Analisis Fall Molino Cemento UPS-CT007055

ANÁLISIS Y DETECCIÓN DE FALLAS
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
MARÍA ANTONIETA CADMEN SANANGO

Ingeniera en Electrónica
Egresada de la Maestría en Control y Automatización Industriales
Universidad Politécnica Salesiana
DIRIGIDO POR:
PhD. WALTER OROZCO TUPACYUPANQUI

PhD en comunicaciones y electrónica por el Instituto Politécnico
Nacional de México (IPN)
Docente de la Universidad Politécnica Salesiana
CUENCA - ECUADOR
Datos de catalogación Bibliográfica
ANÁLISIS Y DETECCIÓN DE FALLAS MÚLTIPLES EN EL CIR-

CUITO DE MOLIENDA DE CEMENTO DE LA PLANTA INDUS-
TRIAL GUAPÁN
Maestría en Control y Automatización Industriales

Universidad Politécnica Salesiana
Cuenca-Ecuador 2017
Formato: 170x240mm Páginas: 123
Breve reseña de los autores e información de contacto
Ingeniera en Electrónica por la Universidad Politécnica Salesiana

Egresada de la Maestría en Control y Automatización Industriales
mcadmen@ucem.com.ec
Dirigido por:
WALTER OROZCO TUPACYUPANQUI

Ingeniero Eléctrico por la Universidad de Cuenca
Master en Ciencias en Ingeniería Eléctrica y Sistemas por el New York
Institute of Technology
PhD en comunicaciones y electrónica por el Instituto Politécnico
Nacional de México (IPN)
Docente de la Universidad Politécnica Salesiana
Director de carreras de telecomunicaciones
Coordinador del grupo de investigación en interacción, Rebotica y
Automática (GIIRA)
worozco@ups.edu.ec
Todos los Derechos Reservados

Queda prohibida, salvo excepción prevista en la Ley, cualquier forma de Reproducción, Distribución,
Comunicación Pública y Transformación de esta obra para fines comerciales, sin contar con Autoriza-
ción de los Titulares de Propiedad Intelectual. La infracción de los derechos mencionados puede ser
constitutiva de delito contra la Propiedad Intelectual. Se permite la libre difusión de este texto con fines
Académicos Investigativos por cualquier medio, con la debida notificación a los Autores.
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
Elaborado por: MARÍA ANTONIETA CADMEN SANANGO

Diseñado por: MARÍA ANTONIETA CADMEN SANANGO
IMPRESO EN ECUADOR - PRINTED IN ECUADOR
ÍNDICE GENERAL
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
2. MODELO DEL MOLINO 11

2.1. UCEM planta industrial Guapán . . . . . . . . . . . . . . . . . . . 11
2.1.1. El cemento . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.1.2. Áreas de fabricación de cemento . . . . . . . . . . . . . . . 13
2.2. Molienda de cemento . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.2.1. Secado de puzolana . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.2. Premolienda . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.2.3. Molienda . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3. Circuito cerrado de molienda . . . . . . . . . . . . . . . . . . . . . 17
2.3.1. Molino de cemento G20 . . . . . . . . . . . . . . . . . . . . 18
2.3.2. Separador G35 . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.3.3. Colector G38 . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.4. Modelo del sistema de molienda . . . . . . . . . . . . . . . . . . . . 20
2.4.1. Definición de las variables . . . . . . . . . . . . . . . . . . . 20
2.4.2. Distribución de tamaño de partícula . . . . . . . . . . . . . 21
2.4.2.1. Representación de Rosin Rammler . . . . . . . . . 21
2.4.3. Diagrama de molienda . . . . . . . . . . . . . . . . . . . . . 22
2.4.4. Diagrama de bloques . . . . . . . . . . . . . . . . . . . . . . 23
2.4.5. Modelo matemático. . . . . . . . . . . . . . . . . . . . . . . 24
2.4.5.1. Entrada al molino . . . . . . . . . . . . . . . . . . 24
2.4.5.2. Matriz de molienda M . . . . . . . . . . . . . . . . 24
2.4.5.3. Matriz de separación S . . . . . . . . . . . . . . . 26
2.5. Simulación del circuito de molienda . . . . . . . . . . . . . . . . . . 28
3. ANÁLISIS DE COMPONENTES PRINCIPALES 33

3.1. Fundamentos de la detección de fallas . . . . . . . . . . . . . . . . 33
3.1.1. Características de la detección de fallas . . . . . . . . . . . 34
3.1.2. Definición de conceptos . . . . . . . . . . . . . . . . . . . . 34
3.1.2.1. Falla . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.1.2.2. Avería . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1.2.3. Mal funcionamiento . . . . . . . . . . . . . . . . . 35
3.2. Causas o fuentes de las fallas . . . . . . . . . . . . . . . . . . . . . 36
3.2.1. Factores relacionados al personal y el entorno de trabajo . . 36
3.2.2. Factores relacionados con los equipos . . . . . . . . . . . . . 36
3.2.3. Factores relacionados con el proceso . . . . . . . . . . . . . 37
3.3. Sistemas de detección de fallas . . . . . . . . . . . . . . . . . . . . 38
3.3.1. Modelos cuantitativos de detección . . . . . . . . . . . . . . 38
3.3.2. Modelos cualitativos de detección . . . . . . . . . . . . . . . 40
iv
ÍNDICE GENERAL
3.3.3. Comparación de los métodos . . . . . . . . . . . . . . . . . 41

3.4. Análisis de componentes principales . . . . . . . . . . . . . . . . . . 42
3.4.1. Historia del ACP . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5. Proceso matemático de ACP . . . . . . . . . . . . . . . . . . . . . 44
3.5.1. Interpretación de las componentes principales . . . . . . . . 45
3.5.2. Determinación de las componentes principales . . . . . . . . 48
3.5.3. Determinación del número de componentes . . . . . . . . . 53
3.5.3.1. Punto de quiebre . . . . . . . . . . . . . . . . . . . 53
3.5.3.2. Promedio de los autovalores . . . . . . . . . . . . . 54
3.5.3.3. Varianza acumulada . . . . . . . . . . . . . . . . . 54
3.6. Proceso detallado para hallar las componentes principales . . . . . 55
3.7. Estadísticos de prueba . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.7.1. Estadístico Hotelling T 2 . . . . . . . . . . . . . . . . . . . . 57
3.7.2. Estadístico Q . . . . . . . . . . . . . . . . . . . . . . . . . . 58
3.8. Breve revisión de los sistemas difusos . . . . . . . . . . . . . . . . . 60
3.8.1. Los sistemas difusos . . . . . . . . . . . . . . . . . . . . . . 61
3.8.1.1. Fusificación . . . . . . . . . . . . . . . . . . . . . . 62
3.8.1.2. Sistema de inferencia . . . . . . . . . . . . . . . . 63
3.8.1.3. Defusificación . . . . . . . . . . . . . . . . . . . . . 64
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS 67

