad los procesos generalmente manejan grandes vol
umenes de datos historicos
almacenados en bases de datos. Estos datos provienen de cientos o miles de sensores en lnea
que muestrean variables del proceso cada segundo. La correcta explotacion de estas bases
resulta en un componente crtico para la operacion adecuada de los procesos industriales.
Debido a la naturaleza de dichas bases de datos, tales como gran dimension, alta correlacion,
pobre relacion se
nal/ruido y datos perdidos en muchas variables hacen su utilizacion dificultosa
expresadas de esta forma. Para su correcta utilizacion es necesario de un metodo de modelado
emprico capaz de sobrellevar estas dificultades. En general herramientas tales como ACP
y proyeccion en estructuras latentes permiten solucionar estos problemas otorgando ademas
herramientas de analisis de facil interpretacion y presentacion (Kourti, 2002).
2.4.1.
Durante la u
ltima decada la mayora de las industrias han utilizado diagramas univariados
(Shewhart) para realizar las tareas de monitoreo de las principales variables del proceso que de
28
2.4.2.
Realizando el monitoreo solamente de las variables de calidad (control estadstico de calidad, CEC), se ignoran los cientos de variables del proceso que son medidas con mucho mas
frecuencia que los datos de calidad. Para un verdadero control estadstico de procesos (CEP),
se deben considerar todas las variables del proceso. Realizando el monitoreo del proceso con
estas variables es de esperar que se cuente con mas informacion respecto del estado de la planta. Por el contrario, el CEC s
olo indica que las propiedades del producto no son consistentes
con las especificaciones.
En algunos casos, las pocas propiedades medidas en un producto son insuficientes para
definir enteramente la calidad del producto y el rendimiento de diferentes aplicaciones. En estos
casos, los datos del proceso contienen mas informacion respecto de eventos que influencian
el producto y el rendimiento de las operaciones. Tradicionalmente, diagramas multivariados
(Hotelling, etc.) han sido utilizados para monitorear las variables del proceso y de calidad.
Para un gran n
umero de datos correlacionados del proceso estos diagramas son impracticables.
Ademas, ellos no ofrecen la posibilidad de vincular las variables del proceso con las variables de
calidad para formar un modelo. La mayora de las aplicaciones practicas de CEP multivariados
estan basados en variables latentes (ver seccion 3.1).
2.4.3.
Aplicaci
on industrial
Una de las experiencias de monitoreo multivariado en lnea aparece en la industria del acero,
Dofasco Inc., Canada. Citando directamente las palabras de los responsables de su dise
no e
implementaci
on:
Los beneficios de trabajar con tecnologa estadstica multivariada es que provee un
compromiso balanceado entre adecuada fidelidad, conocimiento del proceso, facil
desarrollo, y una excelente robustez en presencia de ruido o datos perdidos.
Desde la introducci
on a comienzo de los 90 de las tecnologas estadsticas multivariadas en
Dofasco, un gran n
umero de aplicaciones han sido desarrolladas. La primera aplicacion se
inicio en 1993 y desde entonces existen mas de 40 implementaciones para resolver problemas
en numerosas unidades de proceso. A continuacion se presenta una aplicacion en lnea de
monitoreo con patente pendiente.
29
Dofasco
Un esquema de monitoreo y detecci
on de fallas en lnea ha sido desarrollado por Dofasco.
El acero lquido es solidificado para tener una superficie delgada de 0.9 m de largo en un molde
enfriado por agua. El acero deja el fondo del molde y es contenido por su superficie creciente.
una ruptura o perdida de esta contenci
on se produce cuando el acero solidificado no se forma
uniformemente al dejar el molde enfriador y se rompe, permitiendo que el acero fundido se
escape. Una ruptura de este tipo resulta en un falla catastrofica en el proceso, potencialmente
peligrosa con perdida de producci
on y de equipos. El objetivo inicial o primario fue detectar y
prevenir las rupturas y por otro lado proveer de una deteccion temprana de otras condiciones
de operacion anormales. Desde la implementacion de este sistema en la primavera de 1997,
Dofasco ha disfrutado de sus niveles de produccion mas altos, con una reduccion del 50 % de
las rupturas en 1999. En general, este sistema ha dado confianza al personal para trabajar el
proceso a altas tasas de producci
on.
Varios modelos de ACP son necesarios para representar diferentes configuraciones de operacion y propiedades del acero. En la construccion de dichos modelos se han realizado la
correcta selecci
on de variables representativas, la incorporacion efectiva de los retardos para
capturar la dinamica y el apropiado pretratamiento de los datos para asegurar una buena representacion del conjunto de los datos. Se han utilizado dos diagramas de control, el estadstico de
Hotelling (T 2 ) y el ECP (Q), presentados adecuadamente en la pantalla principal del usuario,
en conjunto con otra informaci
on pertinente.
La estrategia de alarmas es simple. Si alguno de los estadsticos excede un valor de umbral
inicial el fondo del estadstico en cuesti
on cambia a color amarillo indicando al operador una
se
nal de precauci
on y que alguna desviaci
on se ha producido en el proceso. Si alguno de estos
estadsticos excede un valor de umbral final el fondo toma el color rojo y una alarma audible es
utilizada, indicando que una desviaci
on significante se ha producido. En estos casos el operador
puede tener acceso a la contribuci
on de las variables a dichos estadsticos en el formato de
grafico de barras. De esta forma puede visualizarse la combinacion de las variables del proceso
con mayor contribuci
on. La disposici
on de la informacion en la pantalla se realiza de forma tal
que el operador pueda rapidamente focalizar su atencion en las variables de interes y tomar
las acciones correctivas necesarias antes de producirse un da
no irreversible.
Qumicos Dow
Por otro lado en Chiang and Colegrove (2007) se presenta una aplicacion en Qumicos Dow
de estadsticos multivariados para monitoreo y deteccion de fallas en un proceso de produccion
de resinas solidas epoxy. Variables tales como, peso equivalente epoxy, viscosidad, y punto de
ablande son sumamente importantes para evaluar la calidad del producto. Se ha comprobado
que los diagramas univariados de control de calidad no necesariamente son un criterio valido
para asegurar la calidad del producto que los consumidores requieren. En un esfuerzo por
resolver estos problemas de especificaci
on del producto se propone la utilizacion de diagramas
de control multivaridos para cuatro productos de resinas epoxy solidas. En este caso particular
se han desarrollado modelos ACP para el monitoreo de las variables de calidad utilizando
estadsticos de Hotelling. La clasificaci
on y evaluacion del evento anormal es realizada por
medio de las contribuciones de las variables del proceso.
2.4.4.
Utilizando el conocimiento te
orico y del proceso
Estos metodos estadsticos se vuelven realmente poderosos cuando son combinados con
modelos de conocimiento relacionado a procesos y analticos. Utilizando esta base de conocimiento puede ayudar en la selecci
on de variables, calculo de nuevas variables, y decidir la frecuencia
30
2.5. Conclusi
on y objetivos de la tesis
del muestreo de datos. De todas formas es importante siempre que los mejores conocedores
del proceso tengan contacto con las personas que realizaran el analisis estadstico o que los
analistas conozcan el proceso en detalle. El conocimiento especfico del proceso, as como la
ingeniera de las unidades de operacion, balances de masa y energa, y frecuentemente sentido
com
un, pueden convertir variables de proceso r
usticas en sorprendentes variables utilizables
para modelado.
El conocimiento especfico del proceso determinara los intervalos de muestreo en un analisis
discontinuo, donde no es necesario tener los datos igualmente espaciados. Los datos pueden
recolectarse mas frecuentemente durante fases cruciales y menos frecuentemente en otras
etapas.
La inclusi
on o no de determinadas variables en el modelado dependera de la finalidad de
este. Si el objetivo es realizar predicciones sobre las variables de calidad seguramente aquellas
mediciones de propiedades con poca variabilidad no seran tenidas en cuenta. Pero esto resultara en un error significativo si la finalidad del modelo es realizar el monitoreo del proceso.
Modificaciones sobre dichas variables seran practicamente indetectables. De esta forma la correcta selecci
on de variables debe ser realizada con la ayuda de personal calificado y que posea
un conocimiento elevado del proceso o unidad.
2.4.5.
2.5.
Conclusi
on y objetivos de la tesis
En las u
ltimas decadas el interes en sistemas de monitoreo en grandes procesos qumicos
se ha incrementado enormemente. Esto es debido esencialmente a condiciones de operaci
on
mas restrictivas de los procesos en cuanto a seguridad de equipos y personal, costos operativos
y restricciones ambientales. La creciente complejidad en cuanto al dise
no de grandes plantas
y su respectiva poltica de control hace que los sistemas de monitoreo deban contar cada vez
31
2.5. Conclusi
on y objetivos de la tesis
2.5. Conclusi
on y objetivos de la tesis
33
2.5. Conclusi
on y objetivos de la tesis
34
CAPTULO
Herramientas y Tcnicas
En este captulo se presentaran las herramientas y tecnicas utilizadas a lo largo del desarrollo
de esta tesis. Las diferentes estrategias involucradas evidencian el caracter multidisciplinario de
este trabajo. La clasificaci
on inicial se basa en dos grandes subgrupos como A. Procesamiento
de la informaci
on y B. Control de procesos. As en el primero podemos encontrar herramientas tales como: Transformada Wavelet Discreta (TWD), Analisis de Componentes Principales
(ACP), Redes Neuronales Artificiales (RNA), Sistema Experto (SE) y de Logica-Difusa (LD)
e Identificaci
on de Sistemas (IS). Por otro lado, el segundo grupo involucra las herramientas
y tecnicas referentes a control de procesos tales como: Control Predictivo basado en Modelos
(CPM) y Control Predictivo Adaptivo (CPA) entre otros.
A. Procesamiento de la Informaci
on
3.1.
An
alisis de componentes principales (ACP)
normalizada de X de forma tal que cada columna de X tenga media cero y varianza unidad,
es decir, sea una versi
on auto-escalada como muestra la Ec. 3.1.
= (X 1m b)/S
X
(3.1)
X
T
X
m1
(3.2)
y realizando la descomposici
on en valores singulares (DVS) de R como se muestra en la Ec.
3.3
R = UD UT
(3.3)
35
3.1. An
alisis de componentes principales (ACP)
3.1.1.
Selecci
on de los componentes principales
j=1
pva(l) = Pn
j=1 j
100 %
(3.4)
de esta forma el n
umero de componentes principales retenidos A estara dado por el valor
l para el cual pva(l) alcanza o supera un lmite predeterminado, digamos por ejemplo
95 % de informaci
on.
En la Figura 3.1 podemos observar los tres metodos anteriormente discutidos. En este
caso se utilizan 40 mediciones de un proceso de produccion de pulpa y papel. Como podemos
apreciar la diferencia entre estrategias de seleccion no resulta sustancial. A lo largo de esta
tesis utilizaremos el ndice PVA para seleccionar los componentes principales.
36
3.1. An
alisis de componentes principales (ACP)
3.1.2.
Estadstico de Hotelling (T 2 )
Recordando que la matriz de componentes principales retenidos P fue generada considerando los datos del proceso en comportamiento normal (causas comunes de variacion), el comportamiento futuro del proceso puede ser referenciado a esta zona.
De esta forma el estado del proceso puede ser monitoreado en todo momento utilizando el
estadstico de Hotelling, el cual es una medida de la distancia Mahalanobis al origen del SVD y
puede ser expresada como se muestra en la Ec. 3.5 para el caso de A componentes principales
retenidos.
2
T
(k)T
(3.5)
T 2 (k) =
D2
A P x
donde DA es la matriz diagonal de autovalores de la matriz de correlacion cuando solo han
sido seleccionados los primeros A de ellos.
Este monitoreo consiste en declarar funcionamiento normal del proceso solo si T 2 (k) T 2 ,
un tipo de evento anormal
donde T 2 es el lmite de confianza para T 2 . Podra ocurrir que alg
o falla no posea la variaci
on suficiente como para ser detectado sobre el SVD, produciendo que
T 2 se mantenga por debajo de su lmite de confianza. Para evitar esta perdida de detecci
on
este estadstico se complementa con uno adicional denominado error cuadratico de predicci
on
(ECP ) o Q.
Estadstico error cuadr
atico de predicci
on (ECP )
Este estadstico esta definido como la suma de los errores cuadraticos entre las mediciones
del proceso auto-escaladas y las predicciones efectuadas por el modelo ACP (reconstrucci
on
T
T
(k) tenemos que
de las se
nales reales). Es decir, recordando que t(k) = P x
x(k)T
T Pt(k) = x
T PPT x
(k)T = I PPT x
(k)T = C
x(k) = x
(3.6)
as podemos definir el estadstico ECP como
Q(k) = k
x(k)k =
C
x(k)T
(3.7)
37
3.1. An
alisis de componentes principales (ACP)
n
X
i=A+1
i ,
1/h
2 h(h 1) c 22 h2
1+
+
1
12
2 =
n
X
i=A+1
2i ,
3 =
n
X
i=A+1
3i ,
h=1
(3.9)
21 3
322
(3.10)
y c es la desviaci
on normal estandar para un dado .
Estos lmites generalmente se calculan para 95 % o 99 % de confianza, es decir, en condiciones normales de funcionamiento el 95 % o 99 % de los datos que conforman los estadsticos
se encuentran bajo estos lmites. Debe considerarse que esta forma de computar los lmites
es aproximada ya que se basa en suposiciones y simplificaciones tales como considerar distribucion normal de los datos, no correlacion temporal entre las variables y correlacion lineal.
Generalmente en la practica estos umbrales deben ser actualizados en lnea (Musulin (2005))
para obtener mejor rendimiento de monitoreo.
Por otro lado, existe una forma simple de aproximar dichos lmites de confianza basado en
la suposicion de que las mediciones del proceso se encuentran distribuidas en forma Gaussiana
(Wold (1994); Ruiz (2001)). As, el calculo del lmite superior de confianza resulta seg
un la
Ec. 3.11.
i = i + i ,
i = T 2, Q
= 2, 3
(3.11)
donde i hace referencia al lmite de confianza, i es el valor medio y i la desviacion estandar,
todo referido al estadstico i. En este caso = 2, 3 refiere a 95 %,99 % de confianza respectivamente.
Como un ejemplo, veamos el caso en que los datos normales del proceso X posee dimension
m = 1801 y n = 40. Utilizando la version auto-escalada de esta matriz se construye el
modelo estadstico mediante ACP considerando pva 90 %. Como resultado, se retuvieron
A = 12 componentes principales. La idea es comparar los lmites de confianza obtenidos por
los metodos anteriores resumidos en las Ecs. 3.8, 3.9 y 3.11. De esta forma llamaremos, como
se muestra el la Fig. 3.2, i,a , i,b y i,c respectivamente, siendo i = 99 %, 95 % de confianza.
En la Fig. 3.2 observamos la evoluci
on de los estadsticos T 2 y Q realizando tareas de
monitoreo en lnea del proceso. En este caso particular vemos el comportamiento cuando un
38
3.1. An
alisis de componentes principales (ACP)
(a) Estadstico T 2
(b) Estadstico Q
3.1.3.
ACP Din
amico
Cuando se construye un modelo ACP se asume que el proceso es estatico y lineal. A
un con
estas suposiciones en general el modelo sera capaz de monitorear el proceso correctamente
aunque algunas caractersticas de no correlacion se pierdan. Uno de los problemas principales
se evidencia en que los lmites de confianza deberan ser mas conservadores, para evitar falsas detecciones, con el inconveniente adicional de que el sistema no sera capaz de detectar
peque
nas fallas o perturbaciones (perdidas de deteccion). Para solucionar estos problemas se
ha desarrollado una versi
on dinamica del ACP (ACPD) (Ku et al. (1995); Li and Qin (2001)),
que consiste en aumentar la matriz de datos original X incluyendo datos del proceso con cierto
retardo (desplazamiento) temporal, es decir
X = [X(k), X(k 1), . . . , X(k l)]
(3.12)
donde l es el retardo sugerido y que debe ser conocido a priori. La variables del proceso son
decorrelacionadas entre s y con sus valores pasados.
39
3.1. An
alisis de componentes principales (ACP)
ACP Multiresoluci
on
Los metodos presentados de dise
no son a simple escala. La mayora de los procesos qumicos
poseen efectos a multiples escalas por naturaleza:
Los eventos ocurren en diferentes locaciones a diferentes tiempos y frecuencias.
Las variables del proceso son medidas a diferentes tasas de muestreo o con perdidas de
datos.
Uno de los principales problemas del ACP clasico (simple escala) es su limitada capacidad
de eliminar ruido. Este problema se torna mas evidente en la deteccion de peque
nas fallas que
podran ser no detectadas y de algunas fallas de valor considerable que son detectadas con alg
un
retardo temporal. Un modelo ACP a multiples escalas (ACPME) es un metodo para manipular
la informacion generada en una descomposicion a m
ultiples escalas mediante transformada
wavelet (Misra et al. (2002); Wang and Romagnoli (2005); Maulud et al. (2006)). De esta
forma los diferentes eventos a diferentes tiempos y frecuencias pueden ser observados en las
diferentes escalas y detectados eficientemente.
ACP Adaptivo
Una de las limitaciones del ACP clasico es la naturaleza cambiante de los procesos industriales. En general estos procesos poseen diferentes condiciones y modos de operacion. La
metodologa clasica de ACP podra generar un excesivo n
umero de falsas alarmas o eventualmente perdida de detecci
on de las fallas (Tien et al. (2004)).
Existen tres direcciones para solucionar estos problemas
Desarrollar una estrategia de identificacion de los diferentes modos de operacion del
proceso y construir un modelo ACP para cada uno.
Actualizar el modelo ACP adaptivamente para reflejar los cambios en las condiciones y
modos de operaci
on.
Desarrollar un modelo ACP clasico teniendo en cuenta todos los posibles modos.
La primera estrategia sufre del inconveniente de obtener un sistema de identificacion de modos
confiable. La tercera estrategia propuesta puede resultar en un monitoreo del proceso demasiado
conservativo. La segunda es la estrategia mas explorada, y existen diferentes algoritmos:
ACP m
ovil (ACPM): los parametros de escala del modelo ACP se actualizan instante a
instante por medio de una ventana temporal movil sobre los datos en estado normal de
funcionamiento.
ACP adaptivo (ACPA): el modelo completo es actualizado en lnea, matriz de correlacion,
componentes principales, parametros de escala, lmites de confianza, etc..
ACP pesado exponencialmente (ACPPE): similar a ACPA pero poniendo enfasis en los
datos nuevos recolectados.
Wold (1994) propone la utilizaci
on de filtros de media movil pesados exponencialmente (MMPE)
con ACP y mnimos cuadrados parciales (MCP). En Li et al. (2000) se analizan algoritmos de
actualizacion recursiva de la matriz de correlacion de los datos, de la media, de los componentes principales seleccionados, de los lmites de confianza, etc.. Una aplicacion de ACPPE
puede encontrarse en Lane et al. (2003).
40
3.2. Sistemas de l
ogica difusa (SLD)
3.2.
Sistemas de l
ogica difusa (SLD)
Un SLD es el u
nico que puede simultaneamente manejar conocimiento numerico y ling
ustico. Existe un gran n
umero de aplicaciones de logica difusa (LD) en diferentes areas como control, clasificaci
on de datos, sistemas expertos, optimizacion, modelado de procesos, procesado
de se
nal, etc. A continuaci
on se dara una breve descripcion de los aspectos mas relevantes
acerca de esta estrategia (MathWorks (2002); Musulin (2005)).
Esencialmente un SLD realiza un mapeo no lineal de un espacio de entrada dentro de un
espacio de salida. Esquematicamente esto puede observarse en la Figura 3.2. El proceso de
mapeo se encuentra dividido en tres zonas:
a- Mapeo de las variables de entrada en conjuntos difusos. Este procedimiento es conocido
como fuzzificaci
ona .
b- Proceso donde se lleva a cabo la inferencia. Aqu la logica difusa y la base de reglas son
aplicadas sobre los conjuntos difusos obtenidos previamente.
c- Finalmente la salida del SLD es obtenida utilizando metodos de defuzzificacionb . El
resultado de la inferencia (conjunto difuso agrupado) es convertido nuevamente en un
valor escalar representando la salida del sistema.
3.2.1.
Fuzzificaci
on de las entradas
(3.13)
41
3.2. Sistemas de l
ogica difusa (SLD)
(a) Sigmoidal
(b) Trapezoidal
(c) Gaussiana
3.2.2.
Operaciones l
ogicas y base de reglas
Los conjuntos difusos y los operadores difusos conforman las declaraciones condicionales
que sustentan la l
ogica difusa. As una regla simple general puede estar conformada como se
muestra a continuaci
on,
si (x es A) Y (r es B) entonces (z es C)
donde A, B y C son valores ling
usticos definidos por los conjuntos difusos (fA , fB y fC ) que
mapean los espacios de X, R y Z respectivamente. La parte si (x es A) Y (r es B) es
denominada antecedente o premisa y la parte entonces (z es C) es llamada consecuente o
conclusion.
El antecedente es una interpretaci
on que devuelve un n
umero entre 0 y 1 como resultado
de operar logicamente sobre la fuzzificacion de las entradas, por otro lado el consecuente es
una asignacion de un conjunto difuso C a la variable de salida z, la cual sera posteriormente
defuzzificada, como veremos.
Por lo tanto el razonamiento l
ogico difuso esta basado en la logica Booleana estandar. Es
decir, si la fuzzificaci
on de las entradas se realizara seg
un sus extremos, 1 para completamente
verdadero y 0 para completamente falso, las operaciones logicas estandar se pueden aplicar.
Ahora bien, recordando que la defuzzificacion propuesta anteriormente donde a un espacio de
42
3.2. Sistemas de l
ogica difusa (SLD)
entrada le asignabamos un grado de pertenencia entre 0 y 1 dado por el tipo de FP, debemos
de alguna forma alterar las funciones logicas estandar para poder trabajar con valores en este
rango, de esta forma resultan las siguientes analogas tpicas (uno podra tambien crear sus
propios metodos):
1. la conjunci
on l
ogica [fA (x) Y fB (r)], es reemplazada por la conjuncion difusa
mn(fA (x), fB (r));
2. la disjunci
on l
ogica [fA (x) O fB (r)], es reemplazada por la disjuncion difusa
m
ax(fA (x), fB (r));
3. el complemento l
ogico NO(fA (x)), es reemplazado por el complemento difuso
[1 fA (x)].
De esta forma, utilizando la l
ogica difusa el antecedente puede ser evaluado resultando en
un valor escalar entre cero y uno. Este valor se denomina grado de soporte de la regla y permite
cuantificar el grado de verdad o falsedad de dicho antecedente (1 completamente verdadero,
0 completamente falso).
El consecuente de una regla es un conjunto difuso representado por una FP la cual es
elegida para representar las cualidades de las premisas. Una vez calculado el grado de soporte
de la regla, este valor es utilizado por el llamado metodo de implicacion para transformar la
FP de la salida. Existen dos formas diferentes para realizar esta modificacion:
1. utilizando la funci
on mn() que produce el truncamiento de la FP teniendo en cuenta
el valor de soporte de la regla;
2. utilizando la funci
on prod() que produce un escalado del conjunto difuso de salida.
Este proceso es repetido para cada una de las reglas. Los conjuntos difusos de salida
truncados por el metodo de implicacion son agrupados y combinados utilizando el llamado
metodo de agregaci
on. Este proceso puede llevarse a cabo mediante tres formas diferentes:
1. utilizando la funci
on m
ax() que agrupa los conjuntos difusos quedandose con los maximos;
2. utilizando la funci
on probor(fA (x), fB (r)) = fA (x) + fB (r) fA (x)fB (r) que produce
una especie de funci
on disjuncion difusa probabilstica;
3. o simplemente utilizando la funcion sum() que produce la suma de las FP truncadas de
salida.
3.2.3.
Defuzzificaci
on
El proceso por el cual el conjunto difuso resultante del metodo de agregacion es convertido a
un valor numerico simple es llamado defuzzificacion. As, dicho conjunto puede ser representado
por un escalar.
Existen diferentes metodos para llevar a cabo este proceso de defuzzificacion, los mas
populares son:
1. promedio de los maximos, mayor de los maximos y menor de los maximos: estos tres
metodos se aplican sobre los valores maximos de la funcion miembro agregada. Si el
conjunto difuso posee s
olo un valor maximo los tres metodos coincidiran;
2. centroide: calcula el centro del area bajo la curva (centro de gravedad);
43
3.2.4.
Tipos de SLD
Los tipos de SLD ampliamente utilizados son los modelos Mamdami y Sugeno. En un
modelo difuso de Mamdami las entradas escalares son fuzzificadas de acuerdo con un conjunto
de FP. Los operadores l
ogicos difusos en las reglas se implementan mediante composiciones
de funciones m
axmn o variaciones de estas. El conjunto difuso obtenido es defuzzificado a
un valor escalar nuevamente mediante estrategias como centroide o medio de los maximos.
Por otro lado, los modelos difusos Sugeno han sido desarrollados para construir un metodo
sistematico para generar reglas desde una base de datos entrada-salida. Una regla tpica en un
modelo Sugeno posee la forma si (x es A)Y(r es B) entonces z = f (x, r), donde A y B son
conjuntos difusos del antecedente, mientras que z = f (x, r) es una funcion en el consecuente
que devuelve un escalar. Usualmente f (x, r) es un polinomio de las variables de entrada x y
r, pero podra ser cualquier funci
on que pueda describir correctamente la salida dentro de la
region difusa especificada por el antecedente de la regla.
