Detección de fallas basado en modelo para la planta piloto.

La detección de fallas es el primer paso para el diagnóstico de fallas. La detección de fallas
básicamente detecta la presencia de fallas en el sistema. Es importante notar que la detección
de fallas incipientes (o detección de fallas temprana) es importante para la seguridad del
sistema así como la eficiente implementación de un sistema de mantenimiento basado en
condición (CBM).

La detección de fallas basado en modelo se centra en la generación de residuos, los residuos
cuantifican la inconsistencia entre el comportamiento actual del sistema y su modelo
matemático.

La generación de residuos en un marco determinístico, como en el caso de los cuatro tanques,
puede analizar los siguientes estudios: Frank et al. [1] provee un estudio del uso de
observadores no lineales para detección y aislamiento de fallas. Más específicamente,
Hmmouri et al. [2, 3] discuten el uso de observadores con alta ganancia para la detección de
fallos y control de sistemas no lineales. Besancon y Hammouri [4] estudia el diseño del
observador utilizando le ecuación de Riccati para sistemas no lienales. Selinger y Frank [5]
propusieron un observador de entradas desconocidas (UIO) como una clase de sistema no
lineal. Ding y Frank [6] además de Yang y Saif [7] propusieron el uso de observadores no
lineales adaptativos para la detección de fallos. Sreedbar et.al [8] diseñaron un sistema de
detección de fallos basado en un observador en modo deslizante.

El segundo método clásico en generación de residuos para la detección de fallos es el enfoque
del espacio de paridad, que se basa en las relaciones de redundancia analíticos (ARR) que
enlazan un subconjunto de variables seleccionadas del sistema considerado. Las ARRs pueden
obtenerse automáticamente de las ecuaciones del modelo utilizando varios algoritmos de
eliminación [9]. Los ARRs se pueden separar en dos partes. La primera parte sólo depende de
variables conocidas (mediciones), mientras que la segunda, es decir, llamada parte de
evaluación, depende de los componentes de fallo. El valor residual puede ser interpretado
como la parte de evaluación del ARR [9]. El valor residual puede ser interpretado como la parte
de evaluación de la ARR [9]. Christophe et al. [9, 10] ha demostrado que para un sistema no
lineal multi-entrada y salida única (MISO) existe una relación entre residuos de paridad y los
residuos generados por los observadores de alta ganancia.

El principal inconveniente del enfoque de espacio paridad es que los residuos se calculan
utilizando derivadas temporales de las variables medidas, lo que hace este método muy
sensible al ruido y perturbaciones del sistema de medición. Por lo tanto, para que sea útil en
un entorno ruidoso, se requiere filtrado adicional y pre-procesamiento.

Detección de fallas basado en inteligencia computacional para la planta piloto.

Los métodos de diagnóstico de fallos basados en el modelo se basan en el modelo matemático
analítico del proceso siendo monitoreado. Esto implica que la exactitud del modelo tiene
impacto directo en el rendimiento del sistema de diagnóstico y fiabilidad. Sin embargo, para
sistemas complejos e inciertos, la derivación de modelos matemáticos de alta fidelidad a partir
de principios físicos puede llegar a ser muy complicado, tardarse demasiado, e incluso a veces
inviable (por ejemplo, algunos sistemas no pueden ser representados con precisión suficiente

1. 3. 6.” Systems & Control Letters. representan una forma prometedora de eludir los problemas de modelado de precisión antes mencionados en el diagnóstico de fallos basado en modelos. Hammouri.” A book chapter in New Directions in Nonlinear Observer Design. Alcorta Garcia. 1999. podemos aplicar también métodos basados en inteligencia computacional como los que se mencionan en el siguiente párrafo. .por un sistema de parámetros concentrados). la teoría del aprendizaje en redes neuronales. Frank. 1999. M. Hammouri. Los métodos matemáticos en inteligencia computacional. Frank. que no pueden ser modelados con precisión En nuestra planta piloto. Springer. Los sistemas híbridos consisten en utilizar métodos basados en diferentes enfoques simultáneamente como la información del modelo matemático del sistema y la capacidad de adaptación de las redes neuronales. 1993. Frank. 2. M. P. 1999. Por último. sistemas neuro-difusos y algoritmos genéticos. “Nonlinear observers for fault detection and isolation. vol. lógica difusa. “Application of nonlinear observers to fault detection and isolation. and E. “Robust component fault detection and isolation in nonlinear dynamic systems using nonlinear unknown input observers. 4. Ding and P. R. [11] que describe algunos de los métodos de generación de residuales basados en técnicas de inteligencia artificial. Además. incluso con la posibilidad de derivar un modelo matemático. M. Australia. algunos sistemas exhiben comportamientos inciertos como dinámicas de orden superior y oscilaciones de alta frecuencia. G. El Yaagoubi. Berlin/Heidelberg. H. 5. colectivamente llamados dinámicas no modeladas. Sydney. “On uniform observation of nonuniformly observable systems. H. “An adaptive observer-based fault detection scheme for nonlinear systems. H. Seliger and P. Berlin/Heidelberg. and E. pero no menos importante. Sistemas híbridos. Baden-Baden. and E. “Observer-based approach to fault detection and isolation for nonlinear systems. Springer. no. Kinnaert. con el objeto de comparar resultados y apreciar las características esenciales de cada uno de ellos. si bien las ecuaciones que modelan el sistema son conocidos. El Yaagoubi. M. Kinnaert. 10. M.” in Proceedings of the 12th IFAC World Congress. Besancon and H. 43. De hecho. X. 1996. Schrier.” A book chapter in New Directions in Nonlinear Observer Design. H. durante la última década los métodos de diagnóstico de fallas basados en inteligencia computacional (IC) se han desarrollado extensamente y aplicado con éxito a diversos sistemas de ingeniería.” in Proceedings of the IFAC/IMAC Symposium SAFERPROCESS’91. 44. Hammouri. que integran los conocimientos tanto cuantitativos como cualitativos del sistema de diagnóstico de fallas. la obtención de valores de los parámetros del modelo puede llegar a ser un trabajo muy tedioso o incluso prácticamente imposible debido a problemas de propiedad impuesta regularmente por los fabricantes de equipos y/o integradores de sistemas. G. 1991. Germany. Entre los pioneros Patton et al.” IEEE Transactions on Automatic Control. vol. 29.

Sreedhar.” in Proceedings of the 2nd IEEE Conference on Control Applications. “Link between high gain observer-based residual and parity space one.” IEE Colloquium on Condition Monitoring: Machinery. and F. “Nonlinear adaptive observer design for fault detection. Saif. 4. C. Yang and M. 10. J. “Link between high-gain observer-based and parity space residuals for FDI. 2004. B. “Artificial intelligence approaches to fault diagnosis. Canada. 9. Fernandez. “Robust fault detection in nonlinear systems using sliding mode observers. Jiang. R. 1999. 1993. Christophe. 8. 11. Cocquempot. Patton. no.” in Proceedings of the American Control Conference. C. and G.” Transactions of the Institute of Measurement and Control. vol. Vancouver. 5.7. Christophe. Lopez-Toribio. 1995. . J. AK. External Structures and Health. and B. Y. C. V. Uppal. R. vol. H. Masada. 2002. Seattle. 26.” in Proceedings of the American Control Conference. Anchorage. BC.