Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis Fall Molino Cemento UPS-CT007055
Analisis Fall Molino Cemento UPS-CT007055
MÚLTIPLES EN EL CIRCUITO DE
MOLIENDA DE CEMENTO DE LA
PLANTA INDUSTRIAL GUAPÁN
ANÁLISIS Y DETECCIÓN DE FALLAS MÚLTIPLES
EN EL CIRCUITO DE MOLIENDA DE CEMENTO
DE LA PLANTA INDUSTRIAL GUAPÁN
DIRIGIDO POR:
CUENCA - ECUADOR
Datos de catalogación Bibliográfica
Dirigido por:
DERECHOS RESERVADOS
©2017 Universidad Politécnica Salesiana
CUENCA-ECUADOR
MARÍA ANTONIETA CADMEN SANANGO.
ANÁLISIS Y DETECCIÓN DE FALLAS MÚLTIPLES EN EL CIRCUITO DE
MOLIENDA DE CEMENTO DE LA PLANTA INDUSTRIAL GUAPÁN
Lista de Figuras ix
Lista de Tablas x
Lista de Algoritmos xi
Glosario xiii
Lista de Variables xv
Dedicatoria xvii
Prefacio xix
Prólogo xxi
Agradecimientos xxiii
1. INTRODUCCIÓN 1
1.1. Planteamiento del problema . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.1. Objetivo principal . . . . . . . . . . . . . . . . . . . . . . . 3
1.2.2. Objetivos específicos . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Justificación de la investigación . . . . . . . . . . . . . . . . . . . . 4
1.4. Metodología propuesta . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.5. Estado del arte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.6. Contribuciones de la Tesis . . . . . . . . . . . . . . . . . . . . . . . 9
iii
ÍNDICE GENERAL
iv
ÍNDICE GENERAL
v
ÍNDICE GENERAL
6. CONCLUSIONES 117
BIBLIOGRAFÍA 123
vi
ÍNDICE DE FIGURAS
vii
ÍNDICE DE FIGURAS
viii
ÍNDICE DE FIGURAS
ix
ÍNDICE DE TABLAS
x
Algoritmos
XI
GLOSARIO
XIII
LISTA DE VARIABLES
Capítulo 2
f0 Vector PSD de alimentación
f1 Vector PSD de entrada al G35
f2 Vector PSD de retorno al molino
f3 Vector PSD de salida
B0 Flujo de alimentación al molino en [T/h]
B1 Flujo de salida del molino en [T/h]
B2 Flujo de retorno [T/h]
B3 Flujo de salida [T/h]
M Matriz de molienda
S Matriz de separación
Q (x) Función de Rosin Rammler
d0 Tamaño de corte en [µm] de la función de Rosin Rammler
n Pendiente de la funcion de Rosin Rammler
bij Probabilidad de distribución de ruptura de una partícula
si Función de selección de molienda
4t Periodo de tiempo de transición
k Eventos iterativos de molienda
xv
Capítulo 3
Xd Matriz de variables de entrada sin normalizar
m Número de variables del sistema
n Número de mediciones de las variables
X Vector de variables normalizado
T Matriz de datos mapeados al sistema coordenado de
componentes principales
P Matriz de componentes principales
λ Vector de autovalores de las componentes principales
r Número de componentes principales necesarias
µ Media aritmética de cada variable
σ Desviación estándar de cada variable
S Matriz de covarianzas
V Función a optimizar
f (pj ) Función que maximiza la pj componente
g (pj ) Conjunto de restricciones a optimizar de la pj componente
Im Matriz identidad
T2 Estadístico de Hotelling
Dr Matriz diagonal formado por los r autovalores
δT 2 Límite de confianza del estadístico de Hotelling
Q Estadístico del error cuadrático de predicción
δQ Límite de confianza del estadístico Q
Capítulo 4
N Tamaño de la ventana deslizante del filtro promedio
x Salida del filtro promedio
fA (x) Función de membresía
E Vector de errores cuadráticos individuales de predicción
XVI
Dedicatoria
xvii
PREFACIO
xix
PRÓLOGO
xxi
Además muestra las pruebas de inducción fallas gracias al banco de variables
adquiridas de varios días de operación del molino de cemento.
En el Capítulo 6, presenta las conclusiones y los posibles trabajos futuros de
este trabajo de investigación.
XXII
Agradecimientos
xxiii
CAPÍTULO 1
INTRODUCCIÓN
Una falla puede ser ocasionada por diferentes aspectos, tales como eventos
inesperados como por ejemplo en cortes de energía eléctrica, daño y/o pérdidas de
señales de los sensores y/o actuadores, falta de conocimiento al momento de operar
los sistemas e incluso puede ser provocado por desgaste, mal funcionamiento y
uso prolongado de los sistemas. Es decir la detección de fallas es un universo
abierto de posibilidades de investigación. Por esta razón, existen oportunidades de
mejoramiento al realizar procesamiento de datos mediante técnicas matemáticas
de detección y control de fallas.
1
1. INTRODUCCIÓN
2
1.2 Objetivos
1.2. Objetivos
3
1. INTRODUCCIÓN
4
1.4 Metodología propuesta
Etapa de diseño
Etapa de simulación
5
1. INTRODUCCIÓN
Análisis de resultados
6
1.5 Estado del arte
7
1. INTRODUCCIÓN
Ferrero et al. (1994) propone un modelo basado en lógica difusa con ocho
reglas para la clasificación de las fallas, de esta manera se reduce la complejidad
de detección. El modelo logra un desempeño adecuado para fallas monofásicas y
bifásicas que son las más difíciles de diagnosticar. Pruebas de simulación verifican
su correcto funcionamiento.
Q. Su (2016) presenta una nueva técnica de lógica difusa aplicado a los trans-
formadores eléctricos para la detección de fallas. Este método podría proporcionar
una evaluación más fiable de las condiciones del transformador.
8
1.6 Contribuciones de la Tesis
9
CAPÍTULO 2
11
2. MODELO DEL MOLINO
2.1.1. El cemento
12
2.1 UCEM planta industrial Guapán
Área B: Trituración
Área C: Prehomogenización
13
2. MODELO DEL MOLINO
tipo cable, que descarga el material hacia una banda transportadora que lleva el
material hacia el área D.