3.3.
Generalmente los datos obtenidos de fenomenos reales estan compuestos por una superposicion de comportamientos de baja y alta frecuencia localizados a lo largo del dominio tem44
poral. Estas se
nales contienen numerosas caractersticas no estacionarias o transitorias, como,
derivas, tendencias, cambios abruptos, informacion acerca de comienzo y finales de eventos,
etc..
Hist
oricamente existen diferentes herramientas en el area de procesado de se
nal. Por un
lado el analisis de Fourier nos permite descomponer nuestra se
nal mediante funciones base
compuestas por sinusoides de diferentes frecuencias. As, se puede realizar un mapeo amplitud
tiempo a amplitudfrecuencia. El principal problema que presenta esta estrategia es la perdida
de informaci
on relacionada con el tiempo. Es decir visualizando la transformada de Fourier de
una determinada se
nal es imposible determinar cuando un evento particular toma lugar. Una
version adaptada de la transformada de Fourier resulta de considerar peque
nas secciones de la
se
nal en el tiempo, constituyendo la conocida transformada de Fourier enventanada que mapea
la se
nal a un dominio tiempofrecuencia. Esto provee alg
un grado de informacion acerca de
cuando y a que frecuencia ocurren los eventos. La precision en tiempo y frecuencia no pueden
elegirse individualmente resultando en una relacion de compromiso. La dimension de la ventana
limita directamente la precisi
on y en este procedimiento es el mismo para todas la frecuencias.
Muchas se
nales requieren una metodologa mas flexible, es decir una herramienta que pueda
modificar la dimensi
on de la ventana ya sea para mejorar resoluciones en tiempo o en frecuencia
(Mallat (1989); Daubechies (1990); Misiti et al. (2002)).
3.3.1.
An
alisis wavelet
jZ
45
donde AJ = j>J Dj se denomina aproximacion a nivel J y agrupa todos los detalles a niveles
superiores al J los cuales representan una aproximacion de P
la se
nal a menor resolucion. Los
detalles de mayor resoluci
on (j J) son agrupados en DJ = jJ Dj y se denominan detalles
de la se
nal a nivel J. As, podemos obtener una relacion entre niveles para las aproximaciones
y detalles de la forma
AJ = AJ+1 + DJ+1
(3.18)
dando una estructura de descomposici
on piramidal o arbol de descomposicion como se puede
observar en la Fig. 3.6, donde A0 = s(t) indica el comienzo de la estructura.
Un algoritmo eficiente para realizar la descomposicion wavelet fue desarrollado por Mallat
(1989). Este es un algoritmo popular en la comunidad de procesado de se
nales y esta basado
en reformular la descomposici
on wavelet como una estructura piramidal compuesta de convoluciones con filtros espejo en cuadratura (FEC) y tasa de muestreo variable dependiendo del
nivel j (filtrado multiresoluci
on). Una instancia de descomposicion puede observarse en la Fig.
3.7 para un nivel generico j. La se
nal discreta de aproximacion Aj+1 es convolucionada con
los filtros G y H para posteriormente ser diezmada en forma diadica (mantener a la salida una
muestra de dos).
Los filtros G (pasa-alto) y H (pasa-bajo) con respuestas al impulso g(k) y h(k) respectivamente son filtros espejo (g(k) = (1)1k h(1 k)) y estan directamente definidos por la
yH
poseen respuestas al
wavelet (t) y la funci
on de escala (t) seleccionadas. Los filtros G
(a) Funci
on wavelet (k)
(b) Funci
on de escala (k)
t2
10
(3.19)
donde r(t) es ruido uniformemente distribuido con media cero y varianza unidad; el segundo
aporte viene dado por una contribucion senoidal de frecuencia de f = 1 Hz. y finalmente
el tercer aporte representado por una evolucion cuadratica. El detalle a nivel 1, D1 (Fig.
3.9(b)) practicamente posee toda la informacion respecto del ruido aditivo. De forma similar
la aproximaci
on a nivel 5, A5 (Fig. 3.9(c)) resume la informacion de la contribucion cuadratica
y finalmente el detalle a nivel 5, D5 extrae el comportamiento de la contribucion seniodal.
3.4.
Las RNA originariamente surgen como una tecnica para modelar (emular) una red neuronal
biologica. La mayora de los tipos de RNA pueden incluirse en la siguiente definicion (Nrgaard
et al., 2001), sistema de elementos de procesamiento simples, neuronas, que estan conectadas
47
(a) Se
nal original s(k)
(c) Aproximaci
on a nivel 5
3.4.1.
La neurona
n
X
yi = fi (hi ) = fi
j wij + wi0
(3.20)
j=1
La funcion de activaci
on puede tomar cualquier forma, pero existen un conjunto de funciones ampliamente utilizadas como la tangente hiperbolica, la funcion signo (escalon), la curva
48
3.4.2.
!
n
nh
X
X
yi = gi (, ) = Fi
Wij fj
wjl l + wj0 + Wi0
(3.21)
j=1
l=1
donde nh es el n
umero de neuronas en capa oculta, n el n
umero de entradas externas, yi
la predicci
on realizada por la red para la salida i y = [wjl , Wij ] el vector de parametros
conteniendo todos los pesos y bias de la red.
49
3.4.3.
Aprendizaje de la red
Para determinar el valor de los pesos de la red es necesario contar con ejemplos (datos) de
como las salidas yi se relacionaran con la entradas l . La tarea de determinar los pesos utilizando estos ejemplos se denomina entrenamiento o aprendizaje de la red neuronal y basicamente
consiste en un problema convencional de estimacion de parametros. As, los pesos son estimados teniendo en cuenta alg
un tipo de metrica que permita cuantificar cuan aproximado es el
modelo respecto de los datos reales. La medida ampliamente utilizada es el error cuadratico
medio, definiendo as el funcional costo VN de la ec. 3.22.
VN (, Z N ) =
N
1 X
[y(k) y(k)]2
2N
(3.22)
k=1
donde Z N = [[1 , . . . , N ]T , [y1 , . . . , yN ]T ] es el conjunto de datos de entrenamiento conteniendo N muestras de las variables de entrada y salida respectivamente. La metodologa
entonces radica en entrenar la red neuronal (obtener el valor de los pesos) de forma tal que
minimice el criterio de la ec. 3.22, es decir
= arg mn VN (, Z N )
(3.23)
(3.25)
para cualquier vector v distinto de cero. As, el mnimo es encontrado usualmente utilizando
alg
un metodo de b
usqueda iterativa. Estos tipos de metodos parten de una condicion inicial
(0) y toman la forma
(i+1) = (i) + (i) (i)
(3.26)
donde (i) especifica la iteraci
on actual (i), (i) es la direccion de b
usqueda y (i) la magnitud
(i)
del paso. Las iteraciones contin
uan hasta que se encuentre suficientemente cerca del
mnimo .
El criterio en forma general podra tener mas que un mnimo, desafortunadamente esta
metodologa no garantiza converger hacia el mnimo global. Que este mnimo global se alcance
dependera de las condiciones iniciales (0) .
Una gran cantidad de metodos existen para abordar este tipo de problemas. Entre ellos
podemos enumerar: el metodo del gradiente, el de Newton, el de Gauss-Newton, el PseudoNewton y el Levenberg-Marquardt. Esencialmente los metodos se diferencian en la forma de
seleccionar la ley de actualizaci
on para (i+1) , en particular la direccion de b
usqueda (i) y el
paso (i) (Nrgaard et al., 2001; Demuth and Beale, 2002).
50
3.5. Identificaci
on de sistemas (IS)
3.5.
Identificaci
on de sistemas (IS)
3.5.1.
Procedimiento en IS
La construcci
on de un modelo desde datos observados de entrada-salida involucra tres
entidades basicas seg
un explica Ljung (1999),
Conjunto de datos
Los datos entrada-salida son a veces recolectados durante un experimento dise
nado especficamente para identificaci
on. El objetivo en el dise
no del experimento es seleccionar los
datos maximamente informativos. En otros casos no existe posibilidad de modificar el experimento y deben utilizarse datos recolectados de condiciones normales de operacion.
Estructura de modelo
La tarea mas importante y a la vez difcil del procedimiento de IS es la seleccion de la
estructura del modelo o el conjunto de modelos candidatos. A veces los modelos son construidos
basados en parametros fsicos desconocidos utilizando leyes fsicas basicas. En otros casos
pueden utilizarse modelos lineales sin ning
un fundamento fsico. Los modelos cuyos parametros
no reflejen consideraciones fsicas son denominados modelos caja negra.
Regla de evaluaci
on
Es necesario tambien una regla para determinar el mejor modelo en el conjunto. El metodo
de identificaci
on permite evaluar la calidad del modelo teniendo en cuenta como este reproduce
los datos observados.
3.5.2.
Problema cl
asico: Modelo ARX-Mnimos cuadrados lineales
Las entradas y salidas del sistema en un instante arbitrario k seran denotados como u(k)
e y(k) respectivamente. La relaci
on mas basica para vincular entrada y salida quizas sea una
ecuaci
on en diferencias lineal, del tipo
y(k) + a1 y(k 1) + + an y(k n) = b1 u(k 1) + + bm u(k m)
(3.27)
como los datos son recolectados generalmente por muestreo es mas conveniente representar el
modelo en tiempo discreto. El intervalo de muestreo se asume en una unidad para facilitar la
notaci
on. A este tipo de modelos se los conoce con el nombre de autorregresivo con entrada
externa (ARX) (Ljung (1999)).
Reordenando el modelo de la ec. 3.27 para expresar la salida en funcion de observaciones
previas podemos escribir:
y(k) = a1 y(k 1) an y(k n) + b1 u(k 1) + + bm u(k m)
= [y(k 1), , an y(k n), u(k 1), , u(k m)] [a1 , , an , b1 , bm ]T
(3.28)
51
3.5. Identificaci
on de sistemas (IS)
llamando a
(k) = [y(k 1), , an y(k n), u(k 1), , u(k m)]T
= [a1 , , an , b1 , bm ]T
(3.29)
(3.30)
Suponiendo que desconocemos los valores del vector de parametros pero contamos con
datos de entrada-salida recolectados durante el intervalo temporal 1 k N
Z N = {u(1), y(1), . . . , u(N ), y(N )}
(3.31)
entonces podemos utilizar la estructura del modelo propuesto en la ec. 3.30, y(k) = (k)T ,
de forma tal que las predicciones y(k) se ajusten lo mas posible con las observaciones de la
base de datos, mediante el metodo de mnimos cuadrados, es decir
mn VN , Z N
(3.32)
donde
VN , Z
N
N
2
1 X
1 X
2
=
(y(k) y(k)) =
y(k) (k)T
N
N
k=1
(3.33)
k=1
(3.34)
(3.35)
k=1
reordenando
N
X
(k)y(k) =
k=1
N
X
(k)(k)T
(3.36)
k=1
o equivalentemente
"
N =
N
X
k=1
3.5.3.
#1
(k)(k)
N
X
(k)y(k)
(3.37)
k=1
52
3.5. Identificaci
on de sistemas (IS)
N
X
#1
(k)(k)
(3.38)
k=1
N
1
X
(3.39)
k=1
i
=PN PN11 N 1 + (N )y(N )
h
i
=N 1 + PN (N ) y(N ) (N )T N 1
(3.40)
K(N ) =PN (N )
(N ) =y(N ) (N )T N 1
(3.43)
PN 1 (N )(N )T PN 1
1 + (N )T PN 1 (N )
(3.44)
(3.45)
PN 1 (N )(N )T PN 1
1 + (N )T PN 1 (N )
53
Tambien se puede desarrollar una estrategia similar considerando los errores en el funcional
de la ec. 3.33 pesados de diferente forma teniendo en cuenta el instante temporal. As surge
el algoritmo de MCR con factor de olvido presentado en el apendice A.
B. Control de Procesos
3.6.
3.6.1.
La idea b
asica
La Fig. 3.12 muestra la idea basica del control predictivo. En esta presentacion basica
discutiremos el caso de controlar una planta simple entradasimple salida (SISO). Asumiremos
que trabajamos en tiempo discreto donde el tiempo actual es denominado con k. Para este
instante de tiempo la salida de la planta es y(k) mostrandose tambien en la figura la historia
previa de la salida y la trayectoria de set point s(k) que idealmente la variable medida de la
planta debera seguir.
Distinta de la trayectoria de set point es la trayectoria de referencia r(k). Esta comienza
desde la salida actual y(k) y define una trayectoria ideal a traves de la cual la planta debera
volver a la trayectoria de set point, en caso de perturbacion por ejemplo. Frecuentemente se
asume que la trayectoria de referencia tiende a la trayectoria de set point exponencialmente desde la actual salida del proceso, con una constante de tiempo denotada por Tref que definira la
velocidad de la respuesta. Definiendo entonces el error actual de seguimiento como
(k) = s(k) y(k)
(3.46)
entonces la trayectoria de referencia es seleccionada de forma tal que el error decaiga exponencialmente, as i muestras despues sera
(k + i) = eiTs /Tref (k) = i (k)
54
(3.47)
(3.48)
Existen definiciones alternativas para la trayectoria de referencia, por ejemplo, una lnea
recta desde la salida actual que alcance el set point luego de un tiempo determinado.
Un control predictivo posee un modelo interno que es utilizado para predecir el comportamiento de la planta, comenzando en el instante actual, sobre un futuro horizonte de
predicci
on denotado por [Hw , Hp ]. Este comportamiento predicho depende de la trayectoria
de entrada asumida u
(k + i), con i = 0, 1, . . . , Hp 1, que ha sido aplicada sobre el horizonte
de predicci
on.
Generalmente es preferible imponer alguna estructura simple a la trayectoria de entrada
parametrizada por un n
umero peque
no de variables. Es decir podemos permitir solo Hu variaciones futuras de la se
nal de control y que el restante intervalo sobre el horizonte de predicci
on
dicha se
nal se mantenga constante (Maciejowski (2002); Jordan (1990)). Hu es conocido como
el horizonte de control. En el caso de la Fig. 3.12 la trayectoria de entrada vara las seis primeras
muestras y luego se mantiene constante, es decir u
(k + 5) = u
(k + 6) = . . . = u
(k + Hp 1),
as la trayectoria de entrada posee 6 parametros a seleccionar u
(k), . . . , u
(k + 5).
La obtenci
on de dicha trayectoria de entrada dependera de los objetivos de control. Basicamente podemos suponer que el modelo interno es lineal, que la funcion costo es cuadratica,
que las restricciones estan dadas en la forma de desigualdades lineales y que todo es invariante
en el tiempo. En particular podemos definir que el funcional costo penaliza la magnitud de la
trayectoria de control u(k) pero no a sus cambios 4u(k).
As podemos sugerir la funci
on costo mostrada en la Ec. 3.49 por ejemplo. Donde se
penalizan las desviaciones de las salidas controladas predichas y(k + i) respecto a la trayectoria
de referencia r(k + i). El horizonte de prediccion posee una longitud de Hp muestras pero no
es necesario comenzar la penalizacion inmediatamente (Hw = 1), en el caso de procesos con
tiempos muertos por ejemplo es conveniente ajustar Hw > Td para no forzar inicialmente
55
grandes cambios en la se
nal de control, donde Td es el tiempo muerto del proceso. Siempre
asumiremos que Hu Hp y que 4
u(k + i) = 0 para i Hu .
V (k) =
Hp
X
i2 [
y (k
+ i) r(k + i)] +
HX
u 1
i2 [
u(k + i)]2
(3.49)
i=0
i=Hw
(3.50)
3.6.2.
Modelo FIR
N
X
g(i)u(k i)
(3.51)
i=1
donde [g(1), g(2), . . . , g(N )] son los coeficientes FIR y N el orden del modelo. La funcion
objetivo en la ec. 3.49 puede evaluarse en forma matricial como
J(k) = eT (k)A2 e(k) + u
T (k)B2 u
(k)
(3.52)
(3.53)
(3.54)
la prediccion del modelo FIR (ver apendice B), donde se puede apreciar claramente las tres
partes involucradas, la informaci
on futura, la pasada y la prediccion de la perturbacion
u
(k) = [
u(k), , u
(k + Hu 1)]T
(3.55)
(3.56)
(3.57)
(3.60)
con
r1
r2
..
.
rHp Hw +1
T
d1
d2
.. =
.
1 T T T 2
[1, 0, . . . , 0] TT2 GT TT1 A2 T1 GT2 + B2
T2 G T1 A
(3.61)
[r1 , r2 , . . . , rHp Hw +1 ]T3 ST4
dN Hw
de esta forma la componente actual de control puede expresarse como
"
#
Hp Hw +1
Hp Hw +1
NX
Hw
X
X
ri z i1 [y(k) y(k)]
ri
u
(k) 1 +
di z i = z Hw yr (k)
i=1
i=1
i=1
(3.62)
denominando ahora
D (z 1 ) = 1 +
NX
Hw
i=1
Hp Hw +1
di z i ,
R(z) =
Hp Hw +1
ri z i1 ,
R(1) =
i=1
U (z) = 1 z
Yr (z) Y (z) Y (z)
D (z )
R(1)
ri
(3.63)
i=1
(3.64)
La ecuaci
on de control 3.64 necesitara compensacion estatica si queremos obtener cero
error de seguimiento en estado estacionario, as resulta la estructura de control de la ec. 3.65.
D (1)Kg Hw R(z)
U (z) = 1 z
Yr (z) Y (z) Y (z)
(3.65)
D (z )
R(1)
57
3.6.3.
En este caso el modelo esta representado mediante ecuaciones de estado en tiempo discreto
x(k + 1) = Ax(k) + Bu(k)
y(k) = Cx(k)
(3.66)
Y(k)
=
x(k) + u(k 1) + U(k)
+ (k)
(3.67)
Y(k)
= [
y(k + 1), . . . , y
(k + Hp )]T
U(k)
= [
u(k), . . . ,
u(k + Hu 1)]T
(3.68)
Hp
X
i=Hw
58
||
y(k + i) yr (k + i)||2Q(i) +
HX
u 1
i=0
||
u(k + i)||2R(i)
(3.69)
y matricialmente como
2
V (k) = ||Y(k)
T (k)||2Q + ||U(k)||
R
(3.70)
donde Y(k)
y U(k)
tienen la forma de las ecs. 3.68. Los restantes componentes de la
expresi
on anterior estan definidos como
yr (k + Hw )
..
T (k) =
.
yr (k + Hp )
Q=
R=
Q(Hw )
0
0
Q(Hw + 1)
..
..
..
.
.
.
0
0
R(0)
0
0
R(1)
..
..
..
.
.
.
0
0
0
0
..
.
0
0
..
.
(3.71)
Q(Hp )
R(Hu 1)
con
Q(i) =
q1 (i)
0
0
q2 (i)
..
..
..
.
.
.
0
0
0
0
..
.
R(j) =
qp (i)
r1 (j)
0
0
r2 (j)
..
..
..
.
.
.
0
0
0
0
..
.
(3.72)
rl (j)
Y(k)
T (k) =
x(k) + u(k 1) + U(k)
T (k) + (k)
= U(k)
E(k)
(3.73)
V (k) = ||U(k)
E(k)||2Q + ||U(k)||
R
T
T T
T T Q + R U(k)
(3.74)
donde
G = 2T QE(k),
H = T Q + R
(3.75)
Considerando el caso de trabajar sin restricciones podemos encontrar una expresion analtica
para el
optimo U(k).
Computando entonces el gradiente de la funcion costo respecto de
U(k)
V (k) = G + 2HU(k)
(3.76)
59
(3.77)
U(k)
= H1 G
2
Recordar que s
olo utilizaremos parte de esta solucion correspondiente al primer elemento
de esta secuencia en relaci
on directa con la filosofa de horizonte deslizante o movil. De esta
opt , es
forma, si tenemos l se
nales de control s
olo utilizaremos las primeras l filas de U(k)
decir
U(k)
=
H H
H G
(3.79)
2
resultando entonces la se
nal de control
optima a aplicar a la planta como
1 T 1 T
H H
H G
2
1 T T
= [I, 0, . . . , 0] HT H
H QE(k)
u(k) = [I, 0, . . . , 0]
(3.80)
= KM P C E(k)
donde
1 T T
KM P C = [I, 0, . . . , 0] HT H
H Q
(3.81)
y E(k) = T (k)
x(k)u(k 1). Resultando entonces en el diagrama en bloques mostrado
en la Fig. 3.14.
En Maciejowski (2002) se puede encontrar una excelente recopilacion teorica y aplicaciones
de control predictivo basado en modelos de estados lineales. En Patwardhan et al. (2006) se
proponen nuevas estrategias de modelado en EE y control predictivo multivariable aplicado a
CTF.
60
3.6.4.
(3.82)
y el funcional de la ec. 3.58 (o la ec. 3.73) vemos que la estructura del problema a resolver
ahora resulta
1 T
T
(3.83)
mn + , sujeto a
2
que es un problema clasico de optimizacion conocido como Problema de Programacion Cuadratica
(PPC) y existen numerosos algoritmos disponibles para su resolucion. En este caso la estructura
general de control puede representarse como se muestra en la Figura 3.15.
3.7.
Reescribiendo la expresi
on del modelo FIR de la seccion 3.6.2 como
+ (k)
y(k) = (k)T (k)
(3.84)
(k)
= [
g (1, k), . . . , g(N, k)]T
(3.85)
donde
podemos aplicar una estrategia recursiva de IS como se muestra en la seccion 3.5.3 por ejemplo,
para contar con un modelo del proceso que se actualiza en cada instante de muestreo.
Retomando el caso de la seccion 3.6.2 donde se desarrollo un control predictivo basado
en modelo FIR simple entradasimple salida, podemos construir un CAP actualizando nuestro
modelo y las matrices del controlador, las cuales a su vez tambien dependen del modelo.
En este caso la estructura de control de la ec. 3.65 se modifica a
D (1, k)Kg (k) Hw R(z, k)
(3.87)
61
3.8.
(3.89)
donde los g0 (i) = [h(i) h(i 1)]/u(k), con h(k) la respuesta de la planta a una excitacion
0 (z 1 )) genera
del tipo escal
on en u(k) de magnitud u(k). Este modelo nominal estable (G
mediante la metodologa mostrada en la seccion 3.6.2 un controlador estable dado por D0 (z 1 ),
R0 (z).
Reescribiendo las predicciones de este modelo FIR como
y(k) =
N
X
i=1
62
g (i)u(k i) +
N
X
i=1
g0 (i)u(k i) + (k)
(3.90)
(k)
= [
g (1, k), . . . ,
g (N, k)]T
(3.91)
como regresor en las entradas y vector de parametros respectivamente. Como se puede observar
de la ecs. 3.91 y 3.85 las estrategias CFRAP y CPA presentan en com
un el mismo regresor,
facilitando y promoviendo una futura interconexion.
En este caso la compensaci
on estatica resulta de
Kg (k) =
1
k) + G
0 (1)
G(1,
(3.92)
En Jordan (1990); Jordan et al. (2006) y Zumoffen et al. (2006, 2007) se presentan
aplicaciones de CAP y CFRAP basados en modelos FIR y aplicaciones tanto academicas como
experimentales.
63
64
CAPTULO
4.1.
Clasificaci
on de las fallas
Las fallas son eventos que pueden ocurrir en diferentes partes del proceso controlado. Los
elementos mas importantes involucrados en todo lazo de control son los sensores y actuadores.
En esta tesis en general se consideraran los siguientes posibles eventos: fallas en sensores, fallas
en actuadores, perturbaciones y cambios de puntos operativos. En particular se definiran las
fallas como:
Fallas en actuadores: pueden representar una perdida parcial o total de las acciones de control. Un ejemplo de perdida total de acciones de control es un bloqueo del actuador. Este
tipo de falla puede ocurrir por problemas de cableado o por problemas mecanicos. Las
fallas del tipo parciales, degradan las acciones de control, como su nombre lo indica en
forma parcial, dependiendo de la magnitud de dicha falla pueden resultar en incorrectas
acciones de control hasta la perdida total de estabilidad del lazo. Pueden incluir errores
en regimen (offset), retardos de accion (delay) o efectos no lineales (histeresis). En gen65
4.2.
Caso de aplicaci
on No 1: Caso acad
emico
Con el fin de poder visualizar concretamente el efecto producido por las fallas en un lazo
de control y familiarizarse con algunos conceptos, se presenta un proceso lineal definido por la
funcion de transferencia en el dominio transformado de Laplace de la ec. 4.3.
G(s) =
(1 + 2s)
(1 + 10s)(1 + 7s)(1 + 3s)
(4.3)
Hw
(mues.)
Hp
(mues.)
Hu
(mues.)
20
0.4
0.05
67
(a) Salida
(b) Entrada
(a) VC
(b) Ampliaci
on
68
(a) VC, of f = 1
(b) VM, of f = 1
(c) VC, of f = 1
(d) VM, of f = 1
4.2.1.
El primer paso l
ogico para tratar de dar solucion al problema planteado en la seccion anterior, es pensar en alg
un tipo de sistema que pueda incorporar informacion de las modificaciones
sufridas por el proceso durante su operacion. Todas las miradas recaen sobre el popular control adaptivo. En esta secci
on se presentara una estrategia de control predictivo adaptivo para
tratar de dar soluci
on a los problemas planteados con fallas en sensores y actuadores.