4.1. Adquisición de la base de datos . . . . . . . . . . . . . . . . . . . . 67
4.1.1. Proceso para copiar la base de datos . . . . . . . . . . . . . 68
4.1.2. Tipos de bases de datos . . . . . . . . . . . . . . . . . . . . 68
4.1.3. Características de base de datos TagLoggingFast . . . . . . 70
4.1.4. Proceso de lectura de la base de datos . . . . . . . . . . . . 70
4.2. Selección de las variables de molino . . . . . . . . . . . . . . . . . . 72
4.2.1. Selección de 14 variables del proceso . . . . . . . . . . . . . 73
4.2.2. Selección de cinco variables para simular e inducir fallas . . 75
4.3. Caracterización de las fallas del molino de cemento . . . . . . . . . 77
4.3.1. Sistema de alimentación . . . . . . . . . . . . . . . . . . . . 78
4.3.2. Sistema de medición del flujo de retorno . . . . . . . . . . . 79
4.3.3. Sistema de separación G35 . . . . . . . . . . . . . . . . . . 79
4.3.4. Sistema colector de polvo G38 . . . . . . . . . . . . . . . . . 80
4.3.5. Sistema de molienda G20 . . . . . . . . . . . . . . . . . . . 80
4.4. Proceso para hallar las componentes principales . . . . . . . . . . . 81
4.4.1. Obtención y submuestreo de las variables . . . . . . . . . . 81
4.4.2. Filtrado de datos . . . . . . . . . . . . . . . . . . . . . . . . 82
v
ÍNDICE GENERAL
4.4.3.Selección de la cantidad de muestras y el rango de las variables 83

4.4.4.Normalización de los datos . . . . . . . . . . . . . . . . . . 84
4.4.5.Obtención de las componentes principales . . . . . . . . . . 84
4.4.6.Selección del número de componentes principales . . . . . . 85
4.4.7.Determinación de los estadísticos T 2 y Q . . . . . . . . . . 87
4.4.8.Representación gráfica de las dos primeras componentes
principales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.5. Diseño del sistema difuso para la detección de fallas . . . . . . . . . 90
4.5.1. Sistema difuso de detección de falla general . . . . . . . . . 90
4.5.2. Sistema difuso para la identificación de la falla . . . . . . . 93
4.6. GUI para detección de fallas . . . . . . . . . . . . . . . . . . . . . . 97
4.7. Algoritmo implementado para hallar las componentes principales . 101
5. ANÁLISIS DE RESULTADOS 103

5.1. Banco de datos para simulación . . . . . . . . . . . . . . . . . . . . 103
5.2. Detección de fallas del proceso . . . . . . . . . . . . . . . . . . . . 104
5.2.1. Detección de la falla de flujo de retorno . . . . . . . . . . . 104
5.2.2. Detección de la falla del sistema de alimentación . . . . . . 104
5.2.3. Comportamiento de las componentes principales ante la in-
ducción de fallas . . . . . . . . . . . . . . . . . . . . . . . . 105
5.2.4. Detección de la falla en el motor del molino G20 . . . . . . 106
5.3. Inducción de fallas . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.3.1. Inducción de una falla en el sistema de separación G35 . . . 108
5.3.2. Inducción de una falla en el sistema colector de polvo G38 . 109
5.3.3. Inducción de una falla en el sistema de alimentación . . . . 109
5.4. Visualización de la GUI para detección de fallas . . . . . . . . . . . 110
5.5. Salida de los sistemas difusos . . . . . . . . . . . . . . . . . . . . . 111
5.6. Estimación de flujos, PSDs y CDFs . . . . . . . . . . . . . . . . . . 112
5.7. Validación del sistema de detección de fallas . . . . . . . . . . . . . 114
6. CONCLUSIONES 117
BIBLIOGRAFÍA 123
vi
ÍNDICE DE FIGURAS
2.1. Vista panorámica de la planta industrial Guapán . . . . . . . . . . 12

2.2. Áreas para la fabricación de cemento . . . . . . . . . . . . . . . . . 16
2.3. Procesos en la etapa de secado de puzolana . . . . . . . . . . . . . 16
2.4. Procesos de la premolienda . . . . . . . . . . . . . . . . . . . . . . 17
2.5. Procesos de la etapa de molienda . . . . . . . . . . . . . . . . . . . 18
2.6. Molino de cemento G20 . . . . . . . . . . . . . . . . . . . . . . . . 18
2.7. Separador dinámico G35 de finos y gruesos . . . . . . . . . . . . . 19
2.8. Colector G38 de finos . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.9. PSD y CDF de una muestra de cemento . . . . . . . . . . . . . . . 22
2.10. Circuito cerrado de molienda de la planta industrial Guapán . . . . 23
2.11. Diagrama de bloques del sistema de molienda de cemento . . . . . 24
2.12. CDF de la entrada y salida del molino . . . . . . . . . . . . . . . . 26
2.13. Validación de la matriz de molienda mediante el ajuste de la curva
Tromp . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.14. GUI de simulación del proceso de molienda . . . . . . . . . . . . . 29
2.15. Respuesta del sistema de molienda con sus flujos y PSDs . . . . . . 31
2.16. CDFs de los flujos . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.1. Porcentajes de los factores que causan las fallas . . . . . . . . . . . 37

3.2. Métodos para la detección de fallas . . . . . . . . . . . . . . . . . 39
3.3. Generación de las componentes principales del conjunto de varia-
bles de un sistema . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.4. Representación de los datos originales escogidos en función de sus
dos variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
3.5. Representación de los datos en función de sus componentes princi-
pales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.6. Punto de quiebre de los autovalores de las componentes principales 54
3.7. Promedio de los autovalores de las componentes principales . . . . 55
vii
ÍNDICE DE FIGURAS
3.8. Ejemplo de los estadísticos de un proceso . . . . . . . . . . . . . . 61

3.9. Funciones de pertenencia . . . . . . . . . . . . . . . . . . . . . . . 63
3.10. Proceso del método difuso tipo Mandani . . . . . . . . . . . . . . . 65
4.1. Tipos de bases de datos del sistema SCADA . . . . . . . . . . . . 69

4.2. Archivos y campos de la base de datos TagLoggingFast . . . . . . 71
4.3. Proceso para leer la base de datos TagLoggingFast . . . . . . . . . 72
4.4. Aplicación que muestra la lectura de los datos descomprimidos de
la variable 114 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.5. Variables de proceso x1 a x8 . . . . . . . . . . . . . . . . . . . . . 75
4.6. Variables de proceso x9 a x14 . . . . . . . . . . . . . . . . . . . . . 76
4.7. GUI basado en submuestreo para comprimir los archivos de las
variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.8. Límites de operación de las variables x1 a x8 . . . . . . . . . . . . 85
4.9. Límites de operación de las variables x9 a x14 . . . . . . . . . . . . 86
4.10. Selección del número de componentes principales mediante el punto
de quiebre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4.11. Selección del número de componentes principales por el método del
promedio de autovalores . . . . . . . . . . . . . . . . . . . . . . . . 88
4.12. Estadísticos T 2 y Q del conjunto de valores . . . . . . . . . . . . . 89
4.13. Representación de los valores de las primeras dos componentes prin-
cipales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.14. Topología del sistema difuso . . . . . . . . . . . . . . . . . . . . . . 92
4.15. Evaluación de las reglas del sistema difuso diseñado . . . . . . . . . 93
4.16. Topología del sistema difuso implementado . . . . . . . . . . . . . 97
4.17. Evaluación de las reglas del sistema difuso diseñado . . . . . . . . . 98
4.18. GUI principal del sistema de detección de fallas . . . . . . . . . . . 98
4.19. Interfaz gráfica para encontrar las componentes principales . . . . . 99
4.20. Interfaz gráfica para la visualización y edición de los sistemas difusos 99
4.21. Interfaz gráfica para la detección de fallas . . . . . . . . . . . . . . 100
4.22. Interfaz gráfica para la simulación y detección de fallas . . . . . . . 100
5.1. Falla en el flujo de retorno . . . . . . . . . . . . . . . . . . . . . . 104

5.2. Falla en el flujo de alimentación . . . . . . . . . . . . . . . . . . . 105
5.3. Componentes principales que reflejan la falla del sistema de ali-
mentación de la variable x9 . . . . . . . . . . . . . . . . . . . . . . 106
5.4. Respuesta de las dos primeras componentes principales ante cinco
fallas inducidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
viii
ÍNDICE DE FIGURAS
5.5. Falla en la corriente del motor G20 . . . . . . . . . . . . . . . . . . 107