Esta área homogeniza la harina cruda para adquirir uniformidad física y quí-
mica. El proceso se realiza mediante bombas de aire a presión en dos silos de
homogenización. La harina cruda homogenizada es elevada mediante un elevador
de cangilones hacia el precalentador de cuatro etapas, que se encarga de elevar la
temperatura del material de 300 °C a 850 °C en la cuarta etapa, de esta forma el
material ingresa inmediatamente al horno de clinkerización.
Área F: Clinkerización
14
2.2 Molienda de cemento
La Figura 2.2 muestra de manera descriptiva las ocho áreas del proceso de
fabricación de cemento que se realiza en la planta industrial Guapán
15
2. MODELO DEL MOLINO
2.2.2. Premolienda
16
2.3 Circuito cerrado de molienda
Separación vibratoria
menores a 4mm y transporte a molino
mayores a 4mm
2.2.3. Molienda
17
2. MODELO DEL MOLINO
G38 almacenamiento
cangilones
G31
18
2.3 Circuito cerrado de molienda
19
2. MODELO DEL MOLINO
La velocidad de giro del motor G39 es modificable a través del panel central de
control. La Figura 2.8 muestra el colector G38.
20
2.4 Modelo del sistema de molienda
Existen varias funciones matemáticas que son utilizadas para aproximar una
CDF, sin embargo la ecuación de Rosin Rammler es la más precisa. Posee dos
parámetros que son el tamaño de corte d0 en [µm] que alcanza el 63.2 % y la
pendiente representada por n (Mejeoumov, 2007). La expresión matemática de la
CDF es:
n
x
−
Q (x) = 1 − e d0
(2.1)
21
2. MODELO DEL MOLINO
90
5
80
4
60
3 50
40
2
30
20
1
10
0 0
−2 0 2 4 −2 0 2 4
10 10 10 10 10 10 10 10
Tamaño de partícula, [um] Tamaño de partícula, [um]
Sistema de alimentación;
Molino G20;
Separador G35;
Elevador de cangilones G31;
Colector G38.
22
2.4 Modelo del sistema de molienda
23
2. MODELO DEL MOLINO
f2
f2 B2
B2
f0 f1 f3
B0 B1 B3
fin = f0 + f2
(2.2)
Bin = B0 + B2
24
2.4 Modelo del sistema de molienda
1 b12 s2 4t b13 s3 4t · · · b1n sn 4t
0 1 − s2 4t b23 s3 4t · · · b2n sn 4t
M1 =
0 0 1 − s3 4t · · · b3n sn 4t
(2.3)
..
.
··· ··· ··· ···
0 0 0 · · · 1 − sn 4t
Es así que la matriz total M con k eventos que define el tiempo de permanencia
en el interior del molino está definido por (Mejeoumov, 2007):
M = M1 k (2.4)
f1 = M [f0 + f2 ] (2.5)
25
2. MODELO DEL MOLINO
Respuesta de molienda
100
Salida del molino (f1)
90 Entrada (f0 + f2)
80
Porcentaje Acumulativo [%]
70
60
50
40
30
20
10
0
−2 −1 0 1 2 3 4
10 10 10 10 10 10 10
Tamaño de partícula, [um]
El modelo del separador dinámico G35 está representado por la matriz S que
se encarga en separar el material, los finos de los gruesos a partir de una curva de
separación llamada curva Tromp.
26
2.4 Modelo del sistema de molienda
separador para hacer pasar las partículas gruesas y retener las partículas finas. Se
obtiene matemáticamente a través de tres PSDs que son: material de entrada al
separador f1 , material de salida o finos f3 , y material de retorno o gruesos f2 . La
expresión para encontrar la curva Tromp es (Mejeoumov, 2007):
f3 f1 − f2
T romp = (2.6)
f1 f3 − f2
S1 0 0 ··· 0
0 S2 0 ··· 0
S=
0 0 S3 ··· 0
(2.7)
.
· · · · · · · · · .. 0
0 0 0 0 Sn
f2 = S ∗ f1
(2.8)
f3 = (I − S) f1
27
2. MODELO DEL MOLINO
PSD Acumulativa del separador G35 Curva Tromp del separador G35
100 1
Entrada (f1) Tromp original
90 Retorno (f2) 0.9 Tromp aproximada
Salida (f3)
80 0.8
Porcentaje acumulativo [%]
70 0.7
Porcentaje [%]
60 0.6
50 0.5
40 0.4
30 0.3
20 0.2
10 0.1
0 0
−2 −1 0 1 2 3 −1 0 1 2 3
10 10 10 10 10 10 10 10 10 10 10
Tamaño de particula [um] Tamaño de particula [um]
28
2.5 Simulación del circuito de molienda
29
2. MODELO DEL MOLINO
La Figura 2.16 muestra la CDF que posee cada flujo. De esta manera el 63 %
de la CDF de B0 alcanza en 140 µm, la CDF de B1 en 60 µm, la CDF de B2 en
40 µm y la CDF de B2 en 18 µm.
30
2.5 Simulación del circuito de molienda
PSD B0
30
PSD B1
150 Flujo Alim B0 PSD de retorno B2
Flujo salida mol B1 25 PSD de finos B3
Flujo de retorno B2
Flujo [T/h]
Valor [T]
Flujo de finos B3 20
100
15
10
50
0 0
-10 0 10 20 30 40 50 60 70 80 10 0 10 1 10 2 10 3 10 4
Ciclos de molienda Tamano de partícula [um]
Figura 2.15: Respuesta del sistema de molienda con sus flujos y PSDs
Fuente: Autor
100
63 [%]
90 CDF B0
CDF B1
80 CDF de retorno B2
CDF de finos B3
70
Porcentaje [%]
60
50
40
30
20
10
0
10 0 10 1 10 2 10 3 10 4
Tamano de partícula [um]
31
2. MODELO DEL MOLINO
32
CAPÍTULO 3
ANÁLISIS DE COMPONENTES
PRINCIPALES
33
3. ANÁLISIS DE COMPONENTES PRINCIPALES
3.1.2.1. Falla
Ocurre cuando el valor de una o varias variables del sistema se ubican fuera
de los umbrales normales de operación;
34
3.1 Fundamentos de la detección de fallas
Una falla puede aparecer debido a causas internas o externas. Las causas externas
pueden estar influenciadas por condiciones ambientales tales como: la humedad,
polvo, químicos, radiación electromagnética, alta temperatura, corrosión y con-
taminación. Mientras que, las causas internas pueden estar dadas por: falta de
lubricación, fricción por rozamiento, sobrecalentamiento, cortocircuitos, etc.