Retomando las ideas y conceptos desarrollados en las secciones 3.6 y 3.7, y considerando
el modelo FIR de la planta de la ec. 4.3, podemos reescribir las predicciones de dicho modelo
en un instante k como:
y(k) =
N
X
j=1+d
N
X
(4.4)
g(j)u(k j) + ppo
+ (k)
j=1+d
donde g(j) son estimaciones de los coeficientes del modelo FIR de la planta, u(k) es la se
nal
de control real aplicada al proceso, y(k) la prediccion de modelo,
(k)
=
y(k)
(k)
el
error
P
(j)u00 es el denominado
planta-modelo (estimaci
on de perturbacion), ppo
= y00 N
j=d+1 g
parametro de punto operativo (ppo), que tiene en cuenta el punto de operacion [y00 , u00 ], y d
es el tiempo muerto estimado fuera de lnea del proceso.
La ec. 4.4 puede escribirse de la forma
y(k) = au (k)T au (k) + (k)
(4.5)
(4.6)
donde
son las versiones aumentadas del regresor y el vector de parametros de las mostradas en la
seccion 3.7 para considerar ahora el parametro de punto operativo ppo.
Recordando ahora la estima de mnimos cuadrados con factor de olvido dada por la ec.
a.2 y la expresi
on de la matrix de covarianza de los datos de la ec. a.3, del apendice A, se
puede representar dicha matriz como una factorizacion del tipo PN = U D UT , denominada
factorizaci
on UD (ver apendice D). De esta forma, se evitan problemas con matrices mal
condicionadas dando mayor robustez al algoritmo. La actualizacion recursiva de la matriz
71
Es conocido que los algoritmos de estimacion recursiva sufren algunas dificultades cuando
el regresor no es una excitaci
on lo suficientemente persistente. Con la finalidad de evitar
actualizaciones indeseadas de la estima de parametros en momentos donde esta persistencia se
ha perdido, Kofahl (1992) y Jordan (1990) desarrollan y aplican ndices de monitoreo para la
excitacion. De esta forma el indicador zn (k) definido en la ec. 4.8 y su version filtrada, s1 (k)
de la ec. 4.9 conformaran la ley de conmutacion de la ec. 4.10, que permitira actualizar la
estima y redise
nar el controlador.
zn (k) =
(4.8)
donde 0 zn (k) 1, indicando que un sistema esta suficientemente excitado cuando este
ndice esta cercano a 0 y pobremente excitado cuando se encuentra cercano a 1. Su version
filtrada viene dada por
(
, si s1 (k 1) 0,8zn (k)
0,7s1 (k 1) + 0,3zn2 (k)
s1 (k) =
(4.9)
2
0,99s1 (k 1) + 0,01zn (k) , en otro caso.
de esta forma se habilitara la actualizacion de la estima de parametros y el redise
no del
controlador cuando
zn (k) < s1 (k)
(4.10)
ademas el redise
no del controlador permanecera en ese estado de actualizacion durante N
instantes de muestreo, donde N es el orden del modelo FIR. As, las matrices que definen el
controlador predictivo (ver secciones 3.6 y 3.7) se actualizaran correctamente acorde al nuevo
modelo del proceso identificado.
Inicialmente en la Fig. 4.6 se observa la evolucion temporal de la variable controlada (Fig.
4.6(a)) y su respectiva variable manipulada (Fig. 4.6(b)) cuando una falla en el actuador
ocurre en el instante Tf = 300 seg. de una magnitud de td = 12 seg.. En la Fig. 4.6(a) se
pueden apreciar dos comportamientos utilizando CAP, en una primera instancia el algoritmo
de estimacion recursiva actualiza el modelo FIR y las matrices del controlador manteniendo
fijo el inicio del horizonte de predicci
on, Hw . De esta forma se logra la estabilizacion del lazo
de control si comparamos esta figura con la Fig. 4.3. Una forma de mejorar el rendimiento
de dicho lazo de control cuando existen tiempos muertos es incluir esta informacion en el
algoritmo de control, mediante la actualizacion de Hw . Esto modifica las dimensiones de las
matrices del controlador, de forma tal que solo se consideran las predicciones en el intervalo
con
i = 1, . . . , N
(4.11)
donde es un valor de umbral. El inicio del horizonte de prediccion puede actualizarse como
+ 1, as las predicciones se eval
Hw (k) = d(k)
uan sin considerar las d(k)
muestras en el
funcional de la ec. 3.49 y se evita generar excesivas magnitudes en las acciones de control. La
incorporacion de esta estrategia de actualizacion y estimacion del retardo puede observarse en
72
(a) VC
(b) VM
0 (z 1 ) y G(z
1 , k)
(b) Modelo FIR, G
73
(b) Actualizaci
on/reconfiguraci
on
Hw0
(mues.)
Hp (k)
(mues.)
Hu
(mues.)
Hw (k) + 2
20
0.4
0.05
0.9
0.04
(a) VC
(b) VM
(4.12)
D(k)(k)
= R(k) yr (k) + [1, . . . , 1]T ppo(k)
y
utilizar como modelo FIR la version no aumentada para computar el error planta modelo
[1, . . . , 1]T y(k) T (k)(k) .
En la Fig. 4.9 se puede observar el comportamiento de la variable controlada (Fig. 4.9(a))
y manipulada (Fig. 4.9(b)) cuando una falla en el sensor de valor of f = 1 aparece en forma
75
(b) Actualizaci
on/reconfiguraci
on
Hw0
(mues.)
Hp (k)
(mues.)
Hu
(mues.)
Hw (k) + 2
20
0.01
0.9
0.04
4.2.2.
Los resultados mostrados anteriormente corresponden a los casos de un mal funcionamiento en los elementos del proceso tales como sensores y actuadores. En esta seccion se trata
de comprobar el funcionamiento de algunos algoritmos de control avanzado sujetos a modificaciones propias del proceso. Considerando que la planta puede evolucionar y modificar su
comportamiento se proponen los cambios de la ec. 4.14.
(1+2s)
(1+10s)(1+7s)(1+3s) , si t < tf 1 ;
(1+2s)e16s
(1+10s)(1+7s)(1+3s)
, si t tf 1 ;
G(s) =
(4.14)
(1+2s)e16s 1,5
,
si
t
t
;
f2
(1+10s)(1+7s)(1+3s)
(15s)e16s 1,5
, si t t .
(1+10s)(1+7s)(1+3s)
f3
Se pueden identificar 3 modificaciones sucesivas del proceso. Para t < tf 1 = 160 seg. la
planta se encuentra bajo funcionamiento normal y en este estado se realiza el dise
no de los
controladores respectivos. Para t tf 1 seg., la planta presenta un tiempo muerto extra de 16
seg., a su vez en el intervalo t tf 2 = 420 seg. su ganancia se ha modificado por un factor de
1.5 y finalmente para t tf 3 = 700 seg. el proceso presenta una modificacion en su dinamica
cambiando un cero de mnima fase (-1/2) por uno de no mnima fase (1/5).
En primer termino se analizara el comportamiento del CAP. En la Fig. 4.11 se muestran las
evoluciones de los parametros mas representativos en este caso. Por un lado, se puede observar
como el algoritmo tiende a inestabilizarse en la Fig. 4.11(a) provocando la saturacion de la
variable manipulada (Fig. 4.11(b)). A su vez, en la Fig. 4.11(c) puede apreciarse el modelo FIR
resultante de la identificaci
on recursiva, claramente pueden distinguirse las cuatro muestras de
retardo (Ts = 4 seg.) y la respuesta inversa debido al cero de no mnima fase. En la Fig. 4.11(d)
se observa la actualizaci
on del inicio del horizonte de prediccion acorde al retardo identificado
y la evoluci
on de la ganancia estatica de compensacion Kg (k) que ahora se ha modificado
para alcanzar el valor 0,6667 = 1/1,5.
En la secci
on 3.8 se present
o la estrategia de control mediante filtro robusto adaptivo
predictivo (CFRAP), como una alternativa a el CAP y como una peque
na modificacion de
este. Como se vi
o oportunamente el CFRAP se basa en utilizar un modelo FIR nominal fijo,
mediante el cual se dise
na un controlador predictivo fijo. Esencialmente las actualizaciones del
modelo vienen dadas por la ec. 3.88. A continuacion se presentaran los resultados de aplicar
CFRAP a este caso particular.
Como se puede apreciar de la Fig. 4.12 la estrategia de CFRAP resulta ser mas estable que
la CAP. En Jordan (1990) y Jordan et al. (2006) se han analizado en detalle las cuestiones
relacionadas con la estabilidad de los algoritmos. Basicamente, la actualizacion progresiva
77
(a) VC
(b) VM
1 , k)
(c) Modelo FIR, G(z
(a) VC
(b) VM
1 , k)
(c) Modelo FIR, G(z
80
D (1)Kg Yw (z)
i
1 ) D (1)Kg
D (z 1 ) + G(z 1 ) G(z
h
(4.16)
(a) VC
(b) VM
Hw0
(mues.)
Hp (k)
(mues.)
Hu
(mues.)
Hw (k) + 2
20
0.01
0.9
0.04
erroneos de los controladores y la consecuente inestabilidad del lazo. Por otro lado, el caso
0 (z 1 )) y un controlador (R0 (z) y D (z 1 )) ambos
de CFRAP esta basado en un modelo (G
0
1 , k)
estables y calculados fuera de lnea. Las estimaciones de los residuos del modelo G(z
estan permitidas a actualizarse en todo momento ya que introducen mnimas modificaciones
1 , k) = G
0 (z 1 ) + G(z
1 , k)).
en torno al modelo nominal (G(z
En la Fig. 4.15 puede observarse el comportamiento de las variables controlada y manipulada cuando la estrategia de CAPFRA es aplicada a la planta sujeta a cambios de la ec. 4.14.
A su vez los parametros involucrados en el dise
no de este controlador se pueden apreciar en la
Tabla 4.4.
Se puede observar como este algoritmo se adapta frente a los cambios del proceso, manteniendo la estabilidad, evitando saturaciones en la VM y brindando un buen seguimiento de la
trayectoria de referencia. De forma similar a los ejemplos mostrados en las Figs. 4.11 y 4.12,
en este caso se propuso aumentar la simulacion a 2000 seg. y analizar el error de seguimiento
en los u
ltimos 1000 seg. luego de las modificaciones del proceso, resultando el IAE = 130,9,
mostrando mejor rendimiento que los casos de CAP y CFRAP individualmente.
En la Fig. 4.16(a) se puede apreciar la actualizacion del modelo FIR en este ejemplo,
indicando la correcta identificaci
on del retardo (4 muestras) y el correspondiente efecto de
respuesta inversa del cero de no mnima fase. Por otro lado en la Fig. 4.16(b) puede observarse
el comportamiento de los indicadores de persistencia de la excitacion que habilitan o no la
actualizacion de la estima. A su vez en la Fig. 4.16(c) se presenta la evaluacion de la estabilidad del polinomio D (z 1 , k) y la variable modo indicando en que momento son activados
los algoritmos de CAP y CFRAP. Finalmente, en la Fig. 4.16(d) se resumen las evoluciones
del inicio del horizonte de predicci
on Hw (k) actualizado con la estimacion del retardo y la
estimacion de la ganancia estatica de compensacion Kg (k) que converge a su correcto valor
82
1 , k)
(a) Modelo FIR, G(z
4.2.3.
Sinopsis
En primera instancia y en base a los resultados obtenidos la estrategia de CAPFRA propuesta aqu parece dar un abordaje adecuado al problema de fallas en elementos de proceso. Esta
metodologa permite integrar el monitoreo de procesos con un mecanismo de readaptaci
on
para transformar el lazo de control en uno tolerante a fallos, as como tambien otorgar un
correcto tratamiento de posibles modificaciones propias del proceso. De todas formas, estos
resultados satisfactorios obtenidos sobre un proceso lineal y SISO deben ser analizados mas
en detalle sobre plantas mas complejas. En la seccion siguiente se propone esta estructura de
control sobre un reactor de tanque agitado continuo con camisa. Si bien el modelo de la planta
es simple presenta no linealidades tpicas de procesos qumicos.
83
4.3.
Caso de aplicaci
on No 2: Reactor de tanque agitado continuo
(RTAC) con camisa
En este caso particular se propone trabajar con un proceso mas realista que una simple
funcion de transferencia. Se definen dos tipos de fallas especficas en elementos del proceso
como fallas en sensores del tipo offset abrupto y retardos extra introducidos por el actuador
en el lazo de control. Mientras la primera ha sido ampliamente analizada en la literatura los
retardos variables en procesos no han tenido igual suerte. Solo algunos trabajos abordan este
problema como por ejemplo Richard (2003); Bjorklund and Ljung (2003), Gao et al. (2005) y
Jiang and Zhou (2005) en casos simples y academicos. Muchos procesos qumicos presentan
este efecto debido ya sea a mal funcionamiento de los actuadores/valvulas como tambien por
transporte de materia, retardos de comunicacion, etc.
Existen algunos trabajos que abordan la compensacion de fallas en elementos de proceso
considerando s
olo alg
un caso particular y sin proponer fallas secuenciales y perturbaciones no
medidas del proceso. Este hecho limita demasiado el marco de aplicacion de tales estrategias.
Por ejemplo en Tao et al. (2002); El-Farra (2006) abordan el problema de compensacion solo
de fallas en actuadores del tipo offset abrupto. El primero por una metodologa adaptiva y el
segundo por conmutaci
on de estrategias de control. Por otro lado, en Patwardhan and Shah
(2005); Patwardhan et al. (2006) se aborda el problema de compensar offset en sensores y
actuadores para procesos multivariables con estrategia basada en modelos en ecuaciones de
estados.
La propuesta presentada en esta secci
on es una nueva estrategia de CTF (Zumoffen et al.,
2006, 2007) para compensar los efectos de fallas en sensores y actuadores, a
un cuando estan
presentes perturbaciones no medidas del proceso y ruido de medicion. La idea general es desarrollar un SDEF que brinde apoyo a una poltica de CAP y CAPFRA. Basicamente la estrategia
CPAFRA amalgama los beneficios de CAP y CFRA individualmente. El SDEF se encuentra
desarrollado en torno a herramientas de procesado de se
nal como la transformada wavelet
discreta e identificaci
on de sistemas. La integracion SDEF/CAPFRA mejora los rendimientos
de CAP individual y de la integraci
on SDEF/ CAP.
En este caso el proceso consiste de un reactor de tanque agitado continuo (RTAC) refrigerado mediante una camisa (Primucci and Basualdo (2002)). En dicho reactor toma lugar una
reaccion irreversible y exotermica de la forma A B. El modelo, si bien es simple, presenta
aspectos relevantes respecto del dise
no de un lazo de control para sistemas no lineales. En la
Fig. 4.17(a) puede observarse la estrategia de control y el esquema de la planta. El proceso se
encuentra rigurosamente modelado por un balance de componentes y un balance de energa
representados en la ec. 4.18,
dCA
FinA
= k0 eP/T1 CA +
(CinA0 CinA )
dt
V1
dT1
FinA
QJP
=k1 eP/T1 CA +
(TinA T1 ) +
dt
V1
P cP V1
(4.18)
(4.19)
Definicion
Unidades
Flujos
Temperaturas
Concentraciones
m3 /sec.
oK
mol/m3
Ts
Hw
HP
Hu
CAP
CAPFRA
2
2
20
20
3
3
7
7
1
1
0.001
0.001
diag(1, ..., 1)
diag(1, ..., 1)
0.65
0
0.99
0.95
(c) Perturbaci
on TinA , VC (T1 )
(d) Perturbaci
on TinA , VM (FJ0 )
86
(a) VC, T1
87
(c) VC indirectamente, CA
4.3.1.
Dise
no del SDEF
La idea basica es desarrollar un sistema hbrido que permita la correcta actualizacion del
controlador y compense los efectos producidos por las fallas funcionando en lnea con el proceso.
Para el caso de fallas en valvulas (tiempo muerto extra), la correcta actualizacion del inicio
del horizonte de predicci
on Hw , permite redise
nar las matrices de transformacion T1 , T2 , T3
y T4 del controlador y lograr un ajuste correcto acorde a las modificaciones dinamicas del
proceso. Por otro lado, las fallas en sensores producen la modificacion del punto operativo
real de la planta y su efecto en las variables medidas es un transitorio de corta duracion, esto
implica que el SDEF debera ser lo suficientemente rapido para no perder esta informacion. La
correcta estimaci
on de la magnitud de la falla en el sensor permitira realizar la correspondiente
compensacion mediante la estrategia mostrada anteriormente utilizando el parametro de punto
operativo ppo,
que puede ser visto como una actualizacion de la trayectoria de referencia.
88
Detecci
on y estimaci
on de fallas en v
alvulas
El problema de estimar el tiempo muerto en procesos ha sido ampliamente estudiado.
Durante los u
ltimos a
nos diferentes estrategias con variados resultados se han aplicado dependiendo del caso en estudio. Estos metodos pueden clasificarse seg
un propone Bjorklund and
Ljung (2003) como:
1. modelo de aproximaci
on del retardo temporal;
2. parametro explcito del retardo temporal;
3. area y momento;
4. estadsticos de orden elevado;
cada una de estas estrategias estan basadas en identificacion fuera de lnea.
Como se observ
o anteriormente el modelo FIR esta encargado de modelar la dinamica
entrada-salida completa (actuador-planta-sensor) del proceso. Debido a las fuertes no linealidades este modelo puede no actualizarse correctamente, es decir, no resulta ser lo suficientemente preciso para realizar la estimacion del retardo directamente por umbralizacion.
En este caso se propone utilizar una estrategia local sobre el actuador en cuestion y aplicar
el metodo basado en parametro explcito del retardo temporal en lnea. De esta forma se
podra detectar e identificar eficientemente el retardo producido por un mal funcionamiento
del actuador. En primer lugar se propone un modelo autoregresivo con entrada externa (ARX)
para modelar el comportamiento del sistema actuador-valvula. Este modelo vincula mediante
una relaci
on lineal la se
nal de control (entrada) y la medicion efectiva del flujo de refrigerante
que ingresa la camisa (salida). Cuando la valvula trabaja normalmente dentro de un rango
especfico su comportamiento se asemeja a un sistema lineal facilitando obviamente las tareas
de detecci
on y estimaci
on. De esta forma las estimaciones del retardo generadas por el modelo
ARX seran utilizadas para actualizar el controlador en lnea.
El modelo discreto del sistema actuador/valvula puede observarse en la ec. 4.20, donde y(k)
es la medici
on del flujo refrigerante, u(k) es la se
nal de control calculada por el controlador,
y y(k) es la estimaci
on del flujo refrigerante dada por el modelo ARX.
Gvm (z 1 ) =
b1 + b2 z 1 + + bnb z nb +1 d
z
1 + a1 z 1 + + ana z na
(4.20)
Nw
2
1 X
FJ0 (k i) Gvm (z 1 , d)u(k i)
Nw
(4.21)
i=1
89
donde
Gvm (z 1 , d) =
b1 z d
(1 + a1 z 1 )
(4.22)
es el modelo del sistema actuador/vbalvula. La identificacion fuera de lnea con datos historicos
en funcionamiento normal (d = 0) resulto en los siguientes parametros del modelo na = 1,
nb = 1, a1 = 0,0067 y b1 = 0,9933.
De esta forma la identificaci
on del retardo en lnea puede resumirse como
= arg mn [V (k, d)] ,
d(k)
d
con
0 d dmax
(4.23)
Por medio de esta estrategia se realiza un monitoreo continuo del lazo. As, cualquier modificacion del tiempo muerto en el sistema actuador/valvula es detectado, estimado y reportado
en lnea. La metodologa empleada aqu para integrar el SDEF con el control y convertirlo en
tolerante es la misma que la mostrada en las secciones anteriores, el inicio del horizonte de
prediccion es actualizado de forma aditiva como Hw (k) = d + 1 medido en muestras. Por lo
tanto el orden de las matrices del controlador se adaptan de forma correcta.
Detecci
on y estimaci
on de fallas en el sensor
Este tipo de fallas producen un efecto similar a un rechazo de perturbaciones en un lazo cerrado de control. Por ello, es indispensable contar con una herramienta de rapida accion capaz
de detectar cambios rapidos y de corta duracion en las se
nales medidas. Una herramienta ampliamente utilizada en el area de procesado de se
nales es la transformada wavelet discreta (ver
seccion 3.3). Esta estrategia permite descomponer una se
nal mediante un banco de filtros (paso bajo y paso alto) de multiresoluci
on y analizar dicha se
nal a diferentes escalas frecuenciales
(Mallat (1989); Daubechies (1990)). Esta transformada puede implementarse eficientemente
mediante el algoritmo de Mallat (1989), el cual es un clasico esquema de descomposicion
utilizado en la comunidad de procesamiento de se
nales.
En esta aplicaci
on especfica se ha seleccionado una wavelet madre de la familia Daubechies
de orden 3 y el nivel de descomposici
on ha sido seleccionado en 1. De esta forma el algoritmo
de descomposici
on es aplicado a la medicion de la temperatura de reaccion T1 como se puede
observar en la Fig. 4.21. En este caso se proponen tres fallas secuenciales arbitrarias en el sensor
del tipo offset abrupto, ocurriendo en los instantes tf 1 = 200, tf 2 = 400 y tf 3 = 600 seg., y
con magnitudes of f = 1, of f = 0,5 y of f = 2 o K respectivamente. Como se observa en la
Fig. 4.21(a) efectivamente cada falla producida en el sensor es compensada como si se tratara
de una perturbaci
on de salida, desapareciendo (de forma ficticia) su efecto breves instantes
despues de ocurrido. Teniendo en cuenta el algoritmo de descomposicion mostrado en las Figs.
3.6 y 3.7, en este caso la se
nal original denominada como A0 = T1 es descompuesta mediante
filtrado paso bajo y paso alto en una se
nal de aproximacion a nivel 1, A1 y una se
nal de
detalle a nivel 1 D1 respectivamente. En la Fig. 4.21(b) se puede apreciar dicha aproximacion
y claramente es una versi
on filtrada de la se
nal original. En la Fig. 4.21(c) se pueden apreciar
los detalles de alta frecuencia de dicha se
nal. Claramente se observa como los valores maximos
de los picos presentes y sus direcciones de ocurrencia (patron de la falla) en el filtrado paso
alto guardan informaci
on directa respecto de la magnitud y signo de la falla ocurrida. Ademas,
esta estrategia presenta una excelente resolucion temporal y aislamiento en la deteccion.
Desde el punto de vista del dise
no esta metodologa permite por multiresolucion generar
diferentes aproximaciones y detalles para maximizar o minimizar el contenido frecuencial de
la se
nal original. Seleccionando entonces la wavelet madre y su orden as como el nivel de
descomposicion se puede adecuar el dise
no a diferentes escenarios.
La integraci
on al control tolerante a fallos en este caso es realizada mediante una estrategia
similar a la mostrada en la ec. 4.13 considerando el parametro de punto operativo ppo(k).
Si
90
(a) VC - T1 medici
on original
(b) Aproximaci
on a nivel 1
(4.24)
donde w(k) es la referencia actualizada, w0 (k) la referencia original, o es el parametro proporcional de dise
no para la estimacion del offset y |po (k)| el valor absoluto de la magnitud
maxima alcanzada por el pico de la se
nal D1 en k.
La estructura final de integracion entre la estrategia de control y el SDEF puede observarse
91
Ts
Wavelet/orden
Nivel de
descomposicion
Nw
a1
a2
APC/APCWRF
Daubechies/3
200
0.0067
0.9933
92
(a) VC - T1
(b) VM - FJ0
(c) Estimaci
on del retardo
Figura 4.23: Algoritmo de CAP y CAPFRA integrado con el SDEF - Falla en actuador
Tabla 4.8: Rendimiento con fallas en actuadores y sensores
Falla en actuador
Falla en sensor
Metodo
CAP(d = 10seg.)
CAPFRA(d = 15seg.)
Con SDEF
IAE
No
5.99
No
5.70
Si
4.09
Si
4.72
CAP
No
850.52
Si
183.77
CAPFRA
No
912.7
Si
167.79
CAPFRA integrado con el SDEF cuando suceden diferentes eventos secuenciales. En primer
lugar la trayectoria de referencia es cambiante, en segundo termino aparece en tp = 200 seg
una perturbaci
on no medida en la planta referente a TinA de magnitud 2 o K. Finalmente
aparece un offset en el sensor de temperatura de reaccion a los tf = 400 seg. con un valor de
2 o K. En las Figs. 4.25(a) y 4.25(b) se presenta el efecto que tienen dichos eventos sobre la
VC (T1 ) y la VC indirectamente (CA ). Se puede observar como el control tolerante permite la
93
(a) VC - T1 medida
(b) VC - T1 real
(c) VC Indirectamente - CA
(d) Estimaci
on del offset
Figura 4.24: Algoritmo de CAP y CAPFRA integrado con el SDEF - Falla en sensor
compensacion de la falla en el sensor de forma efectiva retornando la variable real del proceso
a su punto operativo original y manteniendo la VC indirectamente en su trayectoria deseable.
La perturbaci
on es rechazada correctamente. La informacion entregada por el SDEF se puede
observar en la Fig. 4.25(c) la cual posee una correcta resolucion temporal de deteccion y el
adecuado valor del offset estimado. En la Fig. 4.25(d) se puede apreciar el detalle a nivel 1
(D1 ) resultante de la descomposici
on wavelet en este caso. Puede distinguirse la muy buena
resolucion temporal de la detecci
on as como tambien el aislamiento de la falla otorgando
robustez y evitando el falso diagn
ostico del SDEF ante diferentes eventos simultaneos. Tanto
la perturbacion como los cambios en la trayectoria de referencia estan en el mismo orden de
magnitud que el valor de la falla, es decir son todos eventos que afectan al proceso de forma
similar.