5.6. Inducción de la falla en la velocidad del separador G35 . . . . . . . 108
5.7. Inducción de la falla en la velocidad del motor G39 . . . . . . . . . 109
5.8. Inducción de la falla en el flujo de alimentación mixer y puzolana . 110
5.9. Interfaz gráfica para la detección de fallas . . . . . . . . . . . . . . 111
5.10. Salidas de los conjuntos difusos de detección e identificación de fallas112
5.11. Estimación de los flujos ante la simulación de una falla . . . . . . . 114
ix
ÍNDICE DE TABLAS
3.1. Comparación de las diversas técnicas de un SDDF . . . . . . . . . 42
4.1. Variables de proceso seleccionadas para ACP . . . . . . . . . . . . 74

4.2. Acciones en el proceso al ocurrir una falla . . . . . . . . . . . . . . 77
4.3. Variables para simulación e inducción de fallas . . . . . . . . . . . 78
4.4. Características del sistema difuso . . . . . . . . . . . . . . . . . . . 91
4.5. Variables para la detección de fallas . . . . . . . . . . . . . . . . . . 95
4.6. Características del sistema difuso . . . . . . . . . . . . . . . . . . . 96
5.1. Posibles salidas del sistema difuso de T 2 y Q . . . . . . . . . . . . 113

5.2. Posibles salidas del sistema difuso basado en residuos cuadráticos . 113
5.3. Respuesta del sistema de detección e identificación de fallas . . . . 115
x
Algoritmos
4.1. Algoritmo implementado para hallar las componentes principales . 101
XI
GLOSARIO
ACP Análisis de componentes principales
ASM Abnormal Situation Management
C3S Silicato Tricálsico
CDF Función de densidad de probabilidad acumulativa
GUI Graphic user interface
LMI Linear Matrix Inequalities
MPC Mínimos cuadrados parciales
PSD Particle size distribution
RNA Redes neuronales artificiales
SCADA Sistema de supervisión, control y adquisición de datos
SDDF Sistema de diagnóstico y detección de fallas
UCEM Unión cementera nacional
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
Dedico este proyecto de una manera muy especial

a mis padres: Mercedes Bélgica Sanango y Luis
Antonio Cadmen por ser el mejor ejemplo en mi
vida, con su amor, esfuerzo y esmero me han incen-
tivado a progresar en todos los aspectos de la vida
y saber luchar por todas mis metas. Además va
dedicado a mis hermanos: Miriam, Fidel, Fernanda
que me apoyaron en todo momento, dándome
palabras de aliento y ánimo, pero en especial a mi
hermana Eugenia que fue mi pilar, estuvo conmigo
incondicionalmente en todo momento alentándome
a seguir adelante y no rendirme, ¡Siempre mi
aliada, la mejor gemela que pude tener!. Y de una
manera espiritual a mi abuelita Deifilia que me
protege y me guía a seguir delante de la mejor
manera.
Antonieta Cadmen Sanango
xvii
PREFACIO
La mayoría de procesos industriales pueden estar sujetos a fallas. Los daños

pueden ser pérdidas económicas, daños irreversibles e incluso vidas humanas. Es
así que en la actualidad la industria demanda sistemas expertos para la detección
y control de fallas; se requiere de sistemas que sean seguros, confiables y permitan
el monitoreo y diagnóstico de fallas.
Por esta razón, este proyecto de investigación y desarrollo presenta una plata-
forma de simulación de detección de fallas basado en el análisis de componentes
principales. Esta técnica conserva la variabilidad del sistema reduciendo la di-
mensionalidad del número de las variables del proceso. Los estadísticos T 2 y Q
permiten detectar las fallas mediante márgenes de confianza de decisión basándo-
se en los autovalores y autovectores de las componentes principales. La utilización
de la lógica difusa permite detectar e identificar las fallas a través de los dos esta-
dísticos de prueba. Además se proponen diferentes escenarios de simulación para
la validación del sistema.
Este trabajo de investigación supone conocimientos básicos en estadística,
filtrado de señales, matemática básica de autovalores y autovectores, lógica difusa
y manejo del software MATLABr para la simulación y validación del sistema.
xix
PRÓLOGO
En este trabajo de investigación se presenta una técnica de detección de fallas

de un sistema de molienda de cemento a partir del análisis de las componentes
principales y lógica difusa de un banco de datos de las variables de proceso del
sistema.
El Capítulo 1, plantea los objetivos, la metodología propuesta, el estado del
arte de los sistemas de detección de fallas mediante componentes principales y
lógica difusa y finalmente las contribuciones del presente trabajo de investigación.
El Capítulo 2, presenta de manera breve los procesos para la fabricación de
cemento. Profundiza los procesos del área G de molienda. Además presenta el
modelo y las simulaciones del sistema de molienda basado en la granulometría del
material.
El Capítulo 3, muestra de manera breve los tipos de sistemas de detección
de fallas. Por otro lado, hace una revisión de los fundamentos matemáticos del
análisis de componentes principales. Además detalla el proceso para hallar las
componentes principales de un conjunto de datos. Por último, muestra los fun-
damentos para encontrar los estadísticos T 2 y Q a partir de las componentes
principales para detectar fallas.
El Capítulo 4, presenta de manera detallada el proceso de adquisición de las
variables de la base de datos. Detalla el proceso implementado para hallar las
componentes principales del conjunto de variables de molienda. Además muestra
el diseño de dos sistemas difusos para la detección e identificación de la varia-
ble causante de la falla. Finalmente, se muestra la interfaz gráfica de simulación
implementada en MATLABr para la detección de fallas de molino de cemento.
El Capítulo 5, presenta las pruebas de simulación y los resultados obtenidos.
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
Al culminar una etapa más de mis estudios, expreso

mi agradecimiento a todos los que conforman el
departamento de Postgrados en Control y Automa-
tización Industriales de la Universidad Politécnica
Salesiana y a la fábrica UCEM planta industrial
Guapán que hicieron posible la realización de
este proyecto, que estuvieron pendientes para
brindarme todo lo requerido. Agradezco a Dios
por darme salud, fuerza y sabiduría suficiente para
poder superar los obstáculos que se me presenten
de la mejor manera. De igual manera, mi más
sincero y profundo agradecimiento al PhD. Walter
Orozco Director del proyecto y al Msc. Manuel
Reinoso, quienes todo el tiempo del proyecto me
supieron ayudar, recomendar, colaborar y guiar
de acuerdo a sus conocimientos e hicieron posible
el desarrollo óptimo del mismo. A mi hermana
Eugenia que fue mi compañía, mi apoyo en todo
el proceso del proyecto, a todos y cada una de las
personas que me brindaron su ayuda y no fueron
mencionadas.
Antonieta Cadmen Sanango
xxiii
CAPÍTULO 1
INTRODUCCIÓN
La gran mayoría de los procesos industriales pueden estar expuestos a sufrir

fallas. Los daños en plantas químicas, nucleares, de petróleo, entre otras pue-
den provocar la destrucción de equipos, pérdidas económicas, daños ambientales
irreversibles e incluso se pueden perder vidas humanas. Por esta razón, en la ac-
tualidad la industria demanda sistemas expertos para la detección y control de
fallas; es decir se requiere de sistemas que sean seguros, confiables y mantengan
a un proceso bajo control y responda ante circunstancias imprevistas.
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.
La detección e identificación de fallas no se trata de un proceso sencillo, debido