3.1.2.2. Avería
35
3. ANÁLISIS DE COMPONENTES PRINCIPALES
De acuerdo a Zumoffen (2008), considera que una falla puede provenir de tres
factores distintos:
Equipos defectuosos;
36
3.2 Causas o fuentes de las fallas
Equipos
Proceso
22%
Personas y entorno de trabajo
42%
36%
Fallas mecánicas;
Del mismo modo ASM (2008) determina que los procesos corresponden al 22 %
de todas las fallas de un proceso. Estas fallas pueden ocurrir debido a:
La Figura 3.1 presenta los porcentajes de los factores que pueden producir las
fallas en un proceso.
37
3. ANÁLISIS DE COMPONENTES PRINCIPALES
38
MÉTODOS DE MODELADO
CUANTITATIVO
Método de
Relaciones de Modelos de Métodos de modelo
supervisión de lazo
paridad inteligencia artificial de identificación
cerrado de control
Observadores y
Estimación de Modelos basados en
Modelos estadísticos Modelos de señal estimadores de
parámetros datos históricos
estado
MÉTODOS DE
DETECCIÓN DE
FALLAS
39
MÉTODOS DE MODELADO
CUALITATIVO
Redes neuronales artificiales: Aunque de manera muy general las RNA han
sido utilizadas para problemas de clasificación y aproximación de funciones.
Sin embargo, es muy utilizado para SDDF, ya que se puede generar una
base de fallas de un sistema dado, y es posible implementar un clasificador
de fallas ante dichos comportamientos.
40
3.3 Sistemas de detección de fallas
Por otro lado, los modelos cualitativos ofrecen una alternativa con los métodos
causales ya que permiten identificar la propagación de las fallas, pero siempre
están condicionados a la cantidad de conocimiento que se tenga de todo el proceso.
41
3. ANÁLISIS DE COMPONENTES PRINCIPALES
Esta sección presenta, una breve historia y el soporte matemático del ACP. El
sustento matemático está basado principalmente en los libros de Jolliffe (2002) y
Isermann (2006).
42
3.4 Análisis de componentes principales
43
3. ANÁLISIS DE COMPONENTES PRINCIPALES
Se asume que se posee un gran conjunto de datos que está representado por
Xd , formado por m variables y n mediciones. Las variables pueden ser entradas
y/o salidas de un proceso. El conjunto Xd puede ser reducido a un número mu-
cho menor de r componentes del conjunto de datos iniciales de m variables. Las
componentes principales conservan la mayor cantidad de información de varianza
de los datos (Isermann, 2006).
44
3.5 Proceso matemático de ACP
Up PROCESO Yp
Matriz de generación
de datos
Datos medidos
X m variables
Análisis de
componentes
prinipales
r Componentes
T principales
Estimación de los
datos
Reconstrucción
a partir de ACP
X*
45
3. ANÁLISIS DE COMPONENTES PRINCIPALES
Datos originales
10
4
Variable X 2
-2
-4
-6
-8
-10
-10 -8 -6 -4 -2 0 2 4 6 8 10
Variable X 1
Figura 3.4: Representación de los datos originales escogidos en función de sus dos
variables
Fuente: Autor
Xd = [x1 , x2 ] (3.2)
La Figura 3.4 muestra las ocho variables en el plano, para ilustrar este ejemplo
las variables fueron escogidas al azar; siguiendo ambas variables una tendencia
ascendente.
P = [P1 , P2 ] (3.3)
46
3.5 Proceso matemático de ACP
Componente P 2 4
-2
-4
-6
-8
-10
-10 -8 -6 -4 -2 0 2 4 6 8 10
Componente P 1
x11 x12 ... x1m
x21 x22 ... x2m
X = [x1 , x2 , ..., xm ] = .. .. .. .. (3.4)
. . . .
xn1 xn2 ... xnm
47
3. ANÁLISIS DE COMPONENTES PRINCIPALES
p11 p12 ... p1r
p21 p22 ... p2r
P = [P1 , P2 , ..., Pr ] = .. .. .. .. (3.5)
. . . .
pm1 pm2 ... pmr
PT P = I (3.8)
Xd − µ
X= (3.9)
σ
48
3.5 Proceso matemático de ACP
Por lo tanto, para hallar las componentes principales no se utilizan los datos
normalizados de X sino la matriz de covarianzas S que está definida por:
S = XT X (3.10)
En primer lugar se hallan los vectores P1 , P2 , ..., Pr que en este caso repre-
sentan las componentes principales. Los datos representados en función de las
componentes principales quedan definidos por la combinación lineal de la siguien-
te manera:
Pm
p x
j=1 1j 1j
m
P
p11 x11 + p12 x12 + ... + p1r x1m
p1j x2j p2,1 x2,1 + p2,2 x2,2 + ... + p2r x2m
T = j=1 = .. (3.11)
.. .
m .