Finalmente las simulaciones que se muestran en la Fig. 4.26 permiten analizar el desempe
no del algoritmo de control tolerante CAPFRA/SDEF bajo un funcionamiento regulador
en presencia de diferentes eventos secuenciales. En este caso la medicion de temperatura se
94
(a) VC - T1
(b) VC Indirectamente - CA
(c) Estimaci
on del offset
Figura 4.25: Algoritmo CAPFRA con SDEF - Falla en sensor, perturbacion y seguimiento de
la referencia
ve afectada por ruido blanco aditivo de potencia 0,01. En el instante tf 1 la valvula comienza a
fallar introduciendo un retardo adicional en el lazo de 15 seg.. De forma secuencial, en tp = 200
seg. aparece una perturbaci
on no medida TinA = 2 o K y finalmente en tf 2 = 400 seg.
ocurre un offset en el sensor de T1 de magnitud 2 o K. En la Fig. 4.26(a) se puede observar
el comportamiento temporal de la VC cuando no existe ning
un SDEF integrado, se observa
como la falla en valvula produce un efecto inestabilizador en el lazo de control y a su vez
como la falla en el sensor no puede ser compensada resultando en un cambio del punto operativo real del proceso. La perturbacion es rechazada correctamente. En contraposicion, en
la Fig. 4.26(b) se puede apreciar el mismo comportamiento pero con un SDEF integrado con
el algoritmo CAPFRA. Inicialmente se observa como la compensacion del retardo extra introducido por la valvula resulta en menos oscilaciones sobre la VC otorgando mejor rendimiento
como regulador, a su vez la reconfiguracion de la trayectoria de referencia permite retornar
a la variable real a las proximidades del punto operativo deseado. La Fig. 4.26(c) resume
95
(c) VC Indirectamente - CA
(d) Estimaci
on del retardo y offset
Figura 4.26: Algoritmo CAPFRA con SDEF - Falla en sensor, en el actuador, ruido de medicion
y perturbacion
el comportamiento de la VC indirectamente CA considerando el algoritmo de CAPFRA y el
control tolerante CAPFRA/SDEF. Los beneficios de contar con una estrategia integrada son
evidentes, ya que aseguramos tener dicha variable bajo especificacion. La Fig. 4.26(d) muestra
las salidas del SDEF, por un lado la estimacion del retardo presente en el lazo de control
y por otro la predicci
on del valor y direccion del offset introducido por el sensor. Como se
puede apreciar la resoluci
on temporal de deteccion es correcta as como los valores estimados
de las fallas. El efecto producido por la medicion ruidosa de la temperatura puede observarse
en la Fig. 4.26(e), aqu se presenta el detalle a nivel 1 (D1 ) generado de la descomposicion
wavelet. Las buenas caractersticas de aislamiento de la falla son evidentes, permitiendo una
96
buena discriminaci
on del efecto de la falla. En el caso en que la potencia del ruido sea tal que
compromete el aislamiento, la descomposicion puede realizarse utilizando una mayor cantidad
de niveles (o una familia wavelet diferente) y aislando los efectos en diferentes detalles. De
todas formas existe una cuesti
on de compromiso entre la potencia del ruido y la magnitud
mnima de la falla que se puede detectar, aislar y estimar.
4.3.2.
Sinopsis
Los resultados mostrados en esta seccion resumen los beneficios de contar con un SDEF
integrado con una estrategia de control. As, el lazo resultante es transformado en tolerante a
fallos (activo) mediante reconfiguracion del propio controlador y por medio del ajuste en lnea
de la trayectoria de referencia. Ademas desde el punto de vista del algoritmo de control se
pudo observar c
omo la estrategia de CAPFRA resulta en una alternativa interesante para los
algoritmos de CAP que deban operar bajo condiciones cambiantes de la planta y de escasa
persistencia en la excitaci
on. Desde el punto de vista del dise
no del SDEF se pudo observar
como estrategias de dise
no hbridas (identificacion de sistemas y procesado de se
nal) permiten
manipular la informaci
on del proceso y decidir respecto de su estado. La informacion resultante
del SDEF es utilizada directamente para mejorar las condiciones de rendimiento y estabilidad
del lazo de control, utilizando tecnicas de actualizacion en lnea. La capacidad del SDEF de
cuantificar la magnitud de las fallas resulta de vital importancia a la hora de poder compensar
el efecto de los eventos anormales. Diferentes entornos de trabajo, en una escala creciente de
complejidad, se han probado a lo largo de la seccion anterior: sistema lineal fijo, cambiante
(delay, ganancia, ceros), un sistema no lineal (RTAC) libre de fallas, RTAC con fallas, comportamiento como servo, como regulador, mediciones ruidosas, fallas secuenciales, as como
tambien diferentes combinaciones, en todos los casos el beneficio de contar con una estrategia
de SDEF integrada con la de control resulta evidente y para ello se han evaluado ndices de
rendimiento tales como IAE.
El dise
no e integraci
on de un SDEF puede resultar relativamente simple y efectivo en casos como los mostrados en las secciones anteriores, donde el proceso en cuestion resulta ser
SISO (lineal o no). En estos casos simples estrategias de dise
no del SDEF basadas en modelos
simplificados y procesado de se
nal pueden representar una solucion adecuada. Por otro lado
cuando el proceso incrementa su complejidad, ya sea por dimension o por las no linealidades
existentes, estrategias de dise
no basadas en modelos simplificados pueden brindar solo soluciones parciales vinculadas a rangos de aplicacion, por otro lado estrategias de procesado de
se
nal como la mostrada aqu deberan repetirse por cada lazo de control dando una restricci
on
obvia de complejidad computacional. A
un pudiendo salvar estos inconvenientes la estrategia
as definida puede ser vista como una que genera soluciones locales a los lazos de control y
no posee una estructura global de manejo de la informacion. La seccion siguiente presenta el
dise
no de un sistema de detecci
on, diagnostico y estimacion de fallas (SDDEF) para grandes
y complejos procesos qumicos y la integracion a la estrategia de control existente.
97
98
CAPTULO
5.1.
Dise
no del SDDEF
5.1. Dise
no del SDDEF
5.1.1.
Monitoreo y detecci
on de fallas: ACP, ACP adaptivo y estadsticos
combinados
En la secci
on 3.1 se present
o en detalle la estrategia de ACP clasico, el monitoreo de
procesos basados en estadsticos de control tales como T 2 o Q y las diferentes metodologas
para la selecci
on de los componentes principales.
Una de las principales limitaciones del ACP clasico es su capacidad de trabajar correctamente con la naturaleza cambiante de los procesos industriales. Las diferentes condiciones de
operacion y modos pueden producir un n
umero excesivo de falsas alarmas o alternativamente
perdida de detecci
on de las fallas del proceso. En la literatura especializada pueden encontrarse
diferentes estrategias para solucionar estos inconvenientes (Tien et al. (2004)).
En esta secci
on se propone una nueva estrategia de ACP adaptiva (ACPA) basada en
estadsticos combinados (Yue and Qin (2001)) para realizar las tareas de monitoreo y deteccion de fallas en procesos de naturaleza cambiante. Esta estrategia es comparada con una
metodologa clasica para diferenciar claramente los aportes y beneficios. Ademas, este nuevo
algoritmo desde su construcci
on esta pensado para integrarse con los subsistemas de clasificacion y estimaci
on de fallas, focalizado en la interconexion con el CTF.
El modelo de ACP (P) se construye utilizando la matriz de datos normal la cual posee
informacion respecto de las variaciones de causa com
un alrededor del punto operativo del
proceso. EL estadstico de Hotteling T 2 para un nuevo dato obtenido desde el proceso es una
medida de su distancia respecto del origen del SVD. Este origen y sus proximidades delimitan
la llamada zona bajo control. Puede ocurrir que el estadstico de Hotteling permanezca bajo
su lmite de confianza a
un cuando un evento anormal ha ocurrido, esto principalmente se
debe a que el evento no posee la suficiente variacion sobre el SVD. Para evitar este tipo
de inconvenientes se propone vincular los estadsticos de monitoreo T 2 y Q. As entonces se
define el estadstico combinado z como se muestra en la ec. 5.1 que permite, en adicion con
la estrategia ACPA, monitorear el proceso bajo condiciones cambiantes y mejorar el tiempo de
deteccion, minimizar las falsas alarmas y la perdida de deteccion.
z(k) =
T 2 (k)
Q(k)
+
T 2 (k) Q (k)
(5.1)
Notar que z(k), T 2 (k) y Q(k) son los estadsticos computados para la medicion actual del
proceso x(k). Por otro lado, T 2 (k) and Q (k) son los limites de control actualizados para
el instante temporal k utilizando alg
un criterio de nivel de confianza (95 % o 99 %) y la
estrategia vista en la secci
on 3.1. Bajo estas definiciones una condicion de operacion normal
puede definirse si z(k) z , donde z es el nuevo lmite de control.
En la Fig. 5.1 puede observarse el nuevo algoritmo propuesto de ACPA con estadsticos
combinados. El algoritmo comienza con una etapa de inicializacion (k = 0), donde se procesan
los datos que representan el estado normal de operacion X y se obtienen los datos en estado
normal autoescalados X cuyos parametros de escala vienen dados por b(0) y s(0) siendo
estos el vector de medias y varianza respectivamente. A continuacion se calcula la matriz
de correlacion de los datos R y su descomposicion utilizando DVS, as podemos obtener el
modelo ACP (P). Los A componentes principales se seleccionan mediante la estrategia PVA
considerando un pva %. Los lmites de confianza iniciales son ajustados a T 2 (0) y Q (0)
100
5.1. Dise
no del SDDEF
Inicializaci
on, k = 0: adquirir datos de entrenamiento en condiciones normales de operaci
on X. Aplicar auto-escalado de los datos de entrenamiento para obtener media cero y varianza unidad X con los factores de escala
b(0) y s(0). Obtener la matriz de correlacion de los datos R y realizar
la DVS para construir el modelo P, seleccionar los componentes principales iniciales A(0) utilizando el criterio PVA con pva %. Determinar
los lmites de control T 2 (0) y Q (0). Ajustar la dimension de la ventana
m
ovil Nw y la matriz de datos normales Xn (0).
Monitoreo, k > 0: obtener la proxima medicion del proceso x(k).
(1) Escalar x(k) los factores de escala y obtener x(k).
(2) Evaluar los estadsticos T 2 (k) y Q(k) con el modelo ACP actual.
(3) Construir el estadstico combinado z(k) con los u
ltimos lmites de
control T 2 (k 1) y Q (k 1).
(4) Comprobar si z(k) z . Si esto es cierto actualizar la matriz de datos
normales Xn (k) borrando el dato mas antiguo y concatenando el nuevo
x(k).
(5) Si z(k) > z ajustar una alerta de peligro. Si Na alertas de peligro
consecutivas se presentan ajustar una alerta de falla.
(6) Si un alerta de falla es encendida, almacenar el vector de datos del
proceso x(k) en una matrix auxiliar Xaux durante las proximas Naux
muestras.
(7) Si un alerta de falla ha sido encendida y k >= Naux actualizar los
factores de escalado b(k) y s(k) utilizando la matriz de datos auxiliar
Xaux .
(8) Actualizar los lmites de control T 2 (k) y Q (k), utilizando la matriz
de datos normales actual y el nivel de confianza .
(9) Realizar la DVS de la matriz de autocorrelacion de los datos normales
Xn (k).
(10) Seleccionar los componentes principales retenidos A(k) utilizando el
criterio PVA con pva %. Actualizar el modelo ACP y
(11) Ir al tem de monitoreo nuevamente con k + 1.
101
5.1. Dise
no del SDDEF
5.1. Dise
no del SDDEF
5.1.2.
103
5.1. Dise
no del SDDEF
Tiz k Tf z
1ir
(5.4)
y prom() es la funci
on que computa el promedio o valor medio.
Para cada componente um
i se definen tres cualidades o estados posibles, representados
usticos
como funciones de pertenencia (FP) seg
un: f pia , f pin y f pib generando los valores ling
alto, normal y bajo respectivamente. As el estado individual de la componente i puede caracterizarse mediante dichos valores ling
usticos. Las funciones de pertenencia estan representadas
mediante funciones trapezoidales (Fig. 5.3) caracterizadas mediante cuatro parametros como
se muestra en la ec. 5.5.
m
f pia (um
i ) = trap(ui , bi , ai , ei , ei )
i
m
m
f pn (ui ) = trap(ui , di , ci , bi , ai )
m
f pib (um
i ) = trap(ui , fi , fi , di , ci )
1ir
(5.5)
donde ai , bi , ci , di , ei y fi estan directamente relacionados con los lmites de operacion en funcionamiento normal [Limin , Limax ] para cada componente i y pueden considerarse parametros
de ajuste. Los valores de salida de cada FP (mfji (um
umero que se encuentra entre
i )) es un n
m
0 y 1 e indica el grado de pertenencia de ui a los estados definidos con j = b, n, a. De esta
forma el valor ling
ustico li puede asignarse a cada componente indicando el estado individual
104
5.1. Dise
no del SDDEF
i
i
i
i
alto
, si f pa > f pn y f pa > f pb .
Analizando todas las componentes r de um
LD puede obtenerse el estado global del proceso
por medio de los valores ling
usticos que cada componente adquiere individualmente. Este conjunto define un patr
on (huella) para cada evento anormal que ocurre en la planta y se denomina
regla del SLD. Para una falla/evento particular del tipo p su regla asociada esta definida por
Rp = [l1p , l2p , , lrp ], donde lip estan dados por la ec. 5.6.
As, analizando la base de datos del proceso bajo comportamiento anormal fuera de lnea
pueden obtenerse las reglas del SLD. Este procedimiento es denominado extraccion automatica
de reglas y una o mas reglas pueden obtenerse para cada tipo de evento particular. Estas reglas
seran utilizadas para clasificaci
on en lnea y seran almacenadas en una matriz de reglas del
tipo Rmatriz = [R1 , R2 , , Rp ]T con p la cantidad de eventos/fallas diferentes que pueden
ocurrir en el proceso.
En el monitoreo en lnea del proceso, cuando una falla es detectada por el subsistema
de ACPA, las contribuciones a los estadsticos se analizan mediante el subsistema de logica
difusa y se computa um
LD . Las salidas del SLD yLD = [y1 , y2 , , yp ] son la posibilidad de
ocurrencia de los estados/fallas [1, 2, . . . , p]. Esta posibilidad es un n
umero escalar entre cero
y uno que representa el llamado soporte de la regla en la teora de LD. Valores cercanos a cero
indican una baja posibilidad de que la regla correspondiente sea verdadera, en otras palabras,
la falla/evento correspondiente presenta baja posibilidad de que ocurra. Valores cercanos a uno
indican la situaci
on opuesta. Cada componente de la salida del SLD es calculada mediante el
procedimiento de defuzificaci
on evaluando el correspondiente soporte de la regla de la matriz
de reglas.
h
i
1,i m
2,i m
r,i m
yi = prom [Ri (um
(5.7)
LD )] = prom mfj (u1 ), mfj (u2 ), , mfj (ur )
con i = 1, , p los tipos de fallas/eventos, r las componentes de um
LD y j = b, n, a las correspondiente FP en concordancia con los valores ling
usticos representados en la matriz de reglas.
De esta forma la falla/evento presente en el proceso es aislada analizando las componentes de
yLD con mayor soporte.
5.1.3.
Estimaci
on de la falla: m
etodo RNA
Finalmente otro subsistema se desarrolla, basado en RNA, para estimar la magnitud de las
fallas. La idea basica para alcanzar este proposito radica en utilizar la informacion generada
por el subsistema ACPA respecto de las modificaciones del proceso y estimar la magnitud
de interes. De esta forma el lazo puede cerrarse integrando el SDDEF con la estrategia de
control existente en el proceso y convertirla en tolerante a fallos. El subsistema ACPA provee
informaci
on respecto de las desviaciones sufridas por el proceso respecto de los valores medios
y de varianza de las variables cuando alg
un evento/falla ocurre.
En esta tesis se utilizara la estrategia de RNA para la estimacion de fallas en sensores y
actuadores caracterizado por un bias abrupto y un retardo extra respectivamente. Con el objeto
de realizar una correcta compensacion de las fallas una estimacion precisa de estas cantidades
es crucial. Detalles especficos respecto de la estructura y entrenamiento de las RNA puede
encontrarse en la secci
on 3.4.
Un problema adicional es el de encontrar las variables del proceso que mas relacionadas
estan con el tipo de falla que permitan la estimacion de su magnitud. En un lazo de control
105
5.1. Dise
no del SDDEF
(5.8)
VC
(5.9)
5.1. Dise
no del SDDEF
107
Td Tf
100 %
Tsd
(5.10)
108
N
1 X
(
qj (k) qj (k))2
N
(5.12)
k=1
donde qj (k) es la magnitud real de la falla j, qj (k) la estimacion realizada por el subsistema
RNA, y N el n
umero de muestras utilizadas para computar el error.
Finalmente es necesario contar con alg
un tipo de ndice que permita evaluar el rendimiento
del sistema CTF en su conjunto, respecto de una estructura de control clasica. En este caso
se utiliza el porcentaje de mejora del error (P M E) basado en la integral del error absoluto
(IEA) y expresado como muestra la ec. 5.13 (Castro and Doyle (2004a,b)).
P M Ej =
IEAconv
IEActf
j
j
IEAconv
j
100 %
(5.13)
donde P M Ej corresponde a la mejora del error para el caso de la falla j presente, IEAconv
j
es el rendimiento para la variable de interes (lazo individual) cuando se utiliza una estrategia
convencional de control (sin SDDEF), y IEActf
ndice evaluado con una estrategia
j es el mismo
integrada de CTF (con SDDEF). El ndice IEA resulta
IEAij
N
X
(5.14)
k=1
siendo spr (k) la trayectoria de referencia para la variable de salida r, yimr (k) es la variable
medida del proceso correspondiente al lazo r y a la estrategia de control i = conv, ctf , y
IEAij indica el error ocurrido cuando se encuentra presente una falla tipo j y la estrategia de
control i. Un valor positivo de P M E significa que la nueva estrategia de control mejora el
rendimiento respecto de la convencional. Valores proximos a cero indican que no existe mejora
significativa y que ambas estrategias pueden considerarse semejantes en cuanto a IEA.
Ademas de los indices de rendimiento desarrollados aqu, cada proceso particular puede
incorporar una serie de requerimientos que deben ser cumplidos y comprobados respecto del
correcto funcionamiento de la planta en s misma. Indices relacionados con costos de operaci
on,
calidad final de los productos, ndices de contaminacion, etc. pueden ser algunos de los mas
importantes a la hora de definir una estrategia de control sobre otra.
5.3.
Caso de aplicaci
on No 1: planta de tratamiento de aguas
residuales (PTAR)
estrategia de conmutaci
on para un proceso de lodos activos, con la finalidad de controlar el
nivel de aireaci
on. En este caso no se han considerado fallas ni aspectos de monitoreo y mucho
menos CTF. Por otro lado, un metodo para caracterizar sensores es propuesto por Rieger et al.
(2005). La metodologa esta basada en regresion lineal y comprobaciones estadsticas para
validar la informaci
on suministrada por los sensores.
En esta secci
on se presenta el ajuste y aplicacion de la estrategia SDDEF/CTF propuesta
anteriormente sobre la PTAR. En este caso se han considerado fallas en sensores del tipo
offset y en actuadores del tipo retardo extra. Ademas, se ha realizado un completo conjunto
de simulaciones comprobando el correcto funcionamiento de la metodologa propuesta ante
fallas simples, perturbaciones secuenciales, mediciones ruidosas y actualizaciones de la poltica
de control. Parte de los resultados mostrados aqu se resumen en el trabajo Zumoffen and
Basualdo (2008b).
El proceso presentado aqu es el resultado de estrategias de dise
no de planta de tratamiento
de aguas residuales (PTAR) desarrollados por Coop (2001). El modelo de la planta considera
diferentes entornos de programaci
on con la finalidad de convertirse en un patron (benchmark)
donde puedan ser probados diferentes estrategias de control va simulacion. Esta incluye un
completo dise
no de la estructura del proceso, parametros especficos del modelo y un conjunto
de perturbaciones mas comunes para proponer estrategias de control alternativas. Ademas
incluye un completo conjunto de ndices de rendimiento que pueden utilizarse para analizar el
funcionamiento del proceso y de los lazos de control.
El modelo completo esta basado en dos modelos de procesos internacionalmente aceptados
como, el modelo de lodos activados no. 1 (ASM1) que se usa para modelar cada unidad de
reaccion de la planta con 13 variables de estados, como modelo del proceso biologico, y una
funcion de sedimentaci
on de velocidad doble exponencial, la cual esta basada en conceptos de
flujos solidos, como el modelo del proceso de sedimentacion. Resultando as en una planta de
tratamiento con 6 unidades de proceso. Para asegurar una aplicacion consistente del modelo
como prueba patr
on, se han identificado y definido todos los parametros estequiometricos y
cineticos.
Ambos modelos interconectados dan como resultado un complejo proceso biologico que
debe ser controlado bajo condiciones de perturbacion permanente. En este caso particular han
sido utilizadas las condiciones de perturbacion denominadas de tiempo seco que representan
las condiciones diarias normales de variacion del flujo en el influente. El correcto monitoreo
y control del proceso resulta esencial debido a que posibles eventos anormales resultaran en
inadmisibles acciones de control y excursiones de los ndices de rendimiento por rangos no
permitidos.
Un proceso de lodos activados pretende alcanzar una suficientemente baja concentracion de
materia biodegradable en el efluente con mnima produccion de barro y mnimos costos. Esto
es alcanzado u
nicamente con el sistema bajo control. El proceso consiste de cinco tanques
biologicos (Ri , i = 1 . . . 5) en serie con un sedimentador no reactivo secundario (S). Los
reactores R1 y R2 son tanques an
oxicos y perfectamente mezclados, mientras que los u
ltimos
tres tanques R3 , R4 y R5 son aireados. Existen dos reciclos internos en el proceso, el reciclo
de nitrogeno desde el quinto reactor hacia el primer tanque y el reciclo de barros desde el
flujo de salida del sedimentador hacia la entrada de la planta. Como en el sedimentador no se
llevan a cabo reacciones biol
ogicas la concentracion de oxgeno en el reciclo es la misma que
la del quinto tanque. El desperdicio es bombeado de forma continua desde el flujo inferior del
sedimentador. La estructura completa del proceso y la estrategia de control se muestran en la
Fig. 5.5.
Los atributos fsicos de los elementos del proceso, los flujos nominales y los coeficientes de
aireacion se muestran en la Tabla 5.1.
La estrategia de control descentralizada se encuentra implementada por medio de dos lazos,
110
Valores
Unidades
Volumen - Tanques 1, 2
Volumen - Tanques 3, 4, 5
Area
- sedimentador
Volumen - sedimentador
1000
1333
1500
6000
m3
m3
m2
m3
18446
18446
55338
385
10
3.5
m3 /d
m3 /d
m3 /d
m3 /d
1/hr
1/hr
Variables
Flujo del influente
Flujo del reciclo
Flujo del reciclo interno
Flujo del desperdicio
KL a - 3, 4
KL a - 5
el primero involucra el nivel de oxgeno disuelto (OD) como VC en el quinto reactor, utilizando
un controlador del tipo PI que manipula el coeficiente de aireacion KL a5 en dicho tanque. El
segundo lazo, lleva a cabo el control de nivel de nitrogeno (N ) en el segundo tanque por medio
de un controlador tipo PI y la manipulacion del flujo del reciclo interno Qintr . En el primer
lazo se supone sensor de OD ideal y para el segundo una medicion ruidosa y retardada del
nivel de nitr
ogeno. En ambos casos este es su comportamiento normal, es decir, sin considerar
fallas. El ajuste inicial de los controladores y las variables del proceso se pueden observar en la
Tabla 5.2.
En este caso se propone dos tipos de fallas en cuatro elementos del proceso, para mas
detalles ver secci
on 4.1:
Fallas en sensores: los sensores de OD y N estan sujetos a posibles fallas caracterizadas por
un offset abrupto que genera errores en la medicion.
Fallas en actuadores: tanto el actuador KL a5 como el Qintr pueden presentar comportamientos anormales adicionando retardos de accion en las VMs.