a la complejidad innata de algunos sistemas como por ejemplo son de naturaleza
no lineal, multivariables, variantes en el tiempo, subactuados, entre otras. Además
la complejidad, surge en la cantidad de variables que puede llegar a tener un
sistema, sin embargo las herramientas de análisis pueden reducir y mantener las
variables predominantes de un sistema.
1
1. INTRODUCCIÓN
1.1. Planteamiento del problema
Actualmente la mayoría de fábricas y procesos industriales en el Ecuador no

disponen de sistemas de detección y control de fallas. Es así que, el modo de ope-
rar ante una falla en la mayoría de los casos consiste en apagar directamente los
sistemas; este modo de operación provoca sin duda pérdidas económicas e incluso
se logra alterar la calidad de los productos. Otro tipo de fallas más severos pue-
den provocar accidentes fatales, explosiones, daños materiales y enormes pérdidas
económicas.
La falta de iniciativa que poseen los empresarios industriales para implementar

estas herramientas de detección, se debe a que estos sistemas de control y detec-
ción son desarrollados en otros países, y sus precios en muchas veces se vuelven
inalcanzables. Es por esta razón fundamental que este trabajo de investigación
pretende desarrollar un sistema de simulación de detección de fallas para el pro-
ceso de molienda de cemento de la planta industrial Guapán.
La molienda de cemento es un proceso crítico, ya que se debe en lo posible

evitar las fallas que desestabilicen el sistema y dañen la calidad del producto. En
este proceso principalmente se pretende alcanzar una fineza que viene dado por la
superficie especifica denominado blaine y el porcentaje de retenido en malla. Al
tratarse de un sistema de producción continua, los flujos se estabilizan después de
una media a una hora de arrancado el sistema; esta demora se debe especialmente
a la naturaleza lenta que posee el proceso. Por esta razón, cuando se da una
determinada falla y drásticamente se detiene el sistema, se provoca que la calidad
del producto se altere y se produzcan grandes pérdidas económicas.
Un gran inconveniente es la propagación de fallas, ya que si se presenta una

falla esta puede propagarse a una o a varias variables del proceso, induciendo
cambios drásticos en el sistema (Isermann, 1984), esto puede provocar ineficiencia,
pérdidas, daños y averías en los componentes del sistema.
En la actualidad la Unión Cementera Nacional (UCEM) planta industrial

Guapán no cuenta con un SDDF (Sistema de diagnóstico y detección de fallas),
que contribuya con estos aspectos en la área G de molienda de cemento. Los
principales inconvenientes de funcionamiento en el circuito de molienda se dan
en los sistemas de la dosificación y alimentación, sin descartar otras fuentes de
fallos en otros sistemas del circuito, en lo cual se pretende enfocar el estudio de
2
1.2 Objetivos
investigación de este proyecto.
1.2. Objetivos
Esta sección presenta los objetivos del presente trabajo de investigación.
1.2.1. Objetivo principal
Diseñar un sistema de detección y diagnóstico de fallas múltiples utilizando

la técnica de análisis de componentes principales (ACP) y lógica difusa, para
diagnosticar fallas en el sistema de alimentación y otros componentes del sistema
de molienda de cemento de la UCEM, planta industrial Guapán.
1.2.2. Objetivos específicos
Realizar la investigación del estado del arte en modelos o técnicas para la

detección y diagnóstico de fallas en procesos industriales;
Investigar y conocer la situación actual del sistema de producción empleado

por la UCEM planta industrial Guapán;
Analizar el proceso del molino de cemento;
Obtener los parámetros o las variables necesarias de acuerdo al proceso para

el diseño del sistema de diagnóstico y detección de fallas;
Identificar las variables y perturbaciones que afecten a este proceso;
Realizar el diseño de un sistema de diagnóstico de fallas en base al análisis

de componentes principales y lógica difusa;
Validar el diseño para diagnosticar y detectar las fallas en el molino en base

a simulaciones;
Realizar un simulador de diagnóstico y detección de fallas del circuito de

molienda en MATLABr ;
3
1. INTRODUCCIÓN
Simular el proceso de diagnóstico de fallas de molienda utilizando las varia-

bles adquiridas de la base de datos del sistema.
1.3. Justificación de la investigación
Este trabajo de investigación busca esclarecer y mostrar la aplicación del uso

combinado del análisis de componentes principales y la lógica difusa para la de-
tección de fallas en un sistema de molienda. Por lo tanto, se desarrolla una pla-
taforma de simulación de diagnóstico de fallas para el circuito de molienda de
cemento de la planta Guapán. La plataforma de diagnóstico contribuye a mejorar
los procesos, evitar daños en los equipos y mantener estabilidad en la calidad del
producto; siendo estos aspectos muy importantes para ahorrar recursos y mante-
ner los procesos seguros y estables. Además este trabajo de investigación muestra
la metodología y la gran utilidad que representan los estadísticos de Hotelling y
de error cuadrático de predicción basados en las componentes principales, para
detectar e identificar fallas a través de la lógica difusa.
1.4. Metodología propuesta
Para realizar el simulador de detección de fallas del circuito de molienda de

la planta industrial Guapán, en primer lugar se utilizará del modelo matemático
del proceso de molienda basado en el balance de flujos y de la distribución del
tamaño de partícula (PSD, por sus siglas en inglés), que representan el vector
estado de cada flujo que define la función de densidad probabilidad de cada flujo.
En segundo lugar, el estudio de las fallas del sistema, se hará en trabajo conjunto
con el departamento de procesos y control de la planta Guapán. Además, se
empleará ACP para extraer la información estadísticamente más representativa
del conjunto de variables iniciales, a través de un número menor de variables
artificiales denominadas componentes principales, para realizar el análisis de fallas
del sistema de molienda. El proceso de detección y predicción estará realizado
mediante lógica difusa. La validación del sistema se realizará a través de la base de
datos del histórico de las variables del sistema de supervisión, control y adquisición
de datos (SCADA, por sus siglas en inglés) del circuito de molienda.
4
1.4 Metodología propuesta
A continuación, se detalla la metodología de investigación para el sistema de

detección de fallas del sistema de molienda.
Estado del arte
El estado del arte describe brevemente diversos trabajos realizados para la

detección de fallas en la molienda de cemento, y específicamente trabajos que
utilizan ACP, así como el uso de la técnica de lógica difusa para diagnosticar
fallas en los sistemas.
Etapa de reconocimiento de campo
En esta parte se trabajará conjuntamente con los ingenieros del departamento

de proceso de la planta industrial Guapán con el objetivo de extraer la mayor
información posible de las fallas y sus posibles causas mas relevantes del circuito
de molienda.
Etapa de diseño
En el capítulo 4, se muestra el diseño del sistema de detección de fallas utili-

zando ACP y el empleo de lógica difusa.
Etapa de adquisición de las variables
Las variables se adquieren gracias a la base de datos provenientes de los sis-

temas SCADA de molienda y premolienda de la planta industrial Guapán. El
capítulo 4 muestra en detalle el proceso de lectura de las variables.
Etapa de simulación
La simulación del sistema de detección de fallas se implementa en MATLABr ,

a través de una interfaz gráfica de usuario (GUI, por sus siglas en inglés), donde
5
1. INTRODUCCIÓN
se pueden observar la detección de las fallas.
Análisis de resultados
Se realizan varias pruebas de simulación mediante la base de datos del sistema