P
p x
m1 N 1 + p m2 N 2 + ... + pmr xN m
x
pmj xN j
j=1
49
3. ANÁLISIS DE COMPONENTES PRINCIPALES
dV
= SP1 − λP1 = 0 (3.17)
dP1
Factorando se tiene:
dV
= (S − λIm ) P1 = 0 (3.18)
dP1
50
3.5 Proceso matemático de ACP
λ1 = |S − λIm | = 0 (3.19)
(S − λ1 Im ) P1 = 0 (3.20)
La segunda restricción es que las dos componentes principales deben ser li-
nealmente independientes, es decir deben poseer una correlación igual a 0. Es así
que, se debe cumplir cualquiera de estas relaciones:
51
3. ANÁLISIS DE COMPONENTES PRINCIPALES
g1 (P2 ) = PT
2 P2 − 1 = 0
(3.24)
g2 (P2 ) = PT
2 P1 = 0
dV
= 2SP2 − 2λP2 − φP1 = 0 (3.26)
dP2
De esta manera se observa que los dos primeros términos se anulan por que las
componentes principales son ortogonales y PT1 P2 = 0, mientras que PT1 P1 = 1,
por lo tanto se determina que φ = 0. Finalmente, se sustituye el valor de φ en la
Ecuación (3.26), así se llega a la expresión:
dV
= SP2 − 2P2 = 0 (3.28)
dP2
Factorando se tiene:
dV
= (S − λIm ) P2 = 0 (3.29)
dP2
52
3.5 Proceso matemático de ACP
dV
= (S − λIk ) Pk = 0 (3.31)
dPk
53
3. ANÁLISIS DE COMPONENTES PRINCIPALES
4
Magnitud
2 Punto de quiebre
0
2 4 6 8 10 12 14
Autovalores
Este método escoge a los autovalores que están por encima del valor medio de
todos los autovalores e ignora a los restantes. La Figura 3.7 muestra un ejemplo
que el promedio de todos los autovalores es 1.02. Por lo tanto, se escogen tres
componentes principales que corresponden a los tres autovalores que están sobre
el límite promedio.
54
3.6 Proceso detallado para hallar las componentes principales
4
Magnitud
0
2 4 6 8 10 12 14
Autovalores
Pl
λj
j=1
V arAc = ∗ 100 (3.32)
Pm
λk
k=1
Formar el conjunto de datos inciales Xd ya sea con las entradas y/o salidas
de un proceso, con m variables y n muestras.
55
3. ANÁLISIS DE COMPONENTES PRINCIPALES
Normalizar todos los datos a media cero y varianza igual a uno utilizando:
Xd − µ
X= (3.33)
σ
S = XT X (3.34)
(S − λk I) Pk = 0 k = 1, ..., m (3.35)
T = XP (3.37)
56
3.7 Estadísticos de prueba
Existen dos parámetros de prueba, que sirven para determinar si una muestra
presenta características suficientes para permanecer a un grupo de datos dado. Los
dos parámetros son: estadístico de Hotelling T 2 y el error cuadrático de predicción
o estadístico Q.
Este estadístico mide el indice de variabilidad que posee una muestra de prueba
respecto a un conjunto de datos patrón. Este estadístico es a menudo utilizado
con datos puros sin haber sufrido transformaciones lineales, donde existe toda una
formulación matemática para su implementación. Sin embargo, en este trabajo de
investigación, el estadístico T 2 está en función de los autovalores y autovectores
provenientes de ACP seleccionadas para representar la variabilidad de un conjunto
de datos.
− T
− − −
−1
2
d = X1 − X2 S X1 − X2 (3.38)
− −
donde X1 y X2 son los vectores media de las variables y S es la matriz de
covarianza de ambas variables.
T 2 = xPD−1 T T
r P x (3.39)
57
3. ANÁLISIS DE COMPONENTES PRINCIPALES
donde, x es el vector de prueba que posee todas las m variables y está a su vez
normalizado en el proceso de la obtención de las componentes principales. P es la
matriz de las r componentes principales seleccionadas y Dr es la matriz diagonal
formada por los r autovalores.
r (v − 1)
δT 2 = Fr,v−r,α (3.40)
v−r
3.7.2. Estadístico Q
58
3.7 Estadísticos de prueba
Q = eT e
ˆ
x = PPT x
ˆ
e=x−x (3.41)
donde
e = x − PPT x (3.42)
Agrupando:
e = I − PPT x (3.43)
T
I − PPT x I − PPT x (3.44)
Q=
√ 1
θ2 h (h − 1) cα 2θ2 h2 h
δQ = θ1 1+ + (3.45)
θ12 θ1
59
3. ANÁLISIS DE COMPONENTES PRINCIPALES
donde
n n n
X X X 2θ1 θ3
θ1 = λi, θ2 = λ2i, θ3 = λ3i, h=1− (3.46)
i=r+1 i=r+1 i=r+1
3θ22
60
3.8 Breve revisión de los sistemas difusos
Estadístico T2 Estadístico Q
Estadístico T2 Estadístico Q
25 Limite de confianza Limite de confianza
100
20
80
Valor
Valor
15 60
10 40
5 20
0 0
20 40 60 80 100 20 40 60 80 100
Tiempo [min] Tiempo [min]
Existen dos tipos de sistemas difuso que son Mandani y Sugeno. En este
trabajo describiremos brevemente la metodología del sistema difuso tipo Mandani.
El sistema difuso tipo Mandani está formado por tres partes (Zumoffen, 2008):
1. Fusificación: Este proceso consiste en tomar las entradas que son valores
escalaras y mapearlos y convertirlos en conjuntos difusos.
61
3. ANÁLISIS DE COMPONENTES PRINCIPALES
3.8.1.1. Fusificación
Por lo tanto, sea X un conjunto de objetos cuyos elementos son denotados por
x. Un conjunto difuso A de X es denotado como un conjunto de pares ordenados
(Zumoffen, 2008):
Funciones de pertenencia
Son funciones que mapean un valor escalar de una entrada para generar un
valor o grado de pertenencia entre 0 y 1 (Zumoffen, 2008).
62
3.8 Breve revisión de los sistemas difusos
Grado de pertenencia
Grado de pertenencia
1 1
0.5 0.5
0 0
0 2 4 6 8 10 0 2 4 6 8 10
Variable de entrada Variable de entrada
Función Gaussiana Función Trapezoidal
Grado de pertenencia
Grado de pertenencia
1 1
0.5 0.5
0 0
0 2 4 6 8 10 0 2 4 6 8 10
Variable de entrada Variable de entrada
Reglas difusas Una regla puede estar formada de la siguiente forma (Zumoffen,
2008):
SI (x es A) Y (y es A) ENTONCES (z es C)
Donde A, B y C son valores lingüísticos definidos por los conjuntos difusos que
fusifican las entradas en valores o grados de pertenencia acorde a sus respectivas
funciones de pertenencia. La cláusula que se encuentra antes de “ENTONCES” se
denomina antecedente o premisa, mientras que la parte que se encuentra luego de
dicha palabra se denomina consecuente o conclusión (Zumoffen, 2008). Hay que
tomar en cuenta que pueden haber tres operaciones lógicas AND, OR y NOT, en
la premisa.