Los retardos temporales existen frecuentemente en la practica inducidos por transporte
a traves de grandes distancias, comunicaciones o fallas mecanicas en valvulas. Esto afecta
fuertemente la estabilidad de los lazos de control deteriorando el rendimiento. As el dise
no de
sistemas de CTF representan una herramienta sumamente importante para abordar este tipo
de escenarios. No existen demasiados trabajos en la literatura que traten este problema de
111
Lazo 1
Lazo 2
Tipo de controlador
Variable controlada (VC)
Variable manipulada (VM)
Punto de trabajo
PI continuo con AW
OD [g/m3 ]
KL a5 [1/hr]
2 [g/m3 ]
PI continuo con AW
SN O [gN/m3 ]
Qintr [m3 /d]
1 [gN/m3 ]
500 [1/d/(g(COD)/m3 )]
0,001 [d]
0,0002 [d]
[0, 10] [1/hr]
15000 [m3/d/(gN/m3 )]
0,05 [d]
0,03 [d]
[0, 92230] [m3 /d]
Par
ametros
Ganancia proporcional (K)
Const. de tiempo integral (Ti )
Const. de tiempo AW (Tt )
Saturaciones VM [min, max]
SLD
RNA
Ts = 1/96 [das]
A(0) = 4
Nw = 1345 [muestras]
Naux = 100 [muestras]
pva = 98 [ %]
z = 2
= 3 (99 %)
Na = 3
[ai , di ] = [sati 0,1, sat+
i + 0,1]
ei = [1000, 1000]
[Tiz , Tf z ] = [45, 80] [muestras]
r=8
manera eficiente y en lnea (Gao et al. (2005); Jiang and Zhou (2005); Bjorklund and Ljung
(2003); Jordan et al. (2006); Zumoffen et al. (2006, 2007)). Este tipo de fallas presentan
un desafo real en la tareas de DDEF. Bloqueos en valvulas es otro tipo de falla habitual, si
bien es una versi
on extrema puede abordarse correctamente con el algoritmo aqu desarrollado
(Zumoffen and Basualdo, 2008a). Una reconfiguracion y redise
no del controlador es esencial
para garantizar caractersticas de tolerancia a fallos. La reconfiguracion de la poltica de control
puede realizarse en lnea o predefinirse fuera de lnea y conmutar en el momento oportuno.
Otro tipo de fallas propuesto aqu refiere a posibles offset abruptos que tienen lugar en los
sensores. Bajo funcionamiento a lazo cerrado este tipo de fallas no son tan faciles de detectar
y estimar debido al efecto de rechazo de perturbaciones de los controladores.
Una descripci
on completa de diferentes tipos de fallas en casos reales puede encontrarse en
el sitio web del consorcio de manejo de situaciones anormales ASM. Aqu puede encontrarse una
presentacion detallada respecto de diferentes tipos de eventos anormales, fuentes potenciales,
soluciones, etc., para aplicaciones en procesos qumicos reales.
5.3.1.
Ajustes de SDDEF
El monitoreo y detecci
on de fallas se realiza mediante el algoritmo presentado en la seccion
5.1.1. Aqu las variables analizadas son el coeficiente de aireacion KL a5, el flujo de reciclo
interno Qintr , las mediciones de nivel de nitrogeno en los reactores 1 y 2, N1 , N2 respectivamente y los errores de seguimiento de los puntos operativos para ambos lazos de control
eo5 = ro5 OD y en2 = rn2 N , donde ro5 representa la trayectoria de referencia para el
lazo de nivel de oxgeno del reactor 5, OD es la medicion de dicho nivel en ese reactor, rn2
es la referencia para el lazo que controla el nivel de nitrogeno en el reactor 2 y N la medicion
112
(a) Estimaci
on tVd M 1
(b) Estimaci
on tVd M 2
(c) Estimaci
on oVf fC1
(d) Estimaci
on oVf fC2
(5.15)
para la estimaci
on del offset presente en los sensores, siendo, oVf fCi (k) dicha estimacion e
i = OD, N y bV M j (k) las modificaciones del valor medio en las VM j, con j = KL a5, Qintr
114
(5.16)
siendo en este caso tVd M i (k) el retardo estimado presente en el actuador i = KL a5, Qintr y
sV Cj (k) las modificaciones en el valor de la varianza de la VC en cuestion, con j = OD, N
respectivamente.
El mapeo realizado por las RN A1 a RN A4 puede observarse en la Fig. 5.7. En cada
caso el entrenamiento se ha realizado utilizando solo unos pocos puntos experimentales (),
obteniendo un buen grado de generalizacion (lnea a trazos). En todos los casos se utilizaron
funciones de activaci
on del tipo tangente hiperbolica en capa oculta y del tipo lineal para las
unidades de salida. EL algoritmo de entrenamiento seleccionado fue el de Levenberg-Marquardt
de la toolbox de Matlab (Demuth and Beale (2002))
En el caso en que el SLD detecte saturacion en la VM debido a fallas en sensores el
proceso de estimaci
on del offset se torna mas simple. La saturacion en la VM produce que el
proceso trabaje a lazo abierto y la VC se desplace hacia otro punto operativo alejandose de su
trayectoria de referencia. Este alejamiento resulta proporcional a la magnitud de la falla y no
es necesario realizar su estimaci
on mediante RNAs. En este caso la estimacion del offset se
realiza mediante las expresiones de la ec. 5.17.
m
ax (spi (k) V Ci (k)) si, V Mj (k) V Mjmax
(5.17)
oVf fCi (k) =
mn (spi (k) V Ci (k)) si, V Mj (k) V Mjmin
donde spi (k) es la trayectoria de referencia para el lazo i, VCi (k) es la medicion de la VC del
lazo i, V Mi (k) es la VM correspondiente al lazo de control i, V Mjmax and V Mjmin son los
lmites maximo y mnimo para las VMs, con i = OD, N y j = KL a5, Qintr respectivamente.
En la Fig. 5.8 se puede apreciar el esquema general del SDDEF para este caso. La idea
general esta basada en la estructura mostrada en la Fig. 5.4. En este ejemplo solo peque
nas
modificaciones se incorporaron para tener en cuenta aspectos particulares de este tipo de
procesos. Una diferencia clara es el bloque de manejo de saturaciones conmutando entre las
redes y el algoritmo de la ec. 5.12 para realizar la estimacion. Luego la estructura refect
ua las
mismas tareas definidas en la seccion 5.1.
5.3.2.
Integraci
on al CTF
i = OD, N
(5.18)
115
(5.19)
km
mu
0,001
0,05
0,004
1,33 104
0,001/2
0,05/2
1/1440
1/1440
5
5
Los parametros iniciales de los CBMI para este caso se muestran en la Tabla 5.4. En ella
se pueden distinguir los ajustes iniciales de los modelos internos para cada lazo de control (m ,
km y f ), as como tambien el ajuste de los parametros de dise
no para la reconfiguracion de
los controladores ( y ).
5.3.3.
Resultados
En esta secci
on se resume un completo conjunto de simulaciones considerando los diferentes
tipos de fallas comentados anteriormente. La implementacion de la estrategia del SDDEF
se realiza en un algoritmo que recibe los datos del proceso en cada instante de muestreo,
Ts = 1/96 das. El modelo del PTAR se asume funcionado con una perturbacion del tipo clima
seco y se analiza un perodo de simulacion de dos semanas.
La primera simulaci
on mostrada en la Fig. 5.9 considera una falla en el sensor de OD (falla
tipo 1) donde aparece un offset abrupto de 1 g/m3 en Tf = 3 das. En la Fig. 5.9(a) se
presentan las evoluciones de la VC medida cuando la estrategia de control existente se integra
o no con el SDDEF, as como tambien la actualizacion de la trayectoria de referencia. En la
Fig. 5.9(b) se puede observar c
omo la actualizacion de dicha referencia permite retornar la
VC real a las proximidades del punto operativo normal (OD: 2 g/m3 ). La VM del lazo en
cuesti
on puede apreciarse en la Fig. 5.9(c) donde se compara con el funcionamiento normal.
La informaci
on dada por el SDDEF respecto del tipo de falla, grado de soporte de la regla
y estimaci
on del offset presente puede observarse en la Fig. 5.9(e), esta informacion permite
integrar eficientemente la poltica de reconfiguracion y permitir dejar el sistema listo para
posibles nuevas detecciones, como muestra el estadstico combinado de la Fig. 5.9(d). En la
Fig. 5.9(f) se resume la contribucion media de las variables analizadas por el SLD en este
tipo de falla. Para este tipo de falla los tiempos involucrados en la deteccion, clasificacion y
reconfiguraci
on de la falla son, Td = 3, 4791 das y Tc Tr = 4, 5104 das respectivamente.
El rendimiento del SDDEF y el comportamiento del sistema integrado en un CTF seran
analizados de forma detallada mas adelante cuando se definan los ndices adecuados.
La segunda simulaci
on muestra el efecto de la misma falla analizada anteriormente pero
en este caso su magnitud (of f = 4 g/m3 ) es tal que produce la saturacion de su VM y su
eventual perdida de control causando problemas serios en el proceso. Las Figs. 5.10(a) y 5.10(b)
resumen el comportamiento de la VC medida y real respectivamente, en ambos casos se puede
observar claramente c
omo la integracion del SDDEF permite retornar la variable de interes a
las proximidades del punto de trabajo y recuperar el control del lazo (Fig. 5.10(c)). Las Figs.
5.10(d), 5.10(e) y 5.10(f) muestran la evolucion del estadstico combinado z(k), las salidas
del SDDEF (soporte de la regla, tipo de falla y estimacion del offset) y la contribucion media
de las variables analizadas. Para este tipo de falla los tiempos involucrados en la detecci
on,
clasificaci
on y reconfiguraci
on de la falla son, Tf Td = 3 das y Tc Tr = 4, 0521 das
respectivamente. Puede verse en este caso como esta estrategia de integracion permite resolver
el problema de saturaciones debido a fallas de magnitud considerable de manera eficiente.
En la Fig. 5.11 se resumen las simulaciones resultantes de operar el sistema con y sin
integraci
on con el SDDEF cuando ocurre una falla en el sensor de nitrogeno. En este caso
el offset aparece en Tf = 3 das y posee una magnitud de 1 gN/m3 . La VC medida y
117
(c) VM - KL a5
(f) Contribuci
on media um
FL
118
(c) VM - KL a5
(f) Contribuci
on media um
FL
119
(c) VM - Qintr
(f) Contribuci
on media um
FL
120
(c) VM - Qintr
(f) Contribuci
on media um
FL
121
(b) VM - KL a5
(e) Contribuci
on media um
FL
(b) VM - Qintr
(e) Contribuci
on media um
FL
IEA
[g/m3 ]
103
Energa
de bombeo
[kW h/d]
Violaciones
del efluente
[ % del tiempo
de operaci
on]
Funcionamiento normal
1488.14
VN: 18.30
VA: 17.26
1687.57
1487.24
4246.63
1496.33
lazo N: 4.780
lazo N: 0.950
1844.37
1486.54
lazo N: 3.915
lazo N: 1.365
1753.24
1555.94
Falla en el actuador KL a5
Retardo = 0.6 [min.]
sin SDDEF
con SDDEF
1492.00
1489.84
lazo N: 2.005
lazo N: 2.005
1487.97
1364.49
Falla en el sensor de OD
Offset = 1 [g/m3 ]
sin SDDEF
con SDDEF
Offset = 4 [g/m3 ]
Without FTC
With FTC
Falla en el sensor N
Offset = -1 [gN/m3 ]
sin SDDEF
con SDDEF
Offset = 4 [gN/m3 ]
sin SDDEF
con SDDEF
de los parametros del modelo ACPA (b, s, A, lmites de confianza, etc.) luego de dicho
instante. Esta cuesti
on sera abordada al final de esta seccion como una etapa de mejora de
dicho algoritmo. De igual modo, se puede apreciar la correcta clasificacion de la falla ocurrida,
el grado de soporte de la regla identificada y la adecuada estimacion del retardo introducido
por la valvula en la Fig. 5.14(d). La Fig. 5.14(e) resume la contribucion media de las variables
analizadas por el SLD indicando su aporte a la deteccion y clasificacion.
Para este tipo de proceso en particular Coop (2001) plantea una serie de ndices de
rendimiento que deben ser considerados a la hora de comparar estrategias de control. En
la Tabla 5.5 se resumen los ndices mas importantes evaluados sobre la u
ltima semana de
operacion simulada.
Un ndice representativo para medir el rendimiento de los controladores es la IEA entre la
VC y su correspondiente trayectoria de referencia. Otro indicador de importancia es la energa
de bombeo que mide el costo energetico en el bombeo del flujo del reciclo interno, el flujo de
retorno de lodos y el flujo de desperdicios. Finalmente, se consideran dos ndices representativos
de la calidad de operaci
on del proceso. Estos proporcionan informacion respecto del porcentaje
de tiempo de operaci
on en que el proceso se encuentra violando las restricciones del efluente.
En este caso se considera:
1. la violaci
on respecto del nivel total de nitrogeno (VN), cuyo lmite es 18 gN/m3 ;
2. la violaci
on respecto del nivel amonaco (VA), cuyo lmite es 4 gN/m3 .
124
Elemento
3
F1 (1[g/m ])
F1 (4[g/m3 ])
F2 (-1[gN/m3 ])
F2 (4[gN/m3 ])
F3 (0.6[min.])
F4 (20[min.])
Tf [d.]
Td [d.]
P T D [ %]
3,00
3,00
3,00
3,00
3,00
3,00
3,48
3,02
3,02
3,02
3,03
3,09
31,94
1,38
1,38
1,38
2,08
6,25
sensor OD
sensor OD
sensor N
sensor N
actuador KL a5
actuador Qintr
yj
P SRj [ %]
ECM Pj
1,00
1,00
1,00
1,00
1,00
0,87
62,50
70,32
56,25
65,62
79,68
78,57
8, 64 104
4, 00 108
5, 63 105
2, 46 102
9, 36 104
3, 10 103
F1
3
P M E [ %]
1 [g/m ]
97,06
F2
3
4 [g/m ]
99,94
-1 [gN/m ]
80,06
4 [gN/m ]
65,10
F3
F4
0.6 [min.]
96,38
20 [min.]
-0.21
En la parte superior de la Tabla 5.5 se muestran los ndices representativos para el caso de
funcionamiento normal del proceso sujeto a las perturbaciones mas habituales.
En todos los casos de fallas en sensores el ndice IEA resulta menor cuando la estrategia
integrada CTF/SDDEF esta funcionado. El mejoramiento general del IEA es debido a la
actualizaci
on de la poltica de referencia realizada por el SDDEF, retornando el proceso lo mas
proximo posible a su punto operativo normal. En todos los casos la energa de bombeo resulta
menor y aproximadamente igual al caso normal cuando se utiliza la estrategia CTF/SDDEF.
En particular, es drasticamente inferior para el caso de falla en el sensor de OD que produce
saturaci
on. Los ndices de violaci
on en el efluente son verdaderamente sensibles a las fallas en
los sensores. Las fallas en el sensor de OD trae aparejado grandes problemas con las violaciones
de amonaco y el sensor de N con las violaciones del nivel de nitrogeno.
De acuerdo con los ndices de rendimiento presentados en la seccion 5.2 para evaluar el
sistema SDDEF se obtienen los valores resumidos en la Tabla 5.6. EL P T D es aproximadamente cero en todos los casos indicando una rapida deteccion. En el caso de F1 (1[g/m3 ])
que presenta un valor de 31, 94 % es debido a que con esta magnitud de la falla es mas difcil
de detectar ya que no produce saturacion (el proceso a
un esta bajo control). Ninguno de los
ndices P SRj es menor del 56, 25 % lo que indica un buen grado de robustez en la clasificaci
on.
El ECM Pj para cada estimaci
on de la magnitud de la falla demuestra ser lo suficientemente
preciso. Finalmente en la Tabla 5.7 se resume los ndices P M E en los diferentes tipos de fallas,
presentando un valor mayor que cero y proximo a 100 en la mayora de los casos. Indicando
claramente los beneficios de contar con una estrategia CTF/SDDEF. Salvo para el caso de la
falla F4 en el que dicho ndice define que no existen diferencias apreciables entre las estrategias
de control.
Cambio de la poltica de control
Los resultados observados en la Fig. 5.14 pueden no ser satisfactorios en cuanto al rechazo
de perturbaciones obtenido del lazo de nitrogeno y las posibles falsas alarmas generadas por
el estadstico z. Esto basicamente es debido a que cuando el SDDEF reconfigura el control PI
existente en dicho lazo el efecto es el de reducir su ganancia proporcional mediante la constante
del filtro (ver apendice E). Esto suaviza la respuesta del controlador, brindando estabilidad,
pero a su vez lo hace menos efectivo a bruscas perturbaciones que ingresan al proceso. Una
forma de resolver este problema es mediante la implementacion de un controlador del tipo en
125
(b) VM - Qintr
(5.20)
(5.21)
La Fig. 5.17 muestra el caso de simulacion para la PTAR cuando ocurre una falla del tipo
deriva en el lazo de OD con y sin SDDEF/CTF. La deriva aparece en t = 0 con una pendiente
de 0.2 gN/m3 /d. Sin las caractersticas tolerantes este tipo de falla provoca la saturaci
on
de la VM y eventualmente la perdida de control, Fig. 5.17(c). Considerando ahora el caso
en que una estrategia integrada de SDDEF/CTF esta disponible la falla es correctamente
detectada, clasificada y estimada. La deriva que comienza su efecto en Tf = 0 es detectada en
Td = 3,4896 das, y es clasificada y compensada en Tc Tr = 4,5208 das. En la Fig. 5.17(e)
puede observarse la estimaci
on de dicha deriva ( 0,19) la cual es utilizada para compensaci
on
127
(a) VC medida
(b) VC real
(c) VM
(e) Estimaci
on de la deriva
Figura 5.17: Falla del tipo deriva en el sensor de OD. pendiente = 0.2 gN/m3 /d. Con y sin
SDDEF/CTF
y recupero del estado normal del proceso (Fig. 5.17(b)). Estas simulaciones presentan un gran
atractivo en la implementaci
on concreta de este tipo de sistemas.
5.4.
Caso de aplicaci
on No 2: Planta de pulpa y papel (PPP)
En la actualidad s
olo existe un trabajo (Lee et al., 2006) que aborda el problema de dise
no
de sistemas de monitoreo en la PPP. En este se propone un sistema hbrido de diagnostico de
fallas utilizando DGS y MCP dinamico para realizar la deteccion de posibles fallas en sensores y
128
5.4.1.
Estrategia de control
La PPP posee muchos reciclos que incrementan la interaccion del proceso, as como el tiempo requerido para alcanzar el estado estacionario. La planta tambien exhibe grandes retardos
temporales y no linealidades que complican el dise
no de controladores y limitan el rendimiento
obtenible mediante controladores de realimentacion.
Cualquier estrategia de control aplicada a la PPP debe: 1- mantener las variables del proceso
en sus valores deseados, 2- mantener las condiciones del proceso dentro de sus respectivas
restricciones, 3- minimizar la variabilidad de la tasa de produccion, el no. Kappa en la torre E
y el brillo, 4- minimizar la utilizaci
on de astillas de madera, utilidades y qumicos, y 5- rechazar
perturbaciones tan rapido como sea posible sin violar ninguna restriccion en las variables de
calidad.
En los trabajos de Castro and Doyle (2004a,b) se presentan dos estrategias de control bien
diferentes. Una descentralizada y una mixta con CPBM. Cada estrategia de control esta desarrollada basandose en el analisis de la matriz de ganancias relativa (MGR) en estado estacionario.
Por un lado, se desarrolla una estrategia de control descentralizada (solo lazos simples y en
cascada) para lograr el control total de la planta. Es decir tanto las variables primarias (produccion, restricciones, calidad, etc.) como secundarias (nivel, presion, temperatura, etc.) son
controladas mediante lazos de control clasicos (P,PI). Por otro lado, se presenta tambien una
130
Definici
on de las variables
Sensor de la tasa de produccion
Sensor del no. Kappa del digestor
Sensor de temp. zona de coccion
Sensor de temp. en la zona mcc
Sensor de temp. en la zona emcc
Sensor de temp. en O
Sensor de temp. en D1
Sensor de no. Kappa en E
Sensor de temp. en E
Sensor de temp. en D2
Sensor de brillo
Sensor de presion en O
Actuador del flujo de pulpa
Actuador del flujo de LV
Tipo
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Offset
Bloqueo
Bloqueo
Rango de
Valores
10 %
12 %
1 %
1 %
1,5 %
1 %
1 %
15 %
1,5 %
2 %
4 %
45 %
10 %
15 %
estrategia basada en CPBM como control supervisor. En particular cuatro CPBM son desarrollados para cubrir las areas del digestor/reactor de oxgeno, torres de blanqueo, evaporadores
y horno de cal/recaustizadores, las cuales presentan mayores interacciones en la MGR. En
general los CPBM se encargan de manipular las trayectorias de referencia de lazos simples de
control y controlar directamente alguna variable de interes. Los beneficios e inconvenientes de
una y otra estrategia se encuentran bien comentados en Castro and Doyle (2004b).
El punto operativo habitual de este proceso se encuentra definido por sus variables principales: tasa de producci
on de 630 ton./da, no. Kappa en E de 2.5 y brillo de 0.81. De todas
formas las necesidades del mercado pueden requerir modificar estos valores, para lo cual la
estrategia de control aplicada debe realizar dichos cambios de la forma mas eficiente posible.
5.4.2.
Definici
on de las fallas
De acuerdo a las fallas comentadas en la seccion 4.1, en este ejemplo particular se propone
analizar el caso de fallas en sensores del tipo offset abrupto y bloqueos en actuadores/valvulas.
Siendo estas las mas comunes en este tipo de procesos. La Tabla 5.8 resume las fallas, los
elementos del proceso involucrados y el rango posible de la magnitud de la falla. Notar que la
falla podra ocurrir con cualquier valor dentro de dicho rango. La fig. 5.18 muestra en forma
esquematica la PPP y las locaciones de las posibles fallas.
Se pretende entonces analizar el comportamiento del SDDEF propuesto en secciones anteriores en grandes y complicados procesos qumicos. A su vez se proponen diferentes escenarios
de comportamiento de las fallas, pudiendo ocurrir tanto en forma individual como secuencial.
Se adicionan ademas posibles perturbaciones y eventos comunes que pueden influenciar el comportamiento global del proceso. De esta forma se incluyen modificaciones en las trayectorias
de referencia de la tasa de produccion, no. Kappa de la torre E y brillo, y tres perturbaciones tpicas: modificaciones en la humedad de las astillas de madera, modificaciones en la
concentraci
on de la lignina-celulosa y modificaciones en la concentracion del qumico ClO2 .
131
Variables manipuladas
Descripci
on
Variables
Tasa de producci
on del digestor
Tasa de producci
on de almacenado
no. Kappa del digestor
Producci
on de pulpa del digestor
Conductividad superior del extracto
Conductividad inferior del extracto
Temperatura de la zona emcc
Temperatura superior del extracto
no. Kappa de O
[OH ] del lavador en E
Brillo en D2
Factor de diluci
on del lavador no. 7
Almacenamiento V
Temperatura del efluente en O
Volumen en D2
AE superior del extracto
AE inferior del extracto
1
23
78
9
1011
14
17
18
20
2122
23
25
26
29
30
33
3637
38
Descripci
on
Flujo de astillas de madera
Flujo de LB del digestor
Flujos de vapor del digestor 45
Flujo de agua
Fracci
on de pulpa lavada 12
Flujo de vapor 1 de O
Flujo de vapor 3 de O
Flujo de pulpa hacia el lavado
Flujo de ClO2 en D1
Flujo de vapor y de agua en E1
Flujo c
austico en E
Flujo de vapor en E
Flujo de ClO2 en D2
Fracci
on 2 de O
Fracci
on de E
Fracci
on de pulpa lavada 5
Flujo de refrigerante y oxgeno en O
Flujo de pulpa blanqueada
Naux [muestras]
pva [ %]
Ts [min.]
No entradas
Na
1800
500
90
40
12
5.4.3.
132
Regla
Fallas
1/2
3/4
5/6
7/8
F11
F12
F13
F14
F6 (-/+ offset)
9/10
Eventos
Regla
F7 (-/+ offset)
F8 (-/+ offset)
F9 (-/+ offset)
F10 (-/+ offset)
11/12
13/14
15/16
17/18
Cambios de referencia
Humedad de las astillas
Concentracion lignina-celulosa
Concentracion ClO2
27
28
29
30
F1
F2
F4
F5
(-/+
(-/+
(-/+
(-/+
offset)
offset)
offset)
offset)
(-/+
(-/+
(-/+
(-/+
Regla
offset)
offset)
bloqueo)
bloqueo)
19/20
21/22
23/24
25/26
(a) RN A3
(b) RN A5
134
52
30
+ 0,5
bi
Limax
+ 0,5
ci
Limin
0,5
di
Limin
1 10
ei
5
1 10
fi
5
RN A2
V C5
V M2
RN A3
V C13
V M7
RN A4
V C14
V M8
RN A5
V C20
V M 14
RN A6
V C21
V M 17
RN A7
V C22
V M 20
RN A8
V C23
V M 22
Capa de salida
Lineal
Capa oculta
Tangente hiperb
olica
Levenberg-Marquardt
Entrenamiento
RN A14,611 = 1, RN A5 = 2
Unidades ocultas
RN A1
V C1
V M1
0,5
ai
Limax
RNA
Offset del sensor de
Variaciones de la media en
Reglas, p
RN A10
V C26
V M 26
RN A11
V C37
V M 37
RN A111 = 1
Unidades de salida
RN A9
V C25
V M 25
[0, 90]
[Tiz , Tf z ][muestras]
135
sp1pr (k) + i
i
(5.23)
kp
p [min.]
p [min.]
KP I
P I [min.]
Ts [min.]
0.4422
-0.0903
22.6762
1.6421
0.044
0.609
0.8
0.001
5
5
5
0.1
1
1
5
5
Figura 5.22: Estructura del SDDEF para la PPP con control descentralizado
casos mas representativos y mediante ndices apropiados y tabulaciones se resumen un gran
conjunto de simulaciones que ponen en evidencia los beneficios de contar o no con este tipo
de estrategia.
El SDDEF es evaluado mediante los ndices presentados en la seccion 5.2 (P T D, P SR
y ECM P ). La estrategia integrada SDDEF/CTF es evaluada utilizando los ndices P M E.
Adicionalmente este proceso cuenta con un conjunto de evaluaciones de costos de operacion.