SCADA, en un banco de pruebas de varios días de operación. Además se pone a
prueba al sistema mediante simulación de fallas a través de cambios de magnitud
de las variables. Finalmente, se plantea un escenario donde una variable puede
tener un valor de 0, donde se analizan la respuesta del sistema difuso de detección
de fallas.
1.5. Estado del arte
El diagnóstico y detección de fallas es un campo de investigación amplio de

la ingeniería de control con un sinnúmero de aportaciones científicas en varios
procesos industriales. A continuación se describe brevemente algunos trabajos
vinculados con el análisis y detección de fallas en los sistemas industriales.
Poon et al. (2016) presenta el análisis, diseño y validación experimental de

un método basado en modelos para la detección e identificación de fallas para
conmutar convertidores de potencia utilizando un enfoque de estimador de estado
basado en modelos. El algoritmo de detección posee excelentes resultados al lograr
detección de fallos en menos de 10 ms para las fallas en cada convertidor.
Ellero et al. (2016) plantea un sistema robusto de detección de fallas como

perturbaciones, ruidos de medición, parámetros inciertos e insumos desconocidos
basado en el diseño de observadores de intervalos. El diseño de los parámetros del
observador se formula a través de matrices lineales de desigualdades (LMIs, por
sus siglas en inglés). El sistema diseñado se pone a prueba y se obtienen excelentes
resultados de detección de fallas.
El Houda Thabet and Chafouk (2016) presenta el problema de detección de

fallas y aislamiento en los convertidores DC-DC. Un predictor de intervalo es desa-
rrollado para detectar y aislar múltiples fallas. Mediante simulaciones se prueba
la eficacia de la metodología propuesta.
6
1.5 Estado del arte
Da Silva Vicente et al. (2001) presenta un control tolerante a fallas para un

quadrotor. La principal contribución de este trabajo se basa en el modelado deta-
llado de un quadrotor y un uso de técnicas de estimación de parámetros, incluyen-
do un método experto basado en el conocimiento del sistema y un razonamiento
lógico.
Nabil et al. (2010) presenta un sistema de control tolerante de fallas, utiliza la

técnica basada en modelo de detección y aislamiento de fallas. Utiliza un conjunto
de filtros limitados de Kalman. La eficacia del esquema propuesto se justifica
mediante simulaciones.
Zhou and Frank (1998) presenta una estrategia simultánea de detección y

diagnóstico de fallas para sistemas estocásticos no lineales. Se utiliza un algorit-
mo basado en la clasificación de Bayes modificado para detectar y diagnosticar
las fallas del sensor. Muchas clases de fallas de los sensores son probadas por si-
mulaciones de Monte Carlo, mismas que pueden ser detectadas en línea, aisladas
y estimadas simultáneamente.
Jin and Kwong (2015) presenta un esquema de control adaptativo tolerante a

fallas para una clase de sistemas no lineales de multiple entrada multiple salida
(MIMO, por sus siglas en inglés) sujeto a fallas de actuador multiplicativo y aditi-
vo. Se presenta un ejemplo ilustrativo para demostrar la efectividad del esquema
propuesto.
Ahora se presentan algunos trabajos de detección de fallas basados en ACP:
Rosković et al. (2011) presenta la detección automática de fallas y la identifica-

ción de equipos de medición de procesos o sensores. Los algoritmos de seguimiento
de procesos estadísticos están basados en ACP. Esté método se utiliza para mo-
delar la correlación entre variables de proceso en el espacio de entrada.
Harrou et al. (2013) presenta la combinación de un esquema de control de

media móvil ponderada exponencialmente con el modelo ACP con el fin de mejorar
el rendimiento de detección de fallas. De hecho, ACP se utiliza para proporcionar
un marco de modelado para el algoritmo de detección de fallos de desarrollo. Los
resultados muestran la efectividad del algoritmo desarrollado.
Ding et al. (2010) presenta brevemente la aplicación de la técnica estándar de

ACP para la detección de fallos y la identificación. Además propone el estudio de
7
1. INTRODUCCIÓN
la sensibilidad de falla, donde se consideran fallas de ajuste y escalamiento.
Yin et al. (2010) presenta la aplicación de la técnica ACP estándar para el

diseño de sistemas de diagnóstico de fallas. Además muestra un enfoque de aisla-
miento de falla basado en la prueba de razón de verosimilitud, en el cual la falla
de desconexión y escalado puede ser fácilmente aislado.
A continuación, se muestran trabajos de investigación de análisis y detección

de fallas basados en lógica difusa y redes neuronales artificiales (RNA):
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.
Vasilic (2004) presenta una propuesta para clasificar fallas en sistemas de

potencia utilizando RNA autoorganizadas y la teoría de resonancia adaptativa
combinada con reglas de decisión difusa para la interpretación de la salida de la
red neuronal entrenada.
Jiang et al. (2003) presenta el concepto de mediciones fasoriales sincronizadas

y se describen algunas de las bondades que se pueden obtener para la detección,
clasificación y localización de la falla.
Butler and Momoh (1993) presenta un algoritmo de clasificación basado en

RNA con el cual se pueden detectar fallas tanto sólidas como de muy alta impe-
dancia.
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.
Cheng et al. (2013) presenta un método de detección de fallas basado en lógica

difusa para identificar los daños individuales y múltiples del sistema. Las funciones
de Gauss y Bell se utilizan como funciones de pertenencia para los parámetros
de entrada y salida, respectivamente. Los resultados revelan que el sistema difuso
establecido posee habilidades favorables de memoria, inferencia y anti-ruido.
8
1.6 Contribuciones de la Tesis
1.6. Contribuciones de la Tesis
Las contribuciones de este trabajo de investigación son:
1. Desarrollo de la plataforma de simulación realizado en MATLABr para la

detección de fallas en el molino de cemento de la planta Guapán mediante
ACP y lógica difusa.
2. Desarrollo de la GUI para la estimación de flujos y granulometrías cuando

ocurren fallas en los sistemas de: alimentación y de flujo de retorno.
3. Modificación de la fórmula del estadístico Q para hallar los residuos cuadrá-

ticos de estimación de cada variable. De esta manera se identifica la variable
que causa una falla a través de un sistema difuso.
9
CAPÍTULO 2
MODELO DEL MOLINO
Este capítulo describe de manera breve los procesos para la producción de

cemento de la planta industrial Guapán. Se presenta la formulación matemá-
tica para estimar los flujos, y las matrices de molienda y separación. Además,
se muestran los resultados de modelación y validación del circuito de molienda.
Finalmente, se muestra la simulación del modelo de molienda en una GUI desa-
rrollada en MATLABr para mostrar la respuesta de los flujos, PSD y la función
de distribución acumulativa (CDF, por sus siglas en inglés).
2.1. UCEM planta industrial Guapán
La UCEM es la compañía que administra la planta industrial de cementos

Guapán. La planta está localizada en la parroquia Guapán, cantón Azogues, pro-
vincia del Cañar. La Figura 2.1 muestra la vista panorámica de la planta de
cementos Guapán. Esta planta produce y comercializa cemento portland puzo-
lánico, en sacos de 50 kg, granel y hormigón. El producto se comercializa en la
región austro-sur del territorio ecuatoriano.
11
2. MODELO DEL MOLINO
Figura 2.1: Vista panorámica de la planta industrial Guapán