63
3. ANÁLISIS DE COMPONENTES PRINCIPALES
Implicación
Es el proceso que a través de las reglas difusas toma los conjuntos difusos de
entrada y genera un conjunto difuso a la salida.
Los tres operadores lógicos: and (Y), or (O), not (NO) sirven para agrupar
los valores de pertenencia para el antecedente o premisa.
Por lo tanto, existen tres métodos que permiten evaluar las reglas difusas
(Zumoffen, 2008):
1. La regla [fA (x) Y fB (y)] se evalúa por la función min (fA (x) , fB (y)).
2. La regla [fA (x) O fB (y)] se evalúa por la función max (fA (x) , fB (y)).
3. La regla NO (fA (x)) se evalúa por el complemento difuso [1 − fA (x)].
Agregación
Este paso consiste en sumar todos los conjuntos que fueron truncados o recor-
tados en el proceso de implicación.
3.8.1.3. Defusificación
Existen diferentes métodos para llevar a cabo este proceso (Zumoffen, 2008):
1. Método del centroide: calcula el centro de gravedad del área bajo la curva.
2. Métodos de los máximos: hay tres métodos que son mayor de los máximos,
promedio de los máximos y menor de los máximos.
64
3.8 Breve revisión de los sistemas difusos
3. Método bisector: calcula la linea que divide al conjunto difuso en dos regio-
nes de igual área.
Para aclarar los tres procesos que se llevan en el proceso difuso tipo Mandani, la
Figura 3.10 muestra un ejemplo para ilustrar el proceso. En primer lugar, las dos
entradas son fusificadas de acuerdo a sus funciones de pertenencia, dichos grados
son evaluados en todas las reglas difusas y se obtienen los valores mínimos de
implicación que son reflejados en los conjuntos difusos de salida. Finalmente, se
hace la agregación de los conjuntos difusos de salida y se obtiene el valor numérico
de la salida a través la defusificación mediante el método del centroide.
65
CAPÍTULO 4
67
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
3. Copiar las tres carpetas de la base de datos que están dentro de Archive-
Manager en un disco de almacenamiento o en una flash memory.
Dentro de cada servidor, WinCC genera las bases de datos y las guarda en una
carpeta llamada ArchiveManger, la misma que contiene las siguientes carpetas:
68
4.1 Adquisición de la base de datos
Debido a la gran cantidad de variables que poseen los dos sistemas, la base más
utilizada para almacenar los valores de centenas de variables es la del tipo TagLog-
gingFast. Esta base de datos a través de algoritmos internos realiza la compresión
de los datos, que están basados por ejemplo en el cambio de la magnitud de la
variable. Es decir, si un valor permanece invariante, en la base de datos se alma-
cena el valor de la variable y el número de veces que ha permanecido constante
dicho valor. De esta forma, se optimiza el almacenamiento de grandes volúmenes
de información y rapidez de visualización en los servidores.
La Figura 4.1 muestra los tres tipos de bases de datos que se almacenan en la
carpeta general ArchiveManager de cada servidor.
ArchiveManager
69
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
Una base de datos se forma diariamente, es decir una base empieza a las 5
a.m. y concluye a las 4:59 a.m. del día siguiente. El nombre de la base de
datos se va formando automáticamente, a través de la fecha de dicha base
de datos.
La Figura 4.2 muestra los archivos y los campos de la base de datos TagLogging-
Fast.
En primer lugar se crea una maquina virtual con Windows XP service pack
3;
70
4.1 Adquisición de la base de datos
TABLA Campos
dbo.TagCompressed
Se inicia Microsoft MySQL 2005 y se adjuntan las bases de datos del tipo
TagLoggingFast;
71
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
Maquina Virtual
Windows XP SP3
Adjuntar archivos
Ejecutar
Exportar
Lectura Lectura archivo
WinCC OLE DB Provider
El área G del sistema de molienda de cemento está formado por dos bases de
datos que son la de premolienda y molienda de cemento. Conjuntamente estas
72
4.2 Selección de las variables de molino
73
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
Hay que recalcar que la variable x9 que se muestra en la Tabla 4.1 equivale a
la suma de los flujos de: mixer y puzolana. Esto se realizó con el objetivo de tener
una sola variable que nos indique posteriormente la alimentación total de entrada
hacia el molino y se puedan simular o inducir fallas.
Fuente: Autor
74
4.2 Selección de las variables de molino
rpm
T/h
100 185
0 180
0 100 200 300 400 500 0 100 200 300 400 500
x 3 Temperatura 1 G35 x 4 Velocidad G39
90 1200
rpm
ºC
80 1100
70 1000
0 100 200 300 400 500 0 100 200 300 400 500
x 5 Temperatura 1 G39 x 6 Corriente G20
80 350
ºC
ºC
75 300
70 250
0 100 200 300 400 500 0 100 200 300 400 500
x 7 Temperatura 1 G20 x 8 Alimentación Puzolana
45 40
T/h
ºC
20
40 0
0 100 200 300 400 500 0 100 200 300 400 500
Minutos Minutos
75
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
ºC
100 38
0 36
0 100 200 300 400 500 0 100 200 300 400 500
x 11 Temperatura 2 G35 x 12 Temperatura 3 G35
40 80
ºC
ºC
35 70
30 60
0 100 200 300 400 500 0 100 200 300 400 500
x 13 Temperatura 2 G20 x 14 Corriente G39
52 400
ºC
A
50 300
48 200
0 100 200 300 400 500 0 100 200 300 400 500
Minutos Minutos
Sin embargo, como extensión de este trabajo se puede realizar la simulación para
todas las variables siguiendo la misma metodología empleada en este trabajo de
investigación. Hay que recalcar, que los autovalores y autovectores se obtienen
a partir del conjunto base de 14 variables. Es decir, las componentes principales
son creadas a través del conjunto de 14 variables mientras que la simulación y
inducción de fallas están realizadas para cinco variables.