Los trabajos de Castro and Doyle (2004a,b) sugieren utilizar el porcentaje de mejora del
beneficio P M B. Este ndice se calcula basado en el beneficio total de operacion BT O del
proceso como se muestra en la ec. 5.25.
P M Bji
BT Oji BT Onormal
=
100 %
BT Onormal
(5.25)
donde j representa el tipo de falla presente ,BT Oji es el beneficio total de operacion con la
estrategia de control i, donde i = convencional, CT F . Cuando una falla ocurre el BT Oji
puede tomar valores diferentes al que tiene el proceso en funcionamiento normal, BT Onormal .
Un P M B negativo significa que la estrategia de control actual no puede compensar el efecto
de la falla y los beneficios de operaci
on son menores al caso normal. Un P BM cercano a cero
significa que la estrategia de control actual mantiene el proceso bajo condiciones de operacion
esperadas, debido a la compensaci
on del efecto de la falla. Finalmente un P BM positivo
significa que las herramientas de tolerancia incluidas incrementan los beneficios de operacion
respecto del caso normal.
138
Costo [$/kg]
2
3,86 10
2,53 103
5,18 103
7,94 103
5,3 105
1,321 105
0,20
Especie
Costo [$/kg]
Oxgeno
CLO2
Na2 SO4
CaO
Gas natural
Pulpa
0,15
1,00
0,100
0,063
0,170
0,33
los coeficientes ci representan precio de costo/venta por unidad de medida (masa, volumen,
potencia, etc.) de utilidades, materias primas, penalidades ambientales o violaciones de calidad
del producto. F representa la cantidad de tales materias, utilidades y productos utilizados o
vendidos durante la operaci
on del proceso. Un resumen de los costos utilizados en este trabajo
se presentan en la Tabla 5.16.
En la Fig. 5.23 se pueden observar las evoluciones de las principales variables del proceso
cuando una falla en el sensor de no. Kappa en E (F8 ) ocurre en un instante Tf = 25 hr.
y con una magnitud del 30 % respecto del punto operativo normal. El algoritmo del SDDEF
realiza la detecci
on, clasificaci
on y estimacion en los instantes Td = 25, 5 hr., Tc = 33hr. y
Tr = 67, 1 hr. respectivamente. La Fig. 5.23(a) presenta el no. Kappa real y medido en E
cuando la estrategia de SDDEF/CTF esta funcionando. En Tr la informacion suministrada
por el SDDEF es utilizada para actualizar la correspondiente trayectoria de referencia en lnea.
As, el valor real del no. Kappa en E retorna a su punto operativo normal, compensandose
el efecto de la falla. La Fig. 5.23(b) muestra el caso cuando no existe ninguna estrategia
de integraci
on ni sistema SDDEF. Es posible observar como el proceso evoluciona hacia otro
punto operativo, diferente al deseado. Esto es esencialmente debido a que en lazos de control
no tolerantes las fallas en sensores son consideradas como perturbaciones de salida propagando
el error de medici
on hacia el proceso. El monitoreo realizado por el estadstico combinado en
la Fig. 5.23(c) muestra las caractersticas adaptivas del mismo. Las salidas del SDDEF en
este caso se resumen en la Fig. 5.23(d), donde se presentan el soporte de la regla clasificada
yj (k) = 0,95, la estimaci
on del offset normalizado oVf fC22 (k) = 0,3 y la regla clasificada como
verdadera, No =14 (F8 + seg
un la Tablas 5.8 y 5.11). finalmente en la Fig. 5.23(e) puede
apreciarse la contribuci
on media (um
i (k), i = 13, . . . , 40) de las variables del proceso a la regla
identificada. Dando as un punto de vista entendible del estado global de la planta.
En la Fig. 5.24 se presenta el caso de fallas en sensores ocurriendo de forma secuencial.
Inicialmente ocurre una falla en el sensor de temperatura del reactor O (F6 ) en Tf 1 = 8, 33 hr.
con una magnitud de 1 % respecto de su valor de operacion normal. En Tf 2 = 116, 66 hr.
se presenta de forma secuencial una falla en el sensor de temperatura de la torre de blanqueo
E (F9 ) ocurriendo con una magnitud de 1, 5 %. En las Figs. 5.24(a),(b) se pueden observar
las evoluciones de la variable real y medida para la temperatura en O cuando se cuenta o no
con una estrategia de SDDEF/CTF respectivamente. La compensacion de la falla determinada
139
(e) Contribuci
on media a la regla N o 14
(g) Contribuci
on media a la regla N o 9
(h) Contribuci
on media a la regla N o 16
puede apreciar c
omo el efecto de la perturbacion es rechazado correctamente por la estructura
de control, mientras el SDDEF detecta , clasifica e informa adecuadamente el evento. La
evolucion temporal del estadstico combinado puede observarse en la Fig. 5.25(e) realizando la
primera detecci
on rapidamente en el instante Td1 = 11 hr.. La clasificacion y la reconfiguracion
del algoritmo ACPA son realizadas en Tc1 = 18, 5 hr. y Tr1 = 52, 66 hr. respecivamente. El
rechazo de la perturbaci
on es realizado con exito por la estructura de control y no son necesarias
acciones de tolerancia o reconfiguraci
on del controlador. De forma secuencial en Tf 2 = 116, 66
hr. ocurre un bloqueo en la valvula de flujo de LV hacia el apagador de cal (F14 , regla No =25)
con una magnitud de 30 % respecto de su valor de trabajo. La estrategia de control original
(sin SDDEF/CTF) no es capaz de mantener el comportamiento estable del proceso. Esto puede
observarse de las Figs. 5.25(a),(b),(c) donde el flujo de astillas es incrementado tratando de
mantener la tasa de producci
on original. Esto genera que las variables del proceso se muevan
hacia otro punto operativo no deseado, por ejemplo 5.25(c) el no. Kappa en E. Este tipo de
falla es realmente un problema serio, ya que rapidamente algunos tanques podran descargarse
y eventualmente la planta debera parar. Para evitar este problema y mantener la operabilidad
del sistema se activa un lazo adicional de control con la estrategia SDDEF/CTF hasta que el
correspondiente actuador/valvula es reparado. El SDDEF realiza la deteccion y clasificacion
de este segundo evento en Td2 = 117, 5 hr. y Tc2 = 125 hr. respectivamente. El correcto
manejo de la falla permite activar el lazo adicional de control correspondiente (No =2) como
se observa en la Fig. 5.25(d). As, el proceso es conducido hacia un estado de operacion mas
estable de acuerdo con la magnitud de la falla. En este caso el no. Kappa en E puede observarse
como se mantiene en su valor deseado de trabajo y el flujo de astillas se disminuye de forma
adecuada a la actualizaci
on de la referencia en la tasa de produccion. Las salidas del SDDEF
pueden apreciarse en la Fig. 5.25(f), el soporte de las reglas clasificadas, las reglas clasificadas
No =29 y No =25 y el lazo de control adicional activado No =2. Las Figs. 5.25(g),(h) resumen
la contribucion media de las variables del proceso a cada una de las reglas identificadas.
La Fig. 5.26 agrupa los resultados obtenidos de las simulaciones en el caso de fallas secuenciales en sensores y actuadores. En este caso particular se presenta una falla en el sensor
de temperatura de la torre de blanqueo D2 (F10 ) en Tf 1 = 8, 33 hr. con una magnitud de
1, 5 % respecto a su punto operativo normal. Secuencialmente en Tf 2 = 116, 66 hr. se produce el bloqueo de la valvula que manipula el flujo de pulpa hacia las torres de blanqueo (F13 )
en un valor de 10 %. La Fig. 5.26(a) muestra la temperatura en D2 con y sin estrategia
SDDEF/CTF. La integraci
on del SDDEF con CTF permite retornar la temperatura real en D2
a su punto operativo normal actualizando la trayectoria de referencia. Esta primera falla es
detectada, clasificada y reconfigurada en los instantes temporales Td1 = 8, 83 hr., Tc1 = 16, 33
hr. y Tr1 = 50, 5 hr. respectivamente. La segunda falla provoca que el proceso tienda a moverse hacia otro punto operativo. Puede observarse en las Figs. 5.26(b),(c) como al no contar
con una estrategia CTF integrada el algoritmo de control clasico incrementa drasticamente
el flujo de astillas sobrepasando los lmites admisibles del digestor para tratar de mantener la
tasa de producci
on original. Este comportamiento no puede continuar indefinidamente en esta
situacion y a las 150 hrs. de simulaci
on se produce la parada del proceso. Para evitar este
comportamiento indeseado se desarrolla la estrategia SDDEF/CTF activando el lazo adicional
de control correspondiente. La detecci
on y clasificacion de esta segunda falla se realiza en
los instantes Td2 = 117, 16 hr. y Tc2 = 124, 66 fr. respectivamente, y la activacion del lazo
es inmediata (Figs. 5.26(d)). Esto permite la estabilizacion del proceso en un nuevo punto
operativo considerando las limitaciones introducidas por la magnitud de la falla. El estadstico
combinado muestra la evoluci
on en la deteccion de ambos eventos y puede apreciarse en la
Fig. 5.26(e). Las salidas del SDDEF se resumen en la Fig. 5.26(f), donde se puede apreciar
el soporte de las reglas, tipo de reglas (17 y 23 relacionando F10 yF13 respectivamente),
estimacion del offset normalizado y el lazo adicional de control activado (No =1). Las Figs.
142
(g) Contribuci
on media a la regla N o 29
(h) Contribuci
on media a la regla N o 25
(a) Temperatura en D2
(g) Contribuci
on media a la regla N o 17
(h) Contribuci
on media a la regla N o 23
Tf [hr.]
Td [hr.]
P T D [ %]
yj
P SRj [ %]
ECM Pj
P M Ej [ %]
72,50
68,71
67,95
62,57
72,58
66,66
69,93
70,49
73,72
74,93
73,16
93.44
86.89
F1 (+10 %)
F2 (+12 %)
F4 (+1 %)
F5 (+1 %)
F6 (+1 %)
F7 (+1 %)
F8 (+30 %)
F9 (+1,5 %)
F10 (+1,5 %)
F11 (+4 %)
F12 (+30 %)
F13 (10 %)
F14 (30 %)
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
8.33
8.33
25,50
25,58
25,50
25,91
25,50
25,50
26,33
27,00
25,50
25,41
26,16
8,83
9,08
6,00
6,96
6,00
10,92
6,00
6,00
15,96
24,00
6,00
4,92
13,92
6,00
9,00
0,75
0,86
0,82
1,00
0,85
0,89
0,91
1,00
0,99
0,91
0,99
0,99
0,98
63
47
41
37
38
36
43
38
36
47
36
68
83
0, 49 10
0, 40 105
0, 86 105
0, 22 104
0, 11 104
0, 61 105
0, 25 105
0, 11 104
0, 94 107
0, 12 104
0, 19 N
103
F6 (1 %) y
F9 (+1,5 %)
8,33
116,66
8,91
118,83
6,96
26,05
0,81
0,99
35
38
74,74
41,95
lignina/celulosa y
F14 (30 %)
8,33
116,66
11,00
117,50
32,05
10,08
0,92
0,86
55
73
0, 34 103
0, 14 104
N
N
3
68,18
91,84
F10 (1,5 %) y
F13 (10 %)
8,33
116,66
8,83
117,16
6,00
6,00
0,96
0,99
35
68
0, 29 N
10
92,16
Beneficio [$]
P M Bj [ %]
Perodo
Sin CTF
Con CTF
Sin CTF
Con CTF
[das]
672387
-3952926
-595655
-433076
765614
766872
607210
641990
-12,30
-615,56
-177,77
-156,55
-0,14
0,02
-20,71
-16,17
5,21
5,21
5,21
5,21
de generalizaci
on que presenta a nuevos eventos y la precision en la estimacion mediante el
ECM P . En el caso de fallas
on
N en actuadores el subsistema RNA no es utilizado y esta condici
se indica con el smbolo
en la tabla. El rendimiento del sistema completo SDDEF/CTF es
evaluado mediante el ndice de porcentaje de mejora del error, P M E sobre las variables de
interes y respecto a los resultados sin SDDEF/CTF. En todos los casos la mejora es evidente.
Cuando se presentan fallas en sensores las variables utilizadas en dicho ndice corresponden a
las involucradas en el lazo de control afectado por el sensor correspondiente. En el caso de
fallas en actuadores las variables utilizadas son las mas afectadas por este tipo de fallas. En
particular para la falla F13 es utilizado el no. Kappa del digestor y para la falla F14 el no.
Kappa en la torre E. La falla F3 no ha sido considerada en este caso de estrategia de control
descentralizado por no generar modificaciones importantes en el proceso. Variaciones de esta
falla en torno al 1 % no modifican el punto operativo global del proceso. Por el contrario,
s sera considerada en el caso de controladores multivariables.
Finalmente se presenta el analisis de costos en la Tabla 5.18 para las fallas mas representativas. El c
omputo de los beneficios y costos de operacion son realizados en base a los trabajos
de Castro and Doyle (2004a,b) donde se considera el porcentaje de mejora del beneficio, P M B
calculado como funci
on del beneficio total de operacion, BT O. El perodo de evaluacion ha
sido fijado en 5,21 das. El caso de la falla F1 sin CTF genera la disminucion de la tasa de
producci
on respecto del punto operativo deseado, provocando grandes perdidas. Cuando la
145
(f) Contribuci
on media a la regla N o 27
(g) Contribuci
on media a la regla N o 1
Descripci
on
Tasa de producci
on del digestor
Tasa de producci
on de almacenamiento
Tasa de producci
on en D2
no. Kappa en el digestor
Pulpa producida en el digestor
Pulpa producida blanqueada
Conductividad superior del extracto
Conductividad inferior del extracto
Temp. de cocci
on T (cook,mcc,emcc)
Temperatura del LB del digestor
Temperatura superior del extracto
Reciclos de vapor no. 1-2
no. Kappa y temperatura en O
Temperatura en D1
no. Kappa y temperatura en E
Lavador [OH ] en E
Brillo y temperatura en D2
FD lavadores no. 1-7
Almacenamiento V
Temperatura del efluente en O
Consistencia del lavador en O
Presi
on en O y volumen en D2
EA superior e inferior
Variables manipuladas
Variables
1
2-3
4-5
7-8
9
1011
14
17
18
20
2122
23
25
26
29
30
31
33
36
37
38
Descripci
on
Flujo de astillas
Flujo de LB (cocci
on/lavado)
Flujos de vapor 1-2
Flujos de vapor 45
Flujo de agua
Fracci
on de pulpa lavada 12
Flujo de vapor 1 en O
Flujo de vapor 3 en O
Flujo de pulpa
Flujo de ClO2 en D1
Flujo de agua y vapor en E1
Flujo c
austico en E
Flujo de vapor en E
Flujo de ClO2 en D2
Fracci
on 2 en O
Fracci
on E
Fracci
on de pulpa lavada 3
Fracci
on de pulpa lavada 5
Flujo de refrigerante en O
Flujo de oxgeno O
Flujo de pulpa blanqueada
utilizar CTF son realmente grandes. Un escenario diferente se observa para las fallas en actuadores, este tipo de fallas generan la parada de la planta si las acciones correctivas necesarias
no son tomadas a tiempo. Tanto la falla F13 como la F14 generan condiciones sumamente
desfavorables para la operabilidad del proceso, esto puede observarse de los grandes valores
negativos del ndice P M B y eventualmente las perdidas ocasionadas. Esto puede disminuirse
considerablemente mediante la integracion de los lazos adicionales de control (SDDEF/CTF)
direccionando la planta hacia una condicion mas estable y segura de operacion del proceso.
Esto puede realizarse a costa de trabajar a menor tasa de produccion, la cual sera proporcional
a la magnitud de la falla.
Con la finalidad de poder poner en contraste de forma efectiva las caractersticas adaptivas
del sistema SDDEF aqu propuesto se analizan los resultados de la Fig. 5.27. En este caso el
punto operativo del proceso cambia drasticamente modificando las referencias de la tasa de
producci
on, el no. Kappa en E y el brillo de forma simultanea. En Tf 1 = 8, 33 hr. la tasa de
producci
on cambia a 690 ton./da, el no. Kappa a 2 y el brillo a 0,86, las Figs. 5.27(a),(c)
muestran las evoluciones temporales. Secuencialmente en Tf 2 = 116, 66 hr. aparece una falla
en el sensor de tasa de producci
on, F1 de magnitud 10 %. La estrategia propuesta demuestra
muy buena capacidad de detectar, clasificar y reconfigurar en los instantes Tf d2 = 117,25 hr.,
Tc2 = 124,75 hr. y Tr2 = 158,33 hr. respectivamente, a
un bajo cambios importantes de las
condiciones del proceso. Pueden apreciarse de las Figs. 5.27(a),(b) las diferencias de contar o
no con una estrategia integrada de SDDEF/CTF. El estadstico combinado puede apreciarse
en la Fig. 5.27(d) y las salida del SDDEF en la Fig. 5.27(e). Las contribucion media de las
variables del proceso a cada regla clasificada se puede observar en las Figs. 5.27(f),(g).
147
Naux [muestras]
pva [ %]
Ts [min.]
No entradas
Na
500
300
90
63
15
Regla
Fallas
offset)
offset)
offset)
offset)
13
4/5
6/7
8/9
F11
F12
F13
F14
F5 (-/+ offset)
10/11
Eventos
Regla
F6 (-/+ offset)
F7 (-/+ offset)
F8 (-/+ offset)
F9 (-/+ offset)
F10 (-/+ offset)
12/13
14/15
16/17
18/19
20/21
Cambios de referencia
Humedad de las astillas
Concentracion lignina-celulosa
Concentracion ClO2
30
31
32
33
F1
F2
F3
F4
5.4.4.
(-/+
(-/+
(-/+
(-/+
(-/+
(-/+
(-/+
(-/+
Regla
offset)
offset)
bloqueo)
bloqueo)
22/23
24/25
26/27
28/29
148
(a) RN A3
(b) RN A10
149
150
78
33
1 105
RN A4
V C13
V M8
RN A5
V C14
V M8
RN A6
V C20
V M 14
RN A7
V C21
V M 17
Lineal
Levenberg-Marquardt
Entrenamiento
RN A8
V C22
V M 20
RN A18,1012 = 1, RN A9 = 2
RN A11
V C26
V M 26
RN A112 = 1
Unidades de salida
RN A10
V C25
V M 25
[0, 80]
[Tiz , Tf z ][muestras]
RN A9
V C23
V M 22
1 105
fi
Unidades ocultas
RN A3
V C12
V M8
Tangente hiperb
olica
RN A2
V C5
V M8
Capa de salida
RN A1
V C3
V M1
Limin 0,5
Limin + 0,5
Limax + 0,5
Limax 0,5
ei
di
ci
bi
ai
Capa oculta
RNA
Offset del sensor de
Variaciones de la media en
Reglas, p
RN A12
V C37
V M 29
kp
p [min.]
p [min.]
KP I
P I [min.]
Ts [min.]
-0.14
-1.10
5.15
6.10
0.19
0.07
0.50
0.50
5
5
0.89
2.22
1.43
1.43
5
5
Integraci
on al CTF
La integraci
on al CTF en el caso de sensores se realiza de forma similar al caso presentado
anteriormente, con la diferencia que la informacion suministrada del SDDEF no actualiza las
polticas de referencia, si no que en este caso directamente corrige la medicion erronea. Es
decir,
i
yimc (k) = yim (k) oCV
(5.27)
f f (k)
donde yim (k) es la medici
on err
onea, yimc (k) es la medicion compensada para el CPBM y
i
oCV
on del offset de la variable i generada por el SDDEF.
f f (k) es la estimaci
La filosofa mostrada para el caso descentralizado de actualizar referencias en este caso de
CPBM puede no dar buenos resultados. Generalmente, un CPM involucra varias VC y VM, la
mayora de las VM resultan referencias para lazos de control de bajo nivel. Compensar entonces
estas referencias o las referencias del CPBM puede resultar en un efecto indeseado para otras
variables del proceso, debido a la interaccion multivariable. Resulta entonces mas efectivo
directamente compensar la medici
on que el CPBM utilizara. Este u
ltimo punto de vista da una
metodologa general, sin considerar estructuras del proceso y con iguales resultados.
Para el caso de fallas en actuadores/valvulas la estrategia de compensacion puede realizarse
de dos formas diferentes. Una es aplicando la misma estrategia mostrada en el caso descentralizado mediante lazos adicionales de control. Es decir, lazos auxiliares que contemplen las
correcciones necesarias a la referencia de tasa de produccion para retornar al proceso a un estado seguro de trabajo. Dichos lazos seran activados de forma adecuada seg
un la clasificacion del
evento anormal realizada por el SDDEF. En este caso los parametros de dichos lazos resultan
como se muestra en la Tabla 5.25.
Otra alternativa de dise
no (con resultados similares al descentralizado) de caractersticas
tolerantes en estrategias de CPM, es integrar el lazo de control adicional mostrado en secciones
anteriores, en la poltica de control existente. El caso de CPM brinda esta posibilidad de
integraci
on, de forma natural y debido esencialmente a su dise
no, mediante el correspondiente
ajuste de los pesos en el funcional costo.
En este caso se desarrolla un modelo lineal (respuesta al impulso o al escalon) para predecir
el comportamiento del proceso sobre el horizonte de prediccion. Este modelo relaciona, igual
que el caso de lazo adicional, la medicion de flujo a la salida de la valvula correspondiente
(salida), con la referencia de tasa de produccion (entrada), en el caso de que no existen
fallas en el proceso. As, se tiene un modelo para predecir comportamiento libre de fallas.
La esencia del control predictivo basado en modelo es minimizar un determinado funcional
costo, para obtener de forma
optima los movimientos de la variable manipulada, considerando
ademas posibles restricciones (ver seccion 3.6). De esta forma se puede incluir en un funcional
ya existente V (uci (k)) el lazo de control adicional ajustando de forma adecuada los pesos
involucrados y computar sus movimientos en la VM por minimizacion. Es decir, recordando el
funcional de la ec. 3.49, se tiene
V (uci (k)) =Vo (k) + Va (k)
=Vo (k) +
Hp
X
j=Hw
ij
yif m
2
yif m (j)
HX
u 1
2
ij uci (j)
(5.28)
j=1
151
donde Vo (k) es la poltica de control predictivo existente y Va (k) es el funcional de los lazos
adicionales de control integrados (i = 1, 2, para F13 o F14 respectivamente). Donde [Hw , Hp ]
es el horizonte de predicci
on, Hu el horizonte de control, ik los coeficientes de peso del error de
k
prediccion, i los coeficientes de peso de la magnitud de la se
nal de control uci (k). La referencia
de la tasa de producci
on sera compensada seg
un uci (k), siendo yif m (k) las predicciones del
fm
modelo libre de falla del flujo y yi la medicion de dicho flujo, actuando como referencia para
el lazo adicional.
El modelo de predicci
oP
n puede realizarse por ejemplo mediante un modelo FIR identificado
fm
j c
j
fuera de lnea, yi (k) = N
j=1 gi ui (k j), donde gi son los correspondientes coeficientes del
FIR, para el lazo de control adicional i y N el orden del modelo. De forma similar a los lazos
adicionales descentralizados las correcciones de la referencia de produccion se realizan seg
un
la poltica sp1pr (k) = sp0pr (k) + uci (k) y lograr la compensacion.
La estrategia consiste en activar los pesos correspondientes (ik y ik , con i = 1, 2) de
acuerdo a la detecci
on y clasificaci
on realizada por el SDDEF en la estrategia de CPBM
existente (Va (k) 6= 0). En el caso en que ninguna valvula ha fallado, estos pesos son ajustados
a cero y la estrategia de CPBM no es modificada manteniendo su formato original (Va (k) = 0).
Al final de esta secci
on se muestran los resultados alternativos de utilizar esta estrategia
integrada respecto a la de lazos de control adicionales descentralizados.
La estructura final del SDDEF integrado al CTF se puede apreciar en la Fig. 5.30. Se pueden
observar las similitudes con la mostrada en la Fig. 5.22 en lo que respecta a las herramientas
de deteccion, clasificaci
on y estimaci
on de las fallas. La modificacion aqu se encuentra en la
forma de integraci
on al CTF. En la version descentralizada se rechazaban los efectos de las
fallas en valvulas mediante actualizaci
on en lnea de las trayectorias de referencia en este caso
en cambio se compensan directamente las mediciones erroneas utilizando la estimacion de la
falla. Adicionalmente, este caso de SDDEF/CPBM presenta la doble posibilidad de realizar la
tolerancia a fallas en valvulas ya sea mediante lazos adicionales descentralizados de control
o por integraci
on directa con la poltica de CPBM existente, va modificacion del funcional
original.
Resultados
En esta secci
on se resumen los principales resultados obtenidos en este complejo caso de
estudio. A ttulo de comparaci
on con el caso descentralizado se proponen analizar los mismos
tipos de fallas vistos anteriormente. Diferentes ndices de rendimiento se proponen para llevar a
cabo las comparaciones. Basicamente estos ndices estan compuestos por dos grandes grupos,
el primero esta encargado de evaluar el rendimiento del SDDEF y el segundo eval
ua la estrategia
de integracion con y sin SDDEF/CTF.
Ademas, al final de esta secci
on puede observarse el caso de tolerancia por medio de lazos
adicionales de control utilizando la estrategia vista en la ec. 5.28.