Fuente: http://www.industriasguapan.com.ec
2.1.1. El cemento
El cemento es un conglomerante formado a partir de la mezcla de arcillas

rocosas compuestas por calcio, silicio, aluminio y hierro. La mezcla se funde a
muy altas temperaturas para formar el clinker; posteriormente es molido con yeso
y puzolana para formar el cemento portland. El cemento es mezclado con piedra,
arena y agua para formar el concreto que se endurece y permite altas resistencias
y fuerzas de cohesión después de los 28 días de fraguado. El uso del cemento
ha revolucionado la industria de la construcción y la ingeniería civil (Deolalkar,
2009).
En la planta industrial Guapán se fabrica cemento portland puzolánico. La

puzolana es un material de origen volcánico y se utiliza para mejorar las caracte-
rísticas de fuerzas de cohesión de fraguado. La puzolana forma entre el 25 al 35 %
de la receta total del cemento.
12
2.1 UCEM planta industrial Guapán
2.1.2. Áreas de fabricación de cemento
La Planta Industrial Guapán está formada por ocho áreas, nombradas en

secuencia de acuerdo al proceso que realizan. A continuación, de manera breve
se describe cada una de las áreas que intervienen en la fabricación del cemento
puzolánico.
La información que a continuación se muestra relacionada a las áreas, proce-

sos, equipos y diagramas fueron proporcionados por el departamento de control,
investigación y mejora continua de la planta industrial Guapán.
Área A: Extracción de materias primas
Esta área se encarga de la extracción de las materias primas como: calizas,

arcillas, ferritas, sílice, yeso y puzolana. Son extraídas desde las canteras del cantón
Mendez, cantón Guayaquil e incluso de zonas aledañas a la ciudad de Cuenca.
Además está encargada de la gestión, almacenamiento y distribución de estas
materias.
Área B: Trituración
Esta área se encarga de la reducción del tamaño de arcillas, calizas, ferritas,

sílice y yeso a través de un triturador de martillos de 1500 HP (Horse Power) con
capacidad de producción de 500 Toneladas métricas por hora (T/h). La trituración
se lleva a cabo de acuerdo a una dosificación específica que permite crear cada
pila de arcillas, ferritas y sílices. El producto triturado es enviado hacia el área C.
Área C: Prehomogenización
Esta área mezcla las materias primas previamente trituradas de acuerdo a la

granulometría y composición química que demanda el departamento de produc-
ción y control de calidad. Está formado por un sistema circular electromecánico
de capacidad de 620 T/h, que crea pilas piramidales. Mientras que el material
de las pilas son distribuidas mediante un puente sin fin acoplado a un rastrillo
13
tipo cable, que descarga el material hacia una banda transportadora que lleva el
material hacia el área D.
Área D: Molienda de crudo
Esta área es la encargada de la molienda para producir la harina cruda con

un diámetro de 75 micras en el tamiz número 200 que es normado bajo la ASTM
(American society for testing and materials, por sus siglas en inglés) y con hu-
medad inferior al 0.8 %. La molienda se da mediante un molino de bolas de ali-
mentación y descarga de toma central. En el proceso intervienen gases calientes
provenientes del horno de clinkerización que secan el material. Se realiza frecuen-
temente el control de calidad de granulometría y composición química a través de
un analizador por rayos X. Existe un sistema de circuito cerrado a través de ciclo-
nes para separar el material de acuerdo a su fineza. La harina cruda es bombeada
hacia los silos de homogenización del área E.
Área E: Homogenización y Precalentamiento
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
Esta área se encarga de la transformación físico-química de la harina cruda en

clinker, mediante la cocción de la harina cruda a 1350 °C, a esta temperatura el
material sólido se funde y se vuelve liquido, produciendo Silicato Tricálsico C3 S
y otros compuestos. El proceso se lleva a cabo mediante un horno rotatorio de
velocidad variable de la marca Fuller de 65 metros de longitud con capacidad de
100 T/h. El clinker sale del horno a una temperatura de 1000 °C y pasa por el
enfriador hasta alcanzar unos 100 °C, posteriormente se fragmenta mediante un
14
2.2 Molienda de cemento
triturador de rodillos y se envía hacia la bodega de almacenamiento de clinker.
Área G: Molienda de cemento
Esta área se encarga de la molienda y homogenización de la puzolana, yeso y

clinker mediante un molino de bolas de la marca Fuller. El producto terminado
que es el cemento posee una granulometría inferior a 40 micras, y una superficie
especifica denominado blaine de 4100 cm2 /g como promedio. El proceso consta
de un circuito cerrado de clasificación a través de un separador de alta eficiencia
O-SEPA de la marca FLSmidth de velocidad variable que controla la fineza del
cemento. El producto terminado es enviado hacia los silos de almacenamiento
para el proceso de empacado.
Area H: Empaque y despacho
Está área es la encargada de distribuir el cemento en sacos de 50 kg o en

despacho de granel. Está formado por dos ensacadoras, una de 8 bocas de la marca
Haver Boecker. Además el cemento se descarga directamente hacia los camiones
a través de bombeo con aire presurizado.
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
2.2. Molienda de cemento
La molienda de cemento corresponde al área G, que es una de las áreas más

importantes de la fabricación del cemento, ya que tritura las partículas hasta
alcanzar un tamaño menor o igual a 40 micras, de esta manera se puede alcanzar
un parámetro de calidad blaine o superficie especifica y también el porcentaje de
retenido de malla. En esta etapa intervienen tres subprocesos que son: secado de
puzolana, premolienda y molienda.
15
Figura 2.2: Áreas para la fabricación de cemento

Fuente: https://www.emaze.com/@ALIITCZW
2.2.1. Secado de puzolana
Este subproceso reduce la humedad de la puzolana del 14 % al 4 % a través de

un secador giratorio alimentado con combustible residual de petróleo. La Figura
2.3 muestra los principales procesos que intervienen en el secado
puzolana, diámetro humedad menor a

dosificación puzolana seca
menor a 80mm 4%
Figura 2.3: Procesos en la etapa de secado de puzolana

Fuente: Autor
2.2.2. Premolienda
Esta etapa reduce el tamaño de las partículas de yeso, caliza y clinker a un

diámetro menor a 4 mm, gracias al sistema de trituración mag impact. La Figura
2.4 muestra los principales procesos que se dan en esta etapa.
16
2.3 Circuito cerrado de molienda
Separación vibratoria
menores a 4mm y transporte a molino
mayores a 4mm
yeso y calizas Mag Impact
Figura 2.4: Procesos de la premolienda

Fuente: Autor
2.2.3. Molienda
El molino giratorio de bolas denominado G20 tritura el material hasta que

las partículas alcancen un diámetro en el orden de las decenas de micras. A con-
tinuación, las partículas de cemento son transportadas a un separador dinámico
centrífugo denominado G35, donde las partículas más pesadas retornan al molino
y las partículas de menor tamaño se absorben por el colector de polvo denomina-
do G38 y se envían hacia los silos de almacenamiento de producto terminado. La
Figura 2.5 muestra los procesos en circuito cerrado de la molienda de cemento.
2.3. Circuito cerrado de molienda
El circuito cerrado de molienda de cemento posee una retroalimetación del

material grueso hacia la alimentación del molino, a través de un separador di-
námico. El circuito está formado por los siguientes sistemas: molino de cemento,
separador dinámico y colector de polvo de producto terminado. A continuación
una breve descripción de cada uno de ellos:
17
G38 almacenamiento
cangilones
G31
mixer y puzolana G20
Figura 2.5: Procesos de la etapa de molienda

Fuente: Autor
2.3.1. Molino de cemento G20
El molino de cemento es de la marca Fuller, está formado por dos cámaras

que en su interior poseen carga moturante. Las bolas de acero colisionan con el
cemento y van reduciendo el tamaño de las partículas sucesivamente. La velocidad
de rotación del molino es constante. La Figura 2.6 muestra el molino de cemento
G20 de la empresa industrial Guapán.
Figura 2.6: Molino de cemento G20

Fuente: UCEM planta industrial Guapán
18
2.3 Circuito cerrado de molienda
2.3.2. Separador G35
Este sistema es un separador dinámico giratorio que clasifica las partículas

de acuerdo a su peso. El movimiento centrífugo del separador hace que las partí-
culas pesadas caigan por gravedad y reingresen al molino G20, mientras que las
partículas livianas se suspendan en el separador y sean absorbidas por el colector
G38. La velocidad de giro es modificable mediante el panel central. La Figura 2.7
muestra el separador dinámico G35.
Figura 2.7: Separador dinámico G35 de finos y gruesos