Separador G35;
Filtro G39;
76
4.3 Caracterización de las fallas del molino de cemento
77
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
Variable Unidad
x6 Corriente G20 A
Fuente: Autor
Exceso de alimentación;
78
4.3 Caracterización de las fallas del molino de cemento
Este sistema está basado en un sensor de flujo del material de gruesos que
es separado por la acción de la fuerza centrífuga que produce el separador G35
O-SEPA y reenvía este material a reproceso. En este sistema se pueden presentar
los siguientes escenarios:
Escasez del material de retorno debido a baja velocidad del separador G35;
Estos escenarios hacen que el flujo de retorno del material cambien drásticamente.
Es así que la variable x1 es la que representa el flujo de retorno y nos servirá para
predecir la existencia o no de fallas en este sistema de recirculación. Hay que
mencionar que esta variable de proceso es muy importante para garantizar la
estabilidad de la calidad del producto, ya que influye directamente en el blaine y
retenido en malla del producto final.
Este sistema está formado por un separador de alta eficiencia que está forma-
do por una canastilla giratoria impulsada por un motor trifásico. El control de
velocidad de giro de la canastilla influye en la calidad de separación del produc-
to y hace variar la PSD y CDF de cada flujo. A continuación se presentan los
escenarios que pueden producir fallas en este sistema:
79
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
Estos escenarios hacen que la variable x4 que registra la velocidad de rotación del
motor G39 permita analizar la presencia de averías en este sistema.
Este sistema está formado por el molino de cemento que posee en su interior
una carga moturante que por fuerza de choque tritura las partículas. El movi-
miento de rotación del molino es producido por el motor trifásico G20. Existen
varios escenarios que pueden causar fallas en este sistema:
80
4.4 Proceso para hallar las componentes principales
Estos escenarios hacen que la variable x6 que registra la corriente del motor G20
permita detectar la presencia de anomalías en este sistema.
81
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
Figura 4.7: GUI basado en submuestreo para comprimir los archivos de las variables
Fuente: Autor
N −1
1 X x0 + x1 + x2 + ... + xN −1
x= = (4.1)
N N
i=0
El ruido de las señales está presente en la corriente del motor G20 y en las
variables de alimentación de puzolana y mixer. De esta manera se reduce el ruido
de todas las señales que forman el banco de datos para hallar las componentes
principales.
82
4.4 Proceso para hallar las componentes principales
Se decidió hacer un filtro media con N igual a 2 muestras para atenuar el ruido
de las señales. Por lo tanto, la ventana deslizante del filtro es de dos muestras, a
continuación la fórmula implementada del filtro para cada variable:
x0 + x1
x= (4.2)
2
Además se definió los rangos normales de operación para que el sistema de de-
tección de fallas fuese capaz de identificar las desviaciones de los puntos normales
de operación.
Además se trató que las variables ocupen todo el rango posible de operación.
Sin embargo, no todas las variables alcanzaron los rangos posibles de operación.
Por lo tanto, se realizó un escalado para ajustar al rango normal de operación.
La definición de los rangos de las variables se obtuvo mediante un análisis de
la operación de varios días de operación del sistema de molienda; además con
la ayuda del departamento de ingeniería control y procesos de UCEM planta
industrial Guapán.
A continuación, se aclara esta idea con la velocidad del separador G35. Hace
tiempo atrás la fabrica producía un solo tipo de cemento, sin embargo ahora
83
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
De este modo se obtienen las medias y varianzas que poseen las 14 variables
con 425 muestras. Luego se hace la normalización de cada muestra respecto a las
medias y varianzas obtenidas.
84
4.4 Proceso para hallar las componentes principales
rpm
T/h
100 200
80
180
100 200 300 400 100 200 300 400
x 3 Temperatura 1 G35 x 4 Velocidad G39
80
1100
rpm
ºC
70
60
1000
100 200 300 400 100 200 300 400
x 5 Temperatura 1 G39 x 6 Corriente G20
80
350
60
ºC
40 A
300
100 200 300 400 100 200 300 400
x 7 Temperatura 1 G20 x 8 Alimentación Puzolana
60
30
50
T/h
ºC
20
40
10
100 200 300 400 100 200 300 400
Tiempo [min] Tiempo [min]
λ= 4,2 2,8 1,6 1,1 1,04 0,8 0,6 0,4 0,31 0,3 0,2 0,14 0,11 0,05
85
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
ºC
70
60 30
ºC
60
30
50
100 200 300 400 100 200 300 400
x 13 Temperatura 2 G20 x 14 Corriente G39
60 340
ºC
A
50 300
40 260
100 200 300 400 100 200 300 400
Tiempo [min] Tiempo [min]
Es así que para el método de punto de quiebre se graficaron todos los auto-
valores, la Figura 4.10 muestra los autovalores obtenidos de las 14 componentes
principales, donde se muestran dos lineas rectas de tendencia de los autovalo-
res y en el punto de intersección refleja que son necesarias cinco componentes
principales para representar la variabilidad del sistema.
La Figura 4.11 muestra que son necesarias cinco componentes principales para
86
4.4 Proceso para hallar las componentes principales
3.5
Valor [a-dimensional] 3
2.5
Punto de quiebre
1.5
0.5
0
2 4 6 8 10 12 14
# de Autovalor
caracterizar al sistema.
87
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
3.5
3
Valor [a-dimensional]
2.5
1.5
0.5
0
2 4 6 8 10 12 14
# de Autovalor
Figura 4.11: Selección del número de componentes principales por el método del
promedio de autovalores
Fuente: Autor
T 2 = xPD−1 T T
r P x (4.3)
T
I − PPT x I − PPT x (4.4)
Q=
88
4.4 Proceso para hallar las componentes principales
30 18
16
25
14
20 12
Valor
Valor
10
15
8
10 6
4
5
2
89
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
CP1 vs CP2
12
10 Falla en G39
8
Proceso sin falla
6
CP2
-2
-4
-20 -15 -10 -5 0 5
CP1
90
4.5 Diseño del sistema difuso para la detección de fallas
Característica Tipo
Número de entradas 2 parámetros: T 2 y Q
Número de salidas 1
Rango de las entradas [ 0 1]
Rango de la salida [ 0.5 2.5]
Tipo de sistema difuso Mandani
Método AND Mínimo
Método implicación Mínimo
Método de agregación Máximo
Metodo de defusificación Centroide
Fuente: Autor
91
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
(mamdani)
2 rules
Salida (2)
ParámetroQ (2)
Para el sistema difuso se plantean dos reglas difusas, donde el sistema toma
los valores estadísticos normalizados T 2 y Q determina si el sistema está en falla
o no.