Inicialmente, se propone analizar el caso de falla en el sensor de no. Kappa en E correspondiente con la falla F8 . Las variables mas afectadas por este tipo de falla se pueden apreciar en
la Fig. 5.31. El instante de ocurrencia de la falla es Tf = 25 hr. con una magnitud de 15 % respecto de su punto operativo normal. El SDDEF realiza las acciones de deteccion, clasificacion
y estimacion en los instantes, Td = 25, 83 hr., Tc = 32,50 hr. y Tr = 50,75 hr. respectivamente. Adicionalmente, en Tu = 67,50 hr. se propone una actualizacion de los parametros
del subsistema ACPA. La Fig. 5.31(a) muestra el no. Kappa en E real y medido con y sin
estrategia SDDEF/CTF. En Tr la informacion generada por el SDDEF es utilizada para realizar
la correccion de la medici
on de forma adecuada. De esta forma el valor real del no. Kappa en
E es retornado a su punto operativo deseado. Sin estrategia SDDEF/CTF se observa como
la variable real se desva del punto de trabajo deseado. La Fig. 5.31(b) muestra la evolucion
152
153
(d) Contribuci
on media a la regla N o 17
154
(a) Temperatura en O
(b) Temperatura en E
(e) Contribuci
on media a la regla N o 12
(f) Contribuci
on media a la regla N o 19
(g) Contribuci
on media a la regla N o 31
(h) Contribuci
on media a la regla N o 28
en este caso la estrategia integrada de SDDEF/CTF permite retornar la variable real del
proceso hacia las proximidades del punto operativo deseado, disminuyendo el efecto de la
falla. En los instantes Tc1 = 8, 75 hr., Td1 = 15, 41 hr. y Tr1 = 33, 75 hr. se realizan la
detecci
on , clasificaci
on y estimacion del valor de la falla para el primer evento anormal. La
segunda falla secuencial produce el bloqueo de la valvula que comanda el flujo de pulpa hacia
las torres de blanqueo produciendo que el proceso se desve hacia otro punto operativo. Este
efecto puede apreciarse claramente de las Figs. 5.34(b),(c),(d). Para el caso sin estrategia
integrada de SDDEF/CTF la tasa de produccion no puede mantenerse y en consecuencia el
flujo de astillas es incrementado drasticamente. Esto provoca que otras variables del proceso
se muevan fuera de su especificacion. Para evitar este comportamiento y conducir el proceso
hacia un estado de operaci
on mas seguro, la estrategia integrada de SDDEF/CTF activa el
lazo de control adicional correspondiente para actualizar la referencia de tasa de producci
on.
En Td2 = 117, 33 hr. la falla del actuador es detectada por el subsistema ACPA utilizando el
estadstico combinado y clasificada en Tc2 = 124, 00 por el subsistema de LD permitiendo la
activaci
on del lazo de control correspondiente, Fig.5.34(e). Esto produce la estabilizacion del
proceso hacia un nuevo punto operativo mas seguro considerando las limitaciones dadas por la
magnitud de la falla. Los parametros de escala del ACPA son actualizados en Tu1 = 50, 41 hr.
y Tu2 = 159, 00 hr. secuencialmente. En la Fig. 5.34(f) se muestra el estadstico combinado y
el proceso de actualizaci
on mencionado. Las salidas del SDDEF se presentan en la Fig. 5.34(g)
donde se resume el soporte de cada regla clasificada, la estimacion del offset normalizado
(
oV C25 (k)), el lazo adicional de control activado (lazo 1), y el n
umero de las reglas (reglas 20
y 26). Las Figs. 5.34(h),(i) resumen la contribucion media de las variables del proceso (um
i (k),
i = 13, . . . , 40) a las reglas involucradas.
El pr
oximo caso de simulaci
on presenta la modificacion del punto operativo deseado del
proceso y secuencialmente una falla del sensor. Las modificaciones severas del punto operativo
en Tf 1 = 8, 33 hr. consideran el cambio en la referencia de la tasa de produccion a 690
toneladas/da, el no. Kappa en E a 2 y la modificacion de la referencia del brillo a 0.86,
simultaneamente (Figs. 5.35(a),(c)). De forma secuencial en Tf 2 = 116, 66 hr. aparece una
falla en el sensor de tasa de produccion (F1 ) con una magnitud de 10 %. La estrategia
propuesta aqu detecta correctamente (Td2 = 117,08 hr.), clasifica (Tc2 = 123,75 hr.) y estima
(Tr2 = 142,08 hr.) el valor de la falla despues de considerables cambios en las condiciones
de operaci
on del proceso. Este comportamiento importante del SDDEF es principalmente
debido a las caractersticas adaptivas del ACP que permiten retornar las contribuciones a
los estadsticos a su comportamiento normal, preparando as el sistema para posibles nuevas
detecciones, clasificaciones y estimaciones, Fig. 5.35(b). Las salidas del SDDEF en este caso
se presentan en la Fig. 5.35(d). La contribucion media de las variables del proceso (um
i (k),
i = 13, . . . , 40) a las reglas involucradas se pueden observar en las Figs. 5.35(e),(f). Las
modificaciones en las referencias debido a cambios en la estrategia de venta o la demanda
del mercado son considerados aqu como eventos normales (no fallas, ni eventos anormales),
de todas formas estas modificaciones provocan cambios considerables en las condiciones de
operaci
on del proceso, que deben ser tenidos en cuenta por el SDDEF/CTF para evitar las
falsas alarmas o perdida de deteccion.
Finalmente, en esta secci
on se muestra el caso de falla en valvula utilizando e implementando la estrategia de integraci
on al CTF sugerida en la ec. 5.28. En este caso particular se
propone comprobar el funcionamiento del sistema cuando una falla tipo F13 ocurre en Tf = 25
hr. con una magnitud de 5 % respecto de su valor normal de operacion. En la Fig. 5.36 se
puede observar el modelo FIR correspondiente a este lazo adicional de control (lazo 1), cuyos
coeficientes son representados como g1j , con j = 1, . . . , N siendo N el orden del modelo. Este
modelo vincula entonces la tasa de produccion (entrada) y el flujo de pulpa hacia las torres
de blanqueo (salida) en condiciones normales de operacion, generando as un modelo libre de
157
(a) Temperatura en D2
(h) Contribuci
on media a la regla N o 20
(i) Contribuci
on media a la regla N o 26
158
(e) Contribuci
on media a la regla N o 33
(f) Contribuci
on media a la regla N o 1
hu [muestras]
F 13
F 13
N [muestras]
TS [min.]
[1,7]
20
Tf [hr.]
Td [hr.]
P T D [ %]
yj
P SRj [ %]
ECM Pj
P M Ej [ %]
71,56
77,78
17,80
62,20
53,16
78,34
76,66
76,30
75,84
56,03
80,54
62,30
51,84
18,42
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,00
25,41
25,50
26,41
25,41
25,41
25,41
25,41
25,83
27,08
25,41
25,41
25,41
25,50
25,75
1,66
2,00
5,66
1,66
1,66
1,66
1,66
3,33
8,33
1,66
1,66
1,66
2,00
3,00
0,65
0,87
0,75
0,77
0,87
0,75
0,77
0,84
0,85
0,98
0,87
0,89
0,98
0,99
51
54
57
56
50
55
48
47
48
53
61
51
26
75
3, 35 10
7, 56 106
1, 87 106
2, 25 104
8, 80 103
2, 11 104
1, 02 105
5, 65 107
3, 91 105
64, 00 103
5, 76 104
4, 40 N
103
F6 (1 %) and
F9 (+1,5 %)
8,33
116,66
8,75
119,41
1,68
11,00
0,69
0,85
54
48
8,33
116,66
11,00
117,50
10,68
3,36
0,98
0,84
58
69
2, 39 104
2, 10 103
N
N
83,24
58,02
N
8,33
116,66
8,75
117,33
1,68
2,56
0,95
0,87
52
69
1, 64 N
104
8,33
116,66
8,83
117,08
2,00
1,68
0,99
0,56
70
40
83,07
44,83
N
3, 21 104
22,42
F1 (+10 %)
F2 (+12 %)
F3 (+1 %)
F4 (+1 %)
F5 (+1,5 %)
F6 (+1 %)
F7 (+1 %)
F8 (+15 %)
F9 (+1,5 %)
F10 (+2 %)
F11 (+4 %)
F12 (+45 %)
F13 (5 %)
F14 (15 %)
15,02
Beneficio [$]
P M Bj [ %]
Perodo
Sin CTF
Con CTF
Sin CTF
Con CTF
[das]
600036
-3409675
-679745
681404
681706
456993
-11,72
-601,61
-200,00
0,24
0,28
-32,76
4,5
4,5
4,5
de SDDEF/CTF se produce un serio deterioro del rendimiento del proceso y su eventual parada
de planta. Esto genera un P M B considerable y negativo, indicando claramente las perdidas
ocasionadas. Estas perdidas enormes pueden disminuirse conduciendo el proceso a un estado
mas seguro de operaci
on (aunque a menor tasa de produccion) con la ayuda del SDDEF/CTF
mediante los lazos adicionales de control (ya sea descentralizado o integrados al CPBM). Esto
es claramente observable de los ndices de beneficio.
5.4.5.
Sinopsis
163
164
CAPTULO
Conclusiones
En la u
ltima decada, el interes en sistemas de monitoreo para procesos se ha incrementado
enormemente debido a la demanda de una mejor operacion de plantas, teniendo en cuenta
condiciones econ
omicas y ambientales mas restrictivas. Reduciendo de esta forma el n
umero
de accidentes. Un aspecto importante es garantizar la operacion del proceso en una zona segura
y rentable.
A su vez, las nuevas estrategias de dise
no de grandes plantas completas se han vuelto mas
complicadas e intrincadas tratando me minimizar costos y maximizar beneficios. Estos dise
nos
requieren de mas complejas polticas de control. Por otro lado, el avance en elementos tales como sensores y actuadores hacen posible esta interaccion de forma adecuada. Paradojicamente,
a medida que el grado de automatizacion avanza en estas nuevas plantas, los requisitos de
monitoreo y toma de decisiones por parte de los operarios se incrementa en cantidad y complejidad. Es decir, es necesario contar con alg
un tipo de sistema inteligente de monitoreo y
supervisi
on para soporte en la toma de decisiones.
A lo largo del trabajo presentado aqu se pudo observar como los sistemas hbridos de DDEF
pueden mejorar las caractersticas deseables comparado con herramientas individuales. El dise
no
de SDDEF hbridos permite que metodologas, individualmente deficientes, se compensen entre
s para generar sistemas confiables y eficaces de monitoreo. Se han presentado las caractersticas
de cada estrategia de dise
no y sus limitaciones. El dise
no basado en modelos cuantitativos
carece de aplicabilidad (o se ve sumamente reducida) en grandes escalas debido a factores
como complejidad, no linealidad, dimension, etc. Por otro lado, lo dise
nos basados en modelos
cuantitativos pueden resultar impracticables con el incremento de la dimension y complejidad.
Debido a estas limitaciones en esta tesis se ha propuesto un dise
no modular, dejando las tareas
especificas a herramientas adecuadas para tal fin. Aqu se ha propuesto esencialmente trabajar
con dise
nos basados en datos hist
oricos y procesado de se
nal.
Por otro lado, las estrategias de automatizacion de compensacion de fallas como el CTF,
son areas a
un en desarrollo y en general no existen aplicaciones a grandes y complejos procesos.
Generalmente, se puede encontrar que los dise
nos de CTF provenientes del area de control estan
fuertemente focalizados a cuestiones propias de regulacion y no a requerimientos de monitoreo
e integraci
on. Se observa en la literatura cientfica una carencia evidente en el desarrollo de
sistemas integrados de DDEF/CTF para grandes procesos, donde las condiciones de operaci
on
son cambiantes, las mediciones ruidosas, las no linealidades elevadas y la dimension de los
modelos realmente grandes.
Inicialmente, en el captulo 4 se presento una estrategia de CTF activo basado en control
predictivo adaptivo, donde la complejidad del caso de aplicacion fue creciente. Se pudo observar
165
que para casos academicos sencillos las estrategias clasicas de CAP pueden, mediante una
peque
na reformulaci
on, abordar el problema de CTF de forma eficaz. La inclusion del parametro
de punto operativo, aumentando el regresor y el vector de la estima puede, de forma simple,
solucionar el problema de offset en sensores y perturbaciones no medidas que atentan sobre
el punto de trabajo del proceso. Se vi
o como esta estrategia es similar en estructura a una
modificacion de la trayectoria de referencia. Po otro lado, la umbralizacion de la respuesta al
impulso finita, la cual se adapta en cada iteracion, permite actualizar problemas relacionados
con retardos variables temporalmente de forma efectiva. Ademas, la adaptacion en lnea del
modelo del proceso permite considerar posibles cambios de la dinamica y la ganancia estatica
de la planta, a la vez que reajustar los controladores. Se observo tambien, como estos dise
nos
pueden mejorarse con la inclusi
on de un filtro robusto en el lazo de realimentacion. As, se
analizaron las estrategias CAP, CFRAP y la integracion de ambos propuesta como CAPFRA.
EL rendimiento del CAPFRA result
o superior para todos los casos considerados, en cuanto a
estabilidad y seguimiento de la poltica de referencia.
Las limitaciones de este tipo de estrategia se pudieron observar en la aplicacion a una
RTAC con camisa. En este caso el proceso es fuertemente no lineal y en general las estrategias
CAP, CFRAP y CAPFRA pierden validez y efectividad. Esta perdida de rendimiento sumada a
la carencia de informaci
on necesaria para la toma de decisiones, hacen que esta metodologa
sea mejorada con el dise
no de un sistema de DDF. En este caso el dise
no del DDF hbrido
se baso en herramientas de procesado de se
nal con la TWD y de modelado de sistemas.
As las caractersticas de multiresoluci
on de la TWD permite una rapida deteccion de los
eventos y un aislamiento de la falla de forma adecuada. A su vez, la metodologa de IS permite
el correcto modelado de elementos del proceso como actuadores/valvulas los cuales tienen
un comportamiento lineal en un rango de operacion. La integracion de estas metodologas
permitio la transformaci
on de los algoritmos clasicos de control en estrategias de CTF activas
con el agregado de una correcta cantidad y calidad de informacion para la toma de decisiones.
El nuevo problema observable en este caso es la extension de estas estrategias a procesos
de dimensiones considerables. La estrategia anteriormente propuesta implicara el abordaje
del problema por cada lazo de control. Lo cual no presenta un problema si el proceso es de
peque
na o mediana escala. De todas formas, se estara dando un punto de vista descentralizado
de la informaci
on y no global para la correcta toma de decisiones. A
un as, la estrategia
descentralizada propuesta aqu representa una alternativa de dise
no de sistemas integrados
SDDEF/CTF para procesos de mediana complejidad.
Con la finalidad de generalizar una metodologa en el tratamiento de MSA se presenta en
el captulo 5 un completo dise
no de un SDDEF integrado al CTF que puede ser aplicado independientemente de las caractersticas del proceso como, dimension, complejidad, no linealidad,
y tipo de poltica de control existente.
El subsistema de detecci
on del SDDEF propuesto esta conformado por ACPA y estadsticos
combinados el cual posee como caractersticas una rapida deteccion de los eventos anormales,
adaptabilidad a diferentes condiciones de operacion de la planta y buena robustez frente a ruido
de medicion. La utilizaci
on de estadsticos combinados permite minimizar el falso diagnostico
y la perdida de detecci
on. A su vez, este subsistema durante su adaptacion genera informacion
u
til respecto a modificaciones de los valores medios y varianzas de las variables del proceso y
las evoluciones de las variables latentes y errores de prediccion. Esta informacion es utilizada
por otros subsistemas interconectados con este. Por ejemplo, el subsistema de LD utiliza la
informacion de la evoluci
on normalizada de las variables latentes y los errores de prediccion
para poder clasificar el estado global del proceso, caracterizando el estado individual de las
variables. Finalmente, el SDDEF esta compuesto de un bloque de estimacion de la magnitud y
direccion de la falla llevado a cabo por el subsistema de RNA. Este bloque recibe la informacion
suministrada por el subsistema ACPA referente a las modificaciones de los valores medios y
166
las varianzas para mapear y generalizar la magnitud de la falla. De esta forma se proponen dos
mapeos diferentes: modificaci
on del valor medio/offset y modificacion de la varianza/retardo
extra. El dise
no modular del SDDEF permite que las tareas de deteccion, clasificacion y estimacion se realicen oportunamente por el ACPA, SLD y RNA respectivamente. De esta forma se
genera un conjunto de informaci
on adecuada en cantidad y calidad: estadsticos de monitoreo
(Hotelling, Q, y z), tiempo de deteccion, cuantificacion del error a priori en la clasificacion (soporte de las reglas) y la contribuci
on media de cada variable a los estadstico. Esta informaci
on
resulta crucial para los operarios que deben evaluar el estado del proceso.
La metodologa aqu propuesta ha sido aplicada a casos de mediana y gran escala. Inicialmente, se propone la aplicacion a una PTAR la cual cuenta con dos lazos de control
descentralizados. Se ha considerado en este caso el siguiente marco de referencia: fallas del
tipo offset en sensores, ruidos de medicion, fallas en actudores/valvulas del tipo retardo extra,
fallas secuenciales, eventos secuenciales, perturbaciones periodicas habituales, compensaci
on
de fallas en sensores mediante actualizacion de la trayectoria de referencia, compensacion de
fallas en valvulas mediante reajuste de los controladores utilizando CBMI en lnea y modificaciones de la poltica de control por inclusion de controladores en avance. Efectivamente se
pudo observar mediante ndices adecuados los beneficios de contar con un sistema integrado
de SDDEF/CTF. Por otro lado, tambien se propuso la aplicacion a uno de los casos de estudio
de mayor cantidad de variables existentes en la literatura de control la PPP (varias veces mas
grande que el modelo de la Tennessee Eastman). En este caso se ha trabajado con el siguiente
marco de referencia: fallas en sensores del tipo offset, fallas en actuadores/valvulas del tipo
bloqueo, ruido de medici
on, puntos operativos cambiantes, fallas secuenciales, eventos secuenciales, perturbaciones no medibles, compensacion de fallas en sensores mediante actualizaci
on
de la trayectoria de referencia y compensacion directa de las mediciones, compensacion de
fallas en valvulas mediante actualizacion de la poltica de control ya sea mediante estrategia descentralizada o integrada al CPBM. Se han podido cuantificar los beneficios de contar
con una estrategia integrada de SDDEF/CTF en este caso, mediante ndices especficos de
rendimiento y econ
omicos.
Finalmente, se ha podido generalizar una metodologa para el correcto MSA en procesos de
peque
na, mediana y gran escala, generando ademas los recursos necesarios para una correcta
integraci
on al CTF. De esta forma el sistema resultante SDDEF/CTF cumple con los requisitos
deseables definidos en el captulo 2 y adiciona caractersticas automaticas de compensaci
on
de fallas. Desde el punto de vista de implementacion la metodologa aqu propuesta presenta
importantes ventajas considerando la carga computacional, los avances actuales referentes a
sensores, actuadores, comunicaciones industriales, bases de datos y hardware de potencia.
6.1.
Direcciones futuras
168
y(k) (k)T
VN , Z N =
N
(a.1)
k=1
con 0 < 1, as resulta que los datos mas nuevos (N k cercano a 1) seran tratados con
mayor importancia en el funcional, por otro lado los datos mas viejos (N k cercano a 0) seran
olvidados dentro del criterio.
Para este caso la estima de mnimos cuadrados resulta
"N
#1 N
X
X
N =
N k (k)(k)T
N k (k)y(k)
(a.2)
k=1
k=1
N
X
#1
N k
(k)(k)
(a.3)
k=1
N
X
k=1
N k (k)(k)T =
N
1
X
N k (k)(k)T + (N )(N )T
(a.4)
k=1
169
(a.5)
i
=PN PN11 N 1 + (N )y(N )
#
"
PN1 (N )(N )T
N 1 + PN (N )y(N )
=PN
h
i
=N 1 + PN (N ) y(N ) (N )T N 1
(a.6)
+ (N )T PN 1 (N )
170
N
X
g(j)u(k + i j) + (k + i)
j=1
i
X
g(j)u(k + i j) +
j=1
N
X
(b.1)
g(j)u(k + i j) +(k + i)
j=i+1
{z
acciones futuras
{z
acciones pasadas
donde u(k + i) es la se
nal de control y y(k + i) la prediccion del modelo. Una forma simple
de obtener una estimaci
on de la perturbacion (error planta-modelo) es considerarla constante
sobre todo el intervalo de prediccion, (k + i) = (k) = y(k) y(k) para i = Hw , . . . , Hp .
Las predicciones del modelo en el horizonte [Hw , Hp ] pueden expresarse como la superposicion de dos efectos, por un lado las acciones pasadas de control contenidas en (k) y los
efectos de las acciones futuras de control referidas con u
(k), es decir:
(k) = T1 GT2 u
y
(k) + T3 ST4 (k) + (k)
(b.2)
con
(k) = [
y
y (k + Hw ), , y(k + Hp )]T
(b.3)
(b.4)
u
(k) = [
u(k), , u
(k + Hu 1)]T
(b.5)
T
171
(b.6)
g(1)
g(2)
.
..
G=
g(N )
0
.
.
.
0
0
..
.
..
..
..
..
.
...
...
..
.
0
..
.
g(1)
0
S =
g(2)
g(1)
..
.
g(1) + g(2)
..
g(N )
.
PN
0
1 g(i)
. . . g(N )
.
..
g(3) g(4)
0
..
.
.
(b.7)
g(4)
0
.
g(N ) .
..
..
.
.
..
..
.
.
g(N )
g(N )
0
0
...
0
g(2)
g(3)
g(4)
..
.
172
Asumiendo que nuestro modelo interno esta representado por un modelo en tiempo discreto
en ecuaciones de estado de la forma
x(k + 1) = Ax(k) + Bu(k)
y(k) = Cx(k)
(c.1)
(c.2)
x
(k + Hp ) = A
x(k + Hp 1) + B
u(k + Hp 1)
H
1
H
p
p
= A x(k) + A
B
u(k) + . . . + B
u(k + Hp 1)
Ahora, recordando que la se
nal de control solo cambia Hu veces y se mantiene constante
el resto del horizonte de predicci
on y expresando las predicciones en funcion de los cambios en
la se
nal de control
u(k + i), donde
u(k + i) = u
(k + i) u
(k + i 1), podemos escribir
en forma matricial, resultando
X(k)
= A x(k) + B1 u(k 1) + B2 U(k)
|
{z
}
| {z }
(c.3)
X(k)
= [
x(k + 1), . . . , x
(k + Hp )]T
U(k)
= [
u(k), . . . ,
u(k + Hu 1)]T
(c.4)
acciones pasadas
donde
acciones futuras
es el vector de predicci
on de los estados sobre el horizonte Hp y la secuencia futura de variaciones en la se
nal de control sobre el horizonte de control Hu respectivamente. A , B1 y B2
173
son matrices que dependen del modelo y de las dimensiones de los horizontes Hp y Hu
B
A
AB + B
..
..
..
..
..
.
.
.
P
.
.
H
1
u
iB
AHu
PHu 1 i
A
i=0
P
A
B
B
A = Hu +1 , B1 =
Hu
i=0
i B , B2 = P
A
A
Hu
iB
i=0
AB
+
B
i=0
.
.
..
..
..
..
..
.
.
.
P
Hp 1 i
H
p
A
PHp 1 i
PHp Hu i
i=0 A B
AB
i=0 A B
i=0
(c.5)
x(k) es el vector de estados medidos y u(k 1) es el vector de entradas aplicadas a la planta
en el instante de tiempo anterior.
Las predicciones de las salidas controladas pueden facilmente obtenerse mediante
Y(k)
=
y
(k + 1)
..
,
.
y
(k + Hp )
C =
C 0
0 C
.. .. . .
.
. .
0 0
0
0
..
.
(c.6)
(c.7)
y = C A , = C B1 y = C B2 .
Ahora bien, si sobre la planta act
uan perturbaciones el modelo anterior no tiene en cuenta
dicho comportamiento. Una forma simple de incluir en las predicciones del modelo el efecto de
las perturbaciones es considerar estas como perturbaciones de salida y estimarlas calculando
el error plantamodelo, (k) = y(k) y
(k) donde y(k) es el vector de las salidas actuales del
proceso e y
(k) la estimaci
on actual dada por el modelo interno. Asumiendo ahora que dicha
perturbacion se mantiene constante sobre todo el horizonte de prediccion (k) = (k + i), con
1 i Hp , podemos as incluirla en la prediccion del modelo seg
un,
Y(k)
= x(k) + u(k 1) + U(k)
+ (k)
(c.8)
Y(k)
=
x(k) + u(k 1) + U(k)
+ (k)
174
(c.9)
Apndice D: Algoritmo de
factorizacin UD
Suele ser de gran ayuda expresar las matrices de forma factorizada y as evitar problemas numericos con grandes matrices mal condicionadas. Uno de los metodo utilizados es la
factorizaci
on UD que tiene por objeto representar la matriz de covarianza como:
P(k) = U (k)D (k)U (k)
(d.1)
donde U (k) es una matrixz triangular superior con todos sus elementos en la diagonal iguales
a uno y D (k) una matriz diagonal (Ljung (1999); Zhang and Li (1999); Jordan et al. (2006);
Jordan (1990)).