2.3.3. Colector G38
Este sistema es el encargado de absorber y retener el producto terminado. El

colector a través del motor G39, genera una fuerza que absorbe las partículas, que
están en suspensión en el separador G35. Un sistema de limpieza de las mangas con
aire a presión hace que el cemento caiga y descienda a través de un aerodeslizador.
19
La velocidad de giro del motor G39 es modificable a través del panel central de
control. La Figura 2.8 muestra el colector G38.
Figura 2.8: Colector G38 de finos

2.4. Modelo del sistema de molienda
El modelo del circuito cerrado de molienda de la planta industrial Guapán está

basado en la memoria técnica proporcionada por Molina (2015) y en el trabajo
de Mejeoumov (2007). Ambos trabajos de investigación detallan el modelado del
sistema de molienda a través de ensayos y pruebas de validación.
2.4.1. Definición de las variables
Las variables utilizadas en el modelo del sistema son:
20
2.4 Modelo del sistema de molienda
Bi Flujo del material, dado en masa por unidad de tiempo [T/h];

fi Función de distribución de tamaño de partícula;
M Matriz de molienda;
S Matriz de separación.
2.4.2. Distribución de tamaño de partícula
El modelo de molienda está basado en las vectores de estado de cada flujo

representados por cada PSD. Existen métodos gravimétricos y ópticos para de-
terminar la PSD de una muestra (Mejeoumov, 2007). Las PSD para el modelado
fueron obtenidas gracias al granulómetro óptico propiedad de la planta industrial
Guapán (Molina, 2015).
Una PSD o función de distribución de probabilidad está representada por el

valor del tamaño de partícula del tamiz representado en [µm] en el eje de las
abscisas y la cantidad relativa de material que posee ese tamaño de partícula en
[ %] en el eje de las ordenadas. Además a cada PSD se puede representar mediante
la función de distribución acumulativa CDF (Mejeoumov, 2007). La Figura 2.9
representa la PSD y la CDF de una muestra de cemento.
2.4.2.1. Representación de Rosin Rammler
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)
donde x es el tamaño de partícula, d0 el tamaño de corte y n la pendiente de la

curva.
21
PSD Distribución acumulativa

6 100
90
5
80
Porcentaje Acumulativo [%]

70
Porcentaje individual [%]
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]
Figura 2.9: PSD y CDF de una muestra de cemento

Fuente: Molina (2015)
El modelo desarrollado por Molina (2015) utiliza la representación de Rosin

Rammler para modelar todos los flujos del circuito cerrado de molienda e incluso
la utiliza para aproximar la curva Tromp del separador G35.
2.4.3. Diagrama de molienda
El sistema de molienda de cemento está constituido por los siguientes sistemas:
Sistema de alimentación;
Molino G20;
Separador G35;
Elevador de cangilones G31;
Colector G38.
La Figura 2.10 muestra el diagrama del circuito cerrado de molienda de cemento

con sus respectivos componentes a modelar.
22
Figura 2.10: Circuito cerrado de molienda de la planta industrial Guapán

Fuente: Autor
2.4.4. Diagrama de bloques
La Figura 2.11 muestra el diagrama de bloques del sistema de molienda donde

se muestran los flujos Bi y los vectores de estado fi de cada una de las etapas. A
continuación se muestra la asignación de cada variable:
f0 Vector PSD de alimentación B0 Flujo de alimentación al molino en [T/h]

f1 Vector PSD de entrada al G35 B1 Flujo de salida del molino en [T/h]
f2 Vector PSD de retorno al molino B2 Flujo de retorno [T/h]
f3 Vector PSD de salida B3 Flujo de salida [T/h]
El vector de tamaño de partículas está formado por 42 elementos, por lo tanto

cada vector de estados tiene una dimensión de fi42x1 , mientras que la matrices
tienen las siguientes dimensiones: M42x42 y S42x42 (Molina, 2015).
23
f2
f2 B2
B2
f0 f1 f3
B0 B1 B3
Figura 2.11: Diagrama de bloques del sistema de molienda de cemento

Fuente: Autor
2.4.5. Modelo matemático.
En esta subsección se muestra de manera muy breve y resumida el modelo

matemático del molino de cemento basado en los trabajos de Molina (2015) y
Mejeoumov (2007).
2.4.5.1. Entrada al molino
La entrada al molino depende de dos flujos que son: flujo de alimentación y

flujo de retorno por lo tanto las ecuaciones matemáticas para los PSD y los flujos
son:
fin = f0 + f2
(2.2)
Bin = B0 + B2
2.4.5.2. Matriz de molienda M
El proceso de trituración y molienda que se lleva a cabo en el Molino G20,

está representado por una matriz de molienda M aplicando cadenas de Markov.
El proceso de fractura de las partículas se da gracias a que la carga moturante

ubicada en el interior del molino choca entre si, provocando la trituración del
24
material. Por lo tanto, se modela como un evento probabilístico de cadenas de

Markov. Es decir, una PSD inicial posee una d0 y n pasa a través de k eventos
iterativos hasta salir del molino alcanzando nuevos valores de d0 y n (Mejeoumov,
2007). El número k se define como el tiempo de permanencia del material en
el molino y mediante varias pruebas de acuerdo a Molina (2015) el tiempo es
alrededor de 6 minutos.
La matriz M1 es cuadrada, posee la diagonal unitaria y los elementos de la

parte triangular superior indican la probabilidad que una partícula se fracture en
porciones mas pequeñas (Mejeoumov, 2007).
 
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
donde bij es la probabilidad de que una partícula se distribuya en tamaños

mas pequeños, si representa la función de selección de molienda y se ajusta de
manera experimental y ∆t es el periodo de tiempo de la transición.
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)
De acuerdo a la Figura 2.11, se observa que al molino ingresan dos PSD, la

de alimentación y retorno, por lo tanto, el vector de estado de salida del molino
f1 está definido por:
f1 = M [f0 + f2 ] (2.5)
25
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]
Figura 2.12: CDF de la entrada y salida del molino

Validación con datos experimentales de la matriz de molienda
La Figura 2.12 muestra el resultado de un ajuste cercano a los datos expe-

rimentales, donde se observa que la CDF de entrada al molino de alimentación
y retorno es modificada produciendo una nueva PSD de salida. Por lo tanto la
matriz M ofrece resultados confiables para el proceso de molienda.
2.4.5.3. Matriz de separación S
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.
La curva Tromp de un separador se define como la probabilidad que tiene el
26
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
El vector obtenido de la curva Tromp de la Ecuación (2.6) se coloca en forma

diagonal para formar la matriz de separación S de la siguiente manera, donde
cada Si corresponde a cada elemento de la curva Tromp:
 
S1 0 0 ··· 0

 0 S2 0 ··· 0 

S=
 0 0 S3 ··· 0 
(2.7)
.