La Figura 4.15 muestra todo el proceso que realiza el sistema difuso para
la detección de fallas a través del siguiente ejemplo. Se selecciona una entrada
[0,739 0,823] que corresponde a los estadísticos T 2 y Q respectivamente que han
92
4.5 Diseño del sistema difuso para la detección de fallas
93
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
La Tabla 4.5 muestra las variables principales que se han escogido para identi-
ficar e inducir las fallas, estas variables serán implementadas en el modelo difuso
de detección.
La Tabla 4.6 muestra las características del sistema difuso para la identifica-
ción.
Este sistema difuso va a identificar la variable que causa la falla. Por lo tanto,
se han planteado cinco entradas una para cada error. Cada entrada posee dos
94
4.5 Diseño del sistema difuso para la detección de fallas
Denominación Variable
x1 Flujo de retorno
x2 Velocidad de G35
x4 Velocidad de G39
x6 Corriente G20
x9 Alimentación: mixer y puzolana
Fuente: Autor
95
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
Característica Tipo
Número de entradas 5
Número de salidas 1
Rango de las entradas [ 0 1]
Rango de la salida [ 0 6.5]
Tipo de sistema difuso Mandani
Método AND Mínimo
Método implicación Mínimo
Método de agregación Máximo
Metodo de defusificación Centroide
Fuente: Autor
96
4.6 GUI para detección de fallas
Entrada1 (2)
FUZZYfalla
Entrada2 (2)
(mamdani)
Entrada3 (2)
6 rules
Salida (6)
Entrada4 (2)
Entrada5 (2)
Las Figuras 4.18, 4.19, 4.20, 4.21 y 4.22 muestran las ventanas de la interfaz
desarrollada para el sistema de detección de fallas del molino de cemento.
97
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
98
4.6 GUI para detección de fallas
Figura 4.20: Interfaz gráfica para la visualización y edición de los sistemas difusos
Fuente: Autor
99
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
100
4.7 Algoritmo implementado para hallar las componentes principales
Fuente: Autor
101
CAPÍTULO 5
ANÁLISIS DE RESULTADOS
103
5. ANÁLISIS DE RESULTADOS
70
140
60
120
Flujo [T/h]
Valor
50
100
40
80
30
60
20
40
10
20
0
300 320 340 360 380 300 320 340 360 380
Tiempo [min] Tiempo [min]
104
5.2 Detección de fallas del proceso
En este caso los sistemas difusos detectan que la falla es proveniente del sistema
de alimentación.
200 Estadístico T2
120 Estadístico Q
180 Limite de confianza
100 160
140
80
Flujo [T/h]
Flujo [T/h]
120
60 100
80
40
60
20 40
20
0
0
380 400 420 440 460 380 400 420 440 460
Tiempo [min] Tiempo [min]
Las fallas provocan que los valores de las variables de las componentes prin-
cipales varíen y se alejen del centro de estabilidad. Ahora se describe el proceso
105
5. ANÁLISIS DE RESULTADOS
Componentes principales
3
2.5
2 Falla
1.5
CP 2
0.5
-0.5
-1 0 1 2 3 4 5 6
CP 1
Figura 5.3: Componentes principales que reflejan la falla del sistema de alimentación
de la variable x9
realizado para esta simulación: en primer lugar se induce una falla de valor nulo
a cada variable, es decir por ejemplo para inducir una falla en la variable x1 de
flujo de retorno, todas las demás variables permanecen en estado estable, mientras
que solo la variable x1 toma un valor de 0 [t/h]. Este mismo proceso realiza para
cada una de las cinco variables. La simulación está realizada para un conjunto de
100 muestras de proceso. La Figura 5.4 muestra el comportamiento que poseen
las componentes principales ante cada falla inducida. Además en color azul se
muestra el proceso sin fallas donde sus valores son cercanos al origen, no así cuan-
do ocurren las fallas donde dichos valores se alejan del origen. La variación que
producen las fallas en las componentes principales son precisamente cuantificados
por los estadísticos T 2 y Q que sirven para determinar si el proceso está en falla
o no, a través de los sistemas difusos previamente diseñados.
106
5.2 Detección de fallas del proceso
CP1 vs CP2
20
Falla flujo
alimentacion x9=0
15
10
0 Falla flujo
retorno x1=0
-5
-10
Falla G39 x2=0
-15
Falla G35 x2=0
-20
-5 0 5 10 15 20 25 30 35 40 45
CP1
Figura 5.4: Respuesta de las dos primeras componentes principales ante cinco fallas
inducidas
Fuente: Autor
120
350
100
Corriente [A]
Valor
80
300 60
40
20
250
0
320 340 360 380 400 320 340 360 380 400
Tiempo [min] Tiempo [min]
107
5. ANÁLISIS DE RESULTADOS
Hasta ahora se han detectado las fallas reales que poseen las variables del
sistema. Sin embargo, ahora se van a inducir fallas sobre las variables reales de
funcionamiento.
Para la inducción de las fallas existen dos métodos. El primer método consiste
en un slider que da un offset aumentantado o disminuyendo el valor de la variable.
Mientras que el segundo método consiste en simular la perdida de la señal, es decir
al pulsar un botón correspondiente a la variable automáticamente toma un valor
igual a 0.