El algoritmo recursivo para mnimos cuadrados resulta entonces
A)- Inicializaci
on, k = 0
D (0) = I, con = 102 104
B)- Para k > 0
f (k) = UT (k 1)(k)
v(k) = D (k 1)f (k)
0 (k) =
1)- Para j = 1, 2, . . . , N
j (k) = j1 (k) + fj (k)vj (k)
Djj (k) = j1 (k)Djj (k 1)/j (k)
j (k) = vj (k)
uj (k) = fj (k)/j1 (k)
2)- Para i = 1, . . . , j 1
Uij (k) = Uij (k 1) + i (k)uj (k)
i (k) i (k) + Uij (k 1)
j (k)
3)- Computar
(k) = N1(k) [
1 (k), 2 (k), . . . , N (k)]T
4)- Actualizar
h
i
176
Una de las tecnicas mas ampliamente difundidas de control basado en modelos es el CBMI
(Rivera (2007, 1986)). Esta necesita de un modelo interno confiable del proceso que mediante
una factorizaci
on adecuada puede utilizarse para ajustar los parametros de los controladores
clasicos (PI, PID). Este tipo de metodologa es aplicada fuera de lnea para el dise
no de
controladores. En esta tesis se propone integrar esta tecnica con la informacion dada por el
SDDEF resultando en un algoritmo que permita el reajuste de controladores clasicos en lnea.
En lo siguiente se dara una breve descripcion de la metodologa utilizada, para mas detalles
ver Rivera (1986, 2007). Esta estrategia esta basada en criterios de robustez, estabilidad y
rendimiento. El modelo del proceso en el dominio transformado de Laplace puede representarse
como G(s)
= g+ (s)
g (s), donde g+ (s) es la parte no invertible conteniendo todos los retardos
y ceros no mnima fase y g (s) que es la parte invertible estable del modelo. El dise
no CBMI
resulta entonces:
1
Gc (s) = g
(s)flp (s)
(e.1)
donde flp (s) es un filtro pasa bajos de orden especfico de forma tal que Gc (s) sea al menos
una funci
on propia. Mediante esta factorizacion Gc (s) resulta fsicamente realizable.
g1 (s)
Gc (s)
= 1
1 g(s)gc (s)
flp (s) g+ (s)
(e.2)
(a) CBMI
(b) Cl
asica
G(s) G(s)
G(s)
(e.4)
Generalmente |em (s)| posee un valor que aproxima o supera la unidad para frecuencias
altas. Evaluando as |em ()| = 1 resulta que
= 1/ generando un lmite frecuencial de
validez para el modelo. Para un rango operacional de > 1/ no puede garantizarse la
robustez a incertidumbres multiplicativas. Ademas, en la estrategia de CBMI la respuesta a
lazo cerrado del sistema resulta proporcional a la constante de tiempo del filtro f (es decir
1/f = ). En este contexto, se puede obtener un dise
no conservativo si se selecciona f > .
Teniendo en cuenta lo expresado hasta aqu, se puede entonces utilizar la informacion
que suministra el SDDEF respecto del retardo identificado y redise
nar los parametros del
controlador en lnea; considerando la condicion f > del error cometido y la ecuacion de
dise
no e.3.
178
El control en avance (CEA) puede idealmente eliminar por completo el efecto de las perturbaciones medidas en las salidas del proceso. Incluso cuando existen errores de modelado el CEA
puede reducir el efecto de dichas perturbaciones mejor que una estrategia de realimentaci
on
solamente.
Los beneficios econ
omicos del CEA pueden provenir de un menor costo operativo y/o
incrementar la venta de productos por mejoras en su calidad. Generalmente el CEA trabaja
en conjunto con una estrategia de control por realimentacion. Este u
ltimo tiene por objeto
realizar el seguimiento de la poltica de referencia y rechazar perturbaciones no medidas que
siempre estan presentes en procesos reales.
(f.1)
claramente se observa que si la perturbacion medida no debe influenciar la salida del proceso
entonces se debe cumplir que
Gp (s) Kf f (s)G(s) = 0
179
(f.2)
un calculo aproximado de dicho controlador puede realizarse considerando los modelos del
p (s) resultando en
proceso G(s)
yG
1 (s)G
p (s)
Kf f (s) = G
(f.3)
180
Bibliografa
N.H. Afgan, M.G. Carvalho, P.A. Pilavachi, A. Tourlidakis, G.G. Olkhonski, and N. Martins.
An expert system concept for diagnosis and monitoring of gas turbine combustion chambers.
Applied Thermal Engineering, (26):766/771, 2006.
ASM. Abnormal situation management consortium. http://www.asmconsortium.com.
M. Bauer and N.F. Thornhill. A practical method for identifying the propagation path of
plant-wide disturbances. Journal of Process Control, (doi:10.1016/j.jprocont.2007.11.007),
2008.
M. Bhushan, S. Narasimhan, and R. Rengaswamy. Robust sensor network design for fault
diagnosis. Computers and Chemical Engineering, 32:1067/1084, 2008.
S. Bjorklund and L. Ljung. A review of time-delay estimation techniques. In Proceedings of
42nd IEEE Conference on Decision and Control, page 2502/2507, Hawaii-USA, 2003.
M. Blanke, M. Kinnaert, J. Lunze, and M. Staroswiecki. Diagnosis and Fault-Tolerant Control.
Springer Berlin Heidelberg, 2 edition, 2006.
D. Campos-Delgado and Kemin Zhou. Reconfigurable fault-tolerant control using GIMC structure. IEEE Transactions On Automatic Control, 48(5):832/838, May 2003.
J.J. Castro and F.J. Doyle. A pulp mill benchmark problem for control: Problem description.
Journal Of Process Control, (14):17/29, 2004a.
J.J. Castro and F.J. Doyle. A pulp mill benchmark problem for control: Application of platwide
control design. Journal Of Process Control, (14):329/347, 2004b.
CEFIC. European chemical industry council. http://www.cefic.be.
H. Cheng, M. Nikus, and S.L. Jamsa-Jounela. Fault diagnosis of the paper machine short
circulation process using novel dynamic causal digraph reasoning. Journal of Process Control,
(doi:10.1016/j.jprocont.2007.12.003), 2008.
L. Chiang, M. Kotanchek, and A. Kordon. Fault diagnosis based on fisher discriminant analysis
and support vector machines. Computers and Chemical Engineering, (28):1389/1401, 2004.
L.H. Chiang and L.F. Colegrove. Industrial implementation of on-line multivariate quality
control. Chemometrics and Intelligent Laboratory Systems, (88):143/153, 2007.
181
Bibliografa
P. Christofides and N. El-Farra. Control of Nonlinear and Hybrid Process Systems. Designs for
Uncertainty, Constraints and Time-Delays. Springer-Verlag Berlin Heidelberg, 2005.
C. Commault and J.M. Dion. Sensor location for diagnosis in linear systems: A structural
analysis. IEEE Transactions On Automatic Control, 52:155/169, 2007.
J. Coop. The cost simulation benchmark, description and simulator manual. Technical report,
COST (European Coop. in the field of Scientific and Technical Research), 2001.
N.A. Darwish and N. Hilal. Sensitivity analysis and faults diagnosis using artificial neural networks in natural gas TEG-dehydration plants. Chemical Engineering Journal, 137:189/197,
2008.
I. Daubechies. The wavelet transform, time-frequency localization and signal analysis. IEEE
Transactions On Information Theory, 36(5):961/1005, 1990.
H. Demuth and M. Beale. Neural network toolbox for use with matlab (users guide version
4). Technical report, The Math Works Inc., 2002.
M. Ekman, B. Bj
orlenius, and M. Andersson. Control of the aeration volume in an activated
sludge process using supervisory control strategies. Water Research, (40):1668/1676, 2006.
N. El-Farra, Y. Lou, and P. Christofides. Fault-tolerant control of fluid dynamic systems via
coordinated feedback and switching. Computers and Chemical Engineering, (27):1913/1924,
June 2003.
N.H. El-Farra. Integrated fault detection and fault-tolerant control architectures for distributed
processes. Ind. Eng. Chem. Res., page Published on Web April 14, 2006.
A. Fekih and P. Pilla. A passive fault tolerant control strategy for the uncertain MIMO
aircraft model F-18. 39th Southeastern Symposium on System Theory, page 320/325,
Mercer University, Macon, GA, 31207, March 4-6 2007.
W. Gao, G.F. Ma, M.L. Zhou, Y.C. Li, and Ying Li. Parameter identification and adaptive
predictive control of time-varying delay systems. In Proceedings of the Fourth International
Conference on Machine Learning and Cybernetics, page 609/613, Guangzhou, August 18/21
2005.
X. Gu, Q. Zhu, and Z. Geng. Self-adaptive signal processing integrated wavelet theory & PCA
for process monitoring. In ICSP04 Proceedings, 2004.
F. Hamelin, T. Boukhobza, H. Jamouli, and C. Join. An integrated way to design FD/FTC
modules via parity space and model following. In A Proceedings Volume from the 6th IFAC
Symposium, SAFEPROCESS 2006, page 372/377, Beijing, P.R. China, August 30/September 1 2006.
Q. He, J. Wang, and S. Qin. A new fault diagnosis method using fault directions in fisher
discriminant analysis. Technical report, Texas-Wisconsin Modeling and Control Consortium,
2004.
D.M. Himes, R.H. Storer, and C. Georgakis. Determination of the number of principal components for disturbance detection and isolation. In Proceeding Of The American Control
Conference, page 1279/1283, Baltimore-Maryland, June 1994.
H.P. Huang and K.Y. Luo. On-line wavelets filtering with application to linear dynamic data
reconciliation. Ind. Eng. Chem. Res., 46:8746/8755, 2007.
182
Bibliografa
C. Jiang and D.H. Zhou. Fault detection and identification for uncertain linear time-delay
systems. Computers and Chemical Engineering, 30:228/242, 2005.
M. Jordan, M. Basualdo, and D. Zumoffen. An approach to improve the performance of
adaptive predictive control systems: Theory, simulations and experiments. International
Journal Of Control, 79(10):1216/1236, 2006.
M.A. Jordan. Digitale adaptive Regelung mit linearen nichtparametrischen Modellen. PhD
thesis, Darmstad, Germany, 1990.
Stoyan Kanev. Robust Fault-Tolerant Control. PhD thesis, University of Twente, The Netherlands, 2004.
F. Kimmich, A. Schwarte, and R. Isermann. Fault detection for modern diesel engines using
signal and process model-based methods. Control Engineering Practice, (13):189/203, 2005.
M. Kinnaert. Robust fault detection based on observers for bilinear systems. Automatica, 35:
1829/1842, 1999.
R. Kofahl. Robustness in Parameter Adaptive Control (Chap. XIII in Adaptive Control Systems). Prentice Hall, 1992.
J. Komenda, J.H. van Schuppen, B. Gaudin, and H. Marchand. Supervisory control of modular
systems with global specification languages. Automatica, 44:1127/1134, 2008.
P.R. Kotecha, M. Bhushana, and R.D. Gudi. Constraint programming based multi-objective
sensor network design for fault diagnosis. In 17th European Symposium on Computer Aided
Process Engineering, volume 24 of Computer Aided Chemical Engineering, page 745/750,
2007.
T. Kourti. Process analysis and abnormal situation detection: From theory to practice. IEEE
Control Systems Magazine, page 10/25, 2002.
W. Ku, R.H. Storer, and C. Georgakis. Disturbance detection and isolation by dynamic principal
component analysis. Chemometrics and Intelligent Laboratory Systems, (30):179/196, 1995.
S. Lane, E.B. Martin, A.J. Morris, and P. Gower. Application of exponentially weighted principal
component analysis for the monitoring of a polymer film manufacturing process. Transactions
Of The Institute Of Measurement And Control, 1(25):17/35, 2003.
C. Lee, S.W. Choi, and I.B. Lee. Sensor fault identification based on time-lagged PCA in
dynamic processes. Chem. and Int. Lab. Syst., (70):165/178, 2004.
G. Lee, T. Tosukhowong, J.H. Lee, and C. Han. Fault diagnosis using the hybrid method of
signed digraph and partial least squares with time delay: The pulp mill process. Ind. Eng.
Chem. Res., (45):9061/9074, 2006.
J. Lehtoranta and H.N. Koivo. Fault diagnosis of induction motors with dynamical neural
networks. In IEEE International Conference on Systems, Man and Cybernetics, volume 3,
page 2979/2984, 10/12 Oct. 2005.
W. Li and S.J. Qin. Consistent dynamic PCA based on errors-in-variables subspace identification. Journal Of Process Control, (11):661/678, 2001.
W. Li, H.H. Yue, S. Valle-Cervantes, and S.J. Qin. Recursive pca for adaptive process monitoring. Journal Of Process Control, (10):471/486, 2000.
183
Bibliografa
L. Ljung. System Identification (Theory for the user). Second edition, 1999.
R. Luo, M. Misra, and D. Himmelblau. Sensor fault detection via multiscale analysis and
dynamic PCA. Ind. Eng. Chem. Res., 38:1489/1495, 2005a.
X. Luo, X. Zuo, and D. Du. Varying model based adaptive predictive control of highly nonlinear chemical process. International Conference on Control and Automation (ICCA2005),
Budapest, Hungary, June 27/29 2005b.
Y.G. Ma, L.Y. Ma, and J. Ma. RBF neural network based fault diagnosis for the thermodynamic
system of a thermal power generating unit. In Proceedings of the Fourth International
Conference on Machine Learning and Cybernetics, Guangzhou, 18/21 August 2005.
J.M. Maciejowski. Predictive Control With Constraints. Prentice Hall, 2002.
M. Mahmoud, J. Jiang, and Y. Zhang. Active Fault Tolerant Control Systems. Springer-Verlag
Berlin Heidelberg, 2 edition, 2003.
M.S. Mahmoud, E.K. Boukas, and A. Ismail. Robust adaptive control of uncertain discretetime state-delay systems. Computers & Mathematics with Applications, (55):2887/2902,
2008.
S.G. Mallat. A theory for multiresolution signal decomposition: The wavelet representation.
IEEE Transactions On Pattern Analysis And Machine Intelligence, II(7):674/693, 1989.
S. Manuja, S. Patwardhan, and S. Narasimhan. Fault tolerant control with identified models:
An experimental study. IEEE-ICISIP, page 460/465, 2004.
The MathWorks. Fuzzy logic toolbox for use with matlab (users guide version 2). Technical
report, The Math Works Inc., 2002.
A. Maulud, D. Wang, and J.A. Romagnoli. A multi-scale orthogonal nonlinear strategy for
multi-variate statistical process monitoring. Journal of Process Control, (16):671/683, 2006.
M.R. Maurya, R. Rengaswamy, and V. Venkatasubramanian. Fault diagnosis using dynamic
trend analysis: A review and recent developments. Engineering Applications of Artificial
Intelligence, (20):133/146, 2007.
P. Mhaskar. Robust model predictive control design for fault-tolerant control of process systems. Ind. Eng. Chem. Res., (45):8565/8574, 2006.
P. Mhaskar, A. Gani, N. El-Farra, C. McFall, P.D. Christofides, and J. Davis. Integrated fault
detection and fault-tolerant control of process systems. AIChE J., (52):2129/2148, 2006.
P. Mhaskar, A. Gani, C. McFall, P. Christofides, and J. Davis. Fault-tolerant control of nonlinear
process systems subject to sensor faults. AIChE J., (53):654/668, 2007.
M. Misiti, Y. Misiti, G. Oppenheim, and J. Poggi. Wavelet toolbox for use with matlab (users
guide version 2). Technical report, The Math Works Inc., 2002.
M. Misra, H.H. Yue, S.J. Qin, and C. Ling. Multivariate process monitoring and fault diagnosis
by multi-scale PCA. Computers and Chemical Engineering, (26):1281/1293, 2002.
S. Montania, L. Portinale, A. Bobbioa, and D. Codetta-Raiteria. Radyban: A tool for reliability
analysis of dynamic fault trees through conversion into dynamic bayesian networks. Reliability
Engineering & System Safety, 93, 2008.
184
Bibliografa
C. Mu
noz, D. Rojas, O. Candia, L. Azocar, C. Bornhardt, and C. Antileo. Supervisory control
system to enhance partial nitrification in an activated sludge reactor. Chemical Engineering
Journal, doi:10.1016/j.cej.2008.04.032, 2008.
E. Musulin. Process Monitoring and Abnormal Situation Management in Chemical Processes. PhD thesis, Departament dEnginyeria Qumica, Escola T`ecnica Superior dEnginyers
Industrials de Barcelona, Universitat Polit`ecnica de Catalunya, Espa
na, June 2005.
E. Musulin, M. Bagajewicz, J. Nougues, and L. Puigjaner. Instrumentation design and upgrade
for principal components analysis monitoring. Ind. Eng. Chem. Res., 43:2150/2159, 2004.
E. Musulin, I. Yelamos, and L. Puigjaner. Integration of principal component analysis and fuzzy
logic systems for comprehensive process fault detection and diagnosis. Ind. Eng. Chem. Res.,
(45):1739/1750, 2006.
H.H. Niemann and J. Stoustrup. Passive fault tolerant control of a double inverted pendulum.
A case study. Control Engineering Practice, (13):1047/1059, 2005.
P.M. Nrgaard, O. Ravn, N.K. Poulsen, and L.K. Hansen. Neural Networks For Modelling And
Control Of Dynamic Systems: a practitioners handbook. Springer-Verlag London, 2 edition,
2001.
O. Ondela, E. Boutleux, G. Clerc, and E. Blanco. FDI based on pattern recognition using
kalman prediction: Application to an induction machine. Engineering Applications of Artificial Intelligence, (doi:10.1016/j.engappai.2007.11.005), 2008.
S.C. Patwardhan and S.L. Shah. From data to diagnosis and control using generalized orthonormal basis filters. part I: Development of state observers. Journal of Process Control,
(15):819/835, 2005.
S.C. Patwardhan, S. Manuja, S. Narasimhan, and S.L. Shah. From data to diagnosis and
control using generalized orthonormal basis filters. part II: Model predictive and fault tolerant
control. Journal of Process Control, (16):157/175, 2006.
J. Prakash, S.C. Patwardhan, and S. Narasimhan. A supervisory approach to fault-tolerant
control of linear multivariable systems. Ind. Eng. Chem. Res., (41):2270/2281, 2002.
M. Primucci and M. Basualdo. Thermodynamic predictive functional control applied to CSTR
with jacket system. Proceedings of 15th Triennial World Congress, Barcelona, Spain, 2002.
IFAC.
A. Pu
nal, E. roca, and J. Lema. An expert system for monitoring and diagnosis of anaerobic
wastewater treatment plants. Water Research, (36):2656/2666, 2002.
J.P. Richard. Time-delay systems:an overview of some recent advances and open problems.
Automatica, (39):1667/1694, 2003.
L. Rieger, T. Thomann, W. Gujer, and H. Siegrist. Quantifying the uncertainty of on-line
sensors at wwtps during field operation. Water Research, (39):5162/5174, 2005.
D. Rivera. Internal model control. 4. PID controller design. Ind. Eng. Chem. Process Des.
Dev., 25:252/265, 1986.
D. Rivera. Una metodologa para la identificacion integrada con el dise
no de controladores
IMC-PID. RIAI (Rev. Iberoamericana de Autom e Inf. Ind), 4(4):5/18, 2007.
185
Bibliografa
Bibliografa
Bibliografa
D. Zumoffen and M. Basualdo. From large chemical plant data to fault diagnosis integrated
to decentralized fault-tolerant control: Pulp mill process application. Ind. Eng. Chem. Res.,
47(4):1201/1220, 2008a.
D. Zumoffen and M. Basualdo. Improvements in fault tolerance characteristics for large chemical plants. Part I: Waste water treatment plant with decentralized control. Ind. Eng. Chem.
Res., 2008b.
D. Zumoffen and M. Basualdo. Improvements in fault tolerance characteristics for large chemical plants. Part II: Pulp mill process with model predictive control. Ind. Eng. Chem. Res.,
2008c.
D. Zumoffen, M. Basualdo, M. Jordan, and A. Ceccatto. Robust adaptive predictive faulttolerant control linked with fault diagnosis system applied on a nonlinear chemical process.
In Proceedings of the 45th IEEE Conference on Decision and Control, page 3512/3517, San
Diego,CA,USA, 2006.
D. Zumoffen, M. Basualdo, M. Jordan, and A. Ceccatto. Robust adaptive predictive faulttolerant control integrated to a fault-detection system applied to a nonlinear chemical process. Ind. Eng. Chem. Res., 46(22):7152/7163, 2007.
188
Anexo
Durante el desarrollo de esta tesis se han generado diversas publicaciones. Las principales
se detallan a continuaci
on:
A- An Approach to Improve the Performance of Adaptive Predictive Control Systems: Theory, Simulations and Experiments. M. Jordan, M. Basualdo and D. Zumoffen. International
Journal Of Control. 2006, 79(10), 1216/1236.
B- Robust Adaptive Predictive Fault-Tolerant Control Linked with Fault Diagnosis System
Applied On a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and A.
Ceccatto. Proceedings of the 45th IEEE Conference on Decision and Control. 2006, 3512/3517.
San Diego, CA, USA.
C- Robust Adaptive Predictive Fault-Tolerant Control Integrated To a Fault-Detection System Applied to a Nonlinear Chemical Process. D. Zumoffen, M. Basualdo, M. Jordan and
A. Ceccatto. Ind. Eng. Chem. Res.. 2007, 46(22), 7152/7163.
D- From Large Chemical Plant Data to Fault Diagnosis Integrated to Decentralized FaultTolerant Control: Pulp Mill Process Application. D. Zumoffen and M. Basualdo. Ind. Eng.
Chem. Res.. 2008, 47(4), 1201/1220.
E- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part I: Waste
Water Treatment Plant with Decentralized Control. D. Zumoffen and M. Basualdo. Ind.
Eng. Chem. Res.. 2008. In press.
F- Improvements in Fault Tolerance Characteristics for Large Chemical Plants Part II: Pulp
Mill Process with Model Predictive Control. D. Zumoffen, M. Basualdo and G. Molina. Ind.
Eng. Chem. Res.. 2008. In press.
Trayectoria Optima
Aplicado A Destilacion Batch. J.P. Ruiz, F. Garetto, D. Zumoffen y M.
Basualdo. Congreso X RPIC, Argentina. 2003.
2. A Nonlinear Soft Sensor For Quality Estimation And Optimal Control Applied In A Ternary Batch
Distillation Column. J.P. Ruiz, D. Zumoffen, M. Basualdo and L. Jimenez Esteller. ESCAPE 14
European Symposium on Computer Aided Process Engineering, Portugal. 2004.
189
Bibliografa
3. Aplicaci
on De Control Predictivo Funcional Para El Seguimiento De Una Trayectoria Optima
De
Temperatura En Una Columna De Destilacion Batch Multicomponente. D. Zumoffen, L. Garyulo
y M. Basualdo. XIX Congreso Argentino de Control Automatico, Argentina. 2004.
4. Predictive Functional Control Applied To Multicomponent Batch Distillation Column. D. Zumoffen, L. Garyulo, M. Basualdo and L. Jimenez. ESCAPE 15, European Symposium on Computer
Aided Process Engineering, Spain. 2005, 1465/1470.
5. Sistema De Detecci
on De Fallas En Un CSTR Controlado Con PFC. D. Zumoffen, M. Basualdo
y A. Ceccatto. Congreso XI RPIC, Argentina. 2005.
6. Control Tolerante Predictivo Funcional aplicado A Un CSTR. D. Zumoffen, M. Basualdo y M.
Jordan. Congreso XI RPIC, Argentina. 2005.
7. Control predictivo generalizado no lineal aplicado a una columna de destilacion batch ternaria.
J. Walczuk, L. Caviglia, D. Zumoffen y M. Basualdo. Congreso XI RPIC, Argentina. 2005.
8. On the Design of Fault-Tolerant Systems using Robustness Filtering with Adaptive Control. M.
Jordan, M. Basualdo and D. Zumoffen. Congreso XI RPIC, Argentina. 2005.
9. An Industrial Application Of Signal Processing For Developing A Fault Diagnosis System Linked
With A Fault Tolerant Control Strategy. M. Basualdo and D. Zumoffen. Workshop on Signal
Processing (WSP06), Argentina. 2006.
10. Control Tolerante A Fallos Integrado A Un Sitema De Diagnosis Basado En Analisis De Principales
Componentes Y L
ogica Difusa. D. Zumoffen, M. Basualdo y G. Molina. XX Congreso Argentino
de Control Automatico, Argentina. 2006.
11. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part I: FDIE System
Design. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina. 2007.
12. Fault Detection and Estimation System Integrated To Fault Tolerant Control. Part II: Reconfiguration of the Control Strategy. D. Zumoffen and M. Basualdo. Congreso XII RPIC, Argentina.
2007.
13. Hybrid Fault Diagnosis For Large Chemical Plants Under Control. D. Zumoffen and M. Basualdo.
ESCAPE 18, European Symposium on Computer Aided Process Engineering, France. 2008.
14. Fault Diagnosis and Identification System Applied to a Non-invasive Biosensor of Blood Glucose.
M. Basualdo, D. Zumoffen and A. Rigalli. ESCAPE 18, European Symposium on Computer Aided
Process Engineering, France. 2008.
15. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte I: Dise
no del SDDEF. D. Zumoffen y M.
Basualdo. XXI Congreso Argentino de Control Automatico, Buenos Aires, Argentina. 2008.
16. Monitoreo Y CTF en Grandes Plantas Qumicas. Parte II: Integracion al CTF. D. Zumoffen y M.
Basualdo. XXI Congreso Argentino de Control Automatico, Buenos Aires, Argentina. 2008.
190