210
100
Velocidad [rpm]
200
Valor
190
180 50
170
160
0
120 140 160 180 200 120 140 160 180 200
Tiempo [min] Tiempo [min]
108
5.3 Inducción de fallas
1120
250
1100
Velocidad [rpm]
1080 200
Valor
1060
150
1040
1020 100
1000
50
980
960
0
60 80 100 120 140 60 80 100 120 140
Tiempo [min] Tiempo [min]
109
5. ANÁLISIS DE RESULTADOS
250
60
Flujo [t/h]
Valor
200
40
150
20
100
0
50
-20 0
40 60 80 100 120 40 60 80 100 120
Tiempo [min] Tiempo [min]
110
5.5 Salida de los sistemas difusos
La Figura 5.10 muestra la salida numérica de ambos sistemas difusos ante las
inducción de las fallas. Por lo tanto se observa que los sistemas difusos detectan la
presencia de una falla e identifican las variables que son causantes de las mismas.
A continuación la Tabla 5.1 muestra las dos posibles salidas del sistema difuso
de detección de falla a partir de T 2 y Q. Mientras que la Tabla 5.2 muestra
las seis posibles salidas del sistema difuso basado en los residuos cuadráticos de
estimación.
111
5. ANÁLISIS DE RESULTADOS
1.8
Valor
1.6
1.4
1.2
1
0 50 100 150 200 250 300 350 400 450 500
Tiempo [min]
Sistema difuso para el origen de la falla
6
4
Valor
0
0 50 100 150 200 250 300 350 400 450 500
Tiempo [min]
112
5.6 Estimación de flujos, PSDs y CDFs
Tabla 5.2: Posibles salidas del sistema difuso basado en residuos cuadráticos
113
5. ANÁLISIS DE RESULTADOS
114
5.7 Validación del sistema de detección de fallas
valores grandes ante una presencia de una falla, mientras tanto, si el sistema está
en estado estable y dentro del rango normal de operación, los valores de ambos
estadísticos son menores al margen de confianza de 25.
Fuente: Autor
115
5. ANÁLISIS DE RESULTADOS
para simular el proceso a través de las variables de la base de datos. Sin embargo,
se puede implementar en linea al servidor SCADA del molino de cemento de Gua-
pán a través del protocolo OPC. Hay que resaltar que se deberán hacer pequeñas
modificaciones en el sistema para poder operar en linea esta plataforma de esti-
mación y detección de fallas. A continuación, se presentan las modificaciones que
se deben realizar:
Implementar señales de audio para alertar a los operadores de las fallas que
diagnostica la plataforma de detección;
Implementar una base de datos que registre todas las fallas que se van
presentando en el proceso.
116
CAPÍTULO 6
CONCLUSIONES
Es muy importante realizar un filtrado previo a las señales, en este caso resultó
de enorme utilidad la implementación de un filtro promedio aritmético de ventana
deslizante de dimensión de dos muestras. De esta manera se redujo el ruido de
las señales especialmente de las variables de retorno, corriente G20 y flujo de
alimentación de mixer y puzolana.
117
6. CONCLUSIONES
Los métodos del punto de quiebre y el promedio de los autovalores fueron los
que permitieron definir el número de las componentes principales necesarias para
representar la variabilidad del conjunto de datos. De esta manera se escogieron 5
de las 14 componentes principales. Es decir se utilizó el 35 % de las componentes
principales.
118
adecuada calidad del producto.
TRABAJOS FUTUROS
119
BIBLIOGRAFÍA
Cheng, Y., Guo, H., Wang, X., and Jiao, Y. (2013). Fuzzy logic-based fault diag-
nosis of simply supported bridge using modal frequency as input variable. In
Information Science and Cloud Computing Companion (ISCC-C), 2013 Inter-
national Conference on, pages 570–576. IEEE.
Ding, S., Zhang, P., Ding, E., Yin, S., Naik, A., Deng, P., and Gui, W. (2010).
On the application of pca technique to fault diagnosis. Tsinghua Science &
Technology, 15(2):138–144.
Ellero, N., Gucik, D., and Henry, D. (2016). Model-based fault detection and
identification for switching power converters.
121
BIBLIOGRAFÍA
Harrou, F., Nounou, M., and Nounou, H. (2013). A statistical fault detection
strategy using pca based ewma control schemes. In Control Conference (ASCC),
2013 9th Asian, pages 1–4. IEEE.
Jiang, J.-A., Chen, C.-S., and Liu, C.-W. (2003). A new protection scheme for fault
detection, direction discrimination, classification, and location in transmission
lines. IEEE Transactions on power delivery, 18(1):34–42.
Jin, X. and Kwong, R. H. (2015). Adaptive fault tolerant control for a class of
mimo nonlinear systems with input and state constraints. In 2015 American
Control Conference (ACC), pages 2254–2259. IEEE.
Nabil, E., Sobaih, A.-A., and Abou-Zalam, B. (2010). Active fault-tolerant control
system. In Computer Engineering and Systems (ICCES), 2010 International
Conference on, pages 274–279. IEEE.
122
BIBLIOGRAFÍA
Pearson, K. (1901). Liii. on lines and planes of closest fit to systems of points in
space. The London, Edinburgh, and Dublin Philosophical Magazine and Journal
of Science, 2(11):559–572.
Poon, J., Jain, P., Konstantakopoulos, I., Spanos, C., Panda, S., and Sanders,
S. (2016). Model-based fault detection and identification for switching power
converters.
Q. Su, C. (2016). A new fuzzy logic method for transformer incipient fault diag-
nosis. IEEE.
Rosković, A., Grbić, R., and Slišković, D. (2011). Fault tolerant system in a
process measurement system based on the pca method. In MIPRO, 2011 Pro-
ceedings of the 34th International Convention, pages 1646–1651. IEEE.
Vasilic, S. (2004). Fuzzy neural network pattern recognition algorithm for clas-
sification of the events in power system networks. PhD thesis, Texas A&M
University.
Yin, S., Steven, X. D., Naik, A., Deng, P., and Haghani, A. (2010). On pca-based
fault diagnosis techniques. In 2010 Conference on Control and Fault-Tolerant
Systems (SysTol), pages 179–184. IEEE.
Zhou, D.-H. and Frank, P. (1998). Fault diagnostics and fault tolerant control.
IEEE Transactions on Aerospace and Electronic Systems, 34(2):420–427.
123