· · · · · · · · · .. 0
 
 
0 0 0 0 Sn
De acuerdo a la Figura 2.11 se observa que al separador G35 ingresa f1 , y se

tienen dos salidas: retorno f2 y producto final f3 . Por lo tanto, las salidas de flujo
de retorno y el flujo de finos están definidas por:
f2 = S ∗ f1
(2.8)
f3 = (I − S) f1
Validación con datos experimentales de la matriz de separación S
A través de varios experimentos y la obtención de las granulometrías que están

definidas en las PSDs para f1 , f2 y f3 , la Figura 2.13 muestra la curva Tromp
original, y la curva Tromp aproximada a través de la función de Rosin Rammler,
donde se observa claramente que el modelo trabaja adecuadamente y se ajusta a
la curva Tromp real.
27
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]
Figura 2.13: Validación de la matriz de molienda mediante el ajuste de la curva Tromp

2.5. Simulación del circuito de molienda
El departamento de ingeniería e investigación de UCEM planta industrial Gua-

pán facilitó los archivos de las curvas PSD, de las transformaciones que sufre el
material hasta convertirse en cemento dentro del circuito cerrado de molienda.
Estos archivos fueron adquiridos a partir del trabajo de Molina (2015) que los
obtuvo mediante un granulómetro óptico, que mediante una muestra de dos gra-
mos devuelve un archivo de la función PSD de la muestra. Molina (2015) realizó
un muestreo que fue desarrollado en cuatro lugares diferentes: Alimentación del
molino, entrada al separador O-SEPA, salida de retorno del separador y salida
del producto terminado en el filtro G38. La matriz de molienda M, la matriz de
separación S y el archivo PSD del material de entrada al molino fueron obtenidos
del trabajo de Molina (2015).
En este trabajo de investigación se desarrolló en MATLABr una GUI para

simular y observar el comportamiento de los flujos ante las entradas de: alimen-
tación, velocidad de G35 y la velocidad de G39. Esta implementación se logró a
través de la formulación matemática presentada en la sección 2.4, mediante los
archivos de PSD y las matrices que fueron desarrollados por Molina (2015). Todos
estos archivos fueron facilitados por el departamento de ingeniería e investigación
de UCEM.
28
2.5 Simulación del circuito de molienda
El simulador desarrollado se muestra en la Figura 2.14, que ilustra la GUI

desarrollada de simulación de los flujos de cada etapa del modelo de molienda
de cemento. Además en la GUI se pueden visualizar las gráficas de PSDs, CDFs
de los flujos. También, se observa el tiempo de estabilización de los flujos está
alrededor de siete ciclos de molienda es decir alrededor de 42 minutos.
Figura 2.14: GUI de simulación del proceso de molienda

Fuente: Autor
La Figura 2.15 muestra la simulación del circuito cerrado de molienda y la

gráfica de sus tendencias. A continuación se muestran las siguientes características
del gráfico de tendencias de los flujos:
Para la simulación la alimentación B0 se fijó en 80 T/h, el porcentaje de

puzolana en 30 %, la velocidad del motor G35 en 70 % y la velocidad del
motor G39 en 90 %.
Cada iteración en el gráfico representa un tiempo de permanencia del mate-

rial en el molino de cemento de 6 minutos. Por lo tanto la estabilización del
flujo toma 7 iteraciones que en este caso es aproximadamente 42 minutos.
Se observa que la consigna de alimentación hace que el sistema tenga una

transición y logre una estabilización de los flujos. De esta manera, el flujo
de alimentación al separador G35 se estabiliza en B1 = 170 t/h , el flujo
29
de salida de los finos es B3 = 80 t/h mientras que el flujo de retorno es

B2 = 78 t/h.
Para esta simulación el sistema cerrado de molienda es estable donde el

equilibrio de masas se da cuando el flujo de alimentación B0 alcanza un
equilibrio con el flujo de salida de finos B3 .
Ahora se muestran las características del PSD generado por el modelo:
La PSD de alimentación B0 de color celeste muestra que el material posee

una distribución de probabilidad de granulometría de mayor tamaño, donde
su pico se ubica en 220 µm, mientras que las partículas mas gruesas de esta
PSD alcanzan un diámetro de 1 a 3 mm.
La PSD de salida al molino B1 de color tomate muestra que el material

posee una PSD con una granulometría menor y que exactamente contiene a
la PSD de salida de finos y la PSD de retorno. El pico de esta PSD se ubica
en 40 µm, mientras que las partículas mas gruesas de esta PSD alcanzan un
diámetro de 300 a 500 µm.
La PSD de retorno B2 de color anaranjado muestra que el material posee

una granulometría gruesa; este material es devuelto a la entrada del molino
para reproceso. Se observa que el pico de la PSD se ubica en 60µm, mientras
que las partículas mas gruesas de esta PSD alcanzan un diámetro de 300 a
500 µm. Sin embargo, las más finas se ubican en 10 µm.
La PSD de salida de producto terminado B3 de color magenta muestra

que el material posee una distribución de probabilidad de granulometría de
menor tamaño, donde su pico se ubica en 90 µm.
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
Tendencias de los flujos Distribución del tamaño de partículas de los flujos

200 35
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]
Figura 2.16: CDFs de los flujos

Fuente: Autor
De esta manera, se ha observado la simulación del circuito de lazo cerrado de

molienda para la evolución de los flujos, PSDs y CDFs. Se ha comprobado que
la granulomoetría del proceso sufre transformaciones en función de las etapas del
proceso de molienda. Además la simulación muestra que los flujos se estabilizan
y se mantienen estables e invariantes. Sin embargo, en la práctica estos flujos
no siempre permaneces constantes, pues existen variaciones de alimentación o
aparición de fallas que hacen que los flujos se descompensen. Por otro lado, la
31
GUI de simulación es muy útil ya que permite conocer el funcionamiento del

proceso de molienda y como las variables de proceso afectan a los flujos al variar
las PSD, CDF del sistema.
32
CAPÍTULO 3
ANÁLISIS DE COMPONENTES
PRINCIPALES
Este capítulo describe brevemente los fundamentos de un SDDF. Por otro

lado, se hace una revisión de los fundamentos matemáticos del ACP. Se muestra
el proceso detallado para encontrar las componentes principales de un conjunto de
variables. Además, se muestran los fundamentos para encontrar los estadísticos T 2
y Q para la detección de fallas a partir de las componentes principales. Finalmente,
se presenta una breve revisión teórica de los sistemas difusos.
3.1. Fundamentos de la detección de fallas
Desde la década de los 60, el desarrollo de sistemas de control y automatización

se han incrementado progresivamente, provocando que la supervisión y detección
de fallas en procesos grandes se vuelvan complicadas para el operador (Isermann,
2006). Por esta razón, se han desarrollado varias técnicas de predicción, diagnós-
tico y detección de fallas en diferentes partes de un proceso.
La supervisión automática de fallas se ha realizado mediante el chequeo del

límite de operación de las variables de un sistema, por ejemplo: fuerza, velocidad,
presión, nivel de líquido, temperaturas, flujos, etc. Frecuentemente, las alarmas
33
3. ANÁLISIS DE COMPONENTES PRINCIPALES
se disparan si una variable está fuera de los umbrales normales de operación, e

inmediatamente los operadores toman alguna acción para prevenir y proteger los
sistemas. En primera instancia esta técnica puede ser suficiente. Sin embargo, los
sistemas modernos requieren de métodos matemáticos, identificación, estimación
y métodos de inteligencia computacional. Con estas técnicas es posible desarrollar
sistemas avanzados de detección (Isermann, 2006).
3.1.1. Características de la detección de fallas
Según Isermann (2006) un SDDF posee las siguientes características:
Detectar de manera oportuna las fallas que provoquen un comportamiento

anormal;
Diagnosticar las fallas en los actuadores, componentes, procesos y sensores;
Supervisar los procesos en los estados transitorios de actuadores y mecanis-
mos;
Determinar los modos de operación para los sistemas reconfigurables y to-
lerantes a fallas;
Hacer que el proceso sea fiable, seguro y de fácil mantenimiento.
3.1.2. Definición de conceptos
Los términos mas utilizados en un SDDF se mencionan a continuación:
3.1.2.1. Falla
Una falla es una desviación de al menos una propiedad característica de un

sistema del modo normal, aceptable y estándar de operación. Isermann (2006)
presenta las características:
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
Es independiente de que si el sistema está operando o no;
Frecuentemente, son difíciles de detectar especialmente si son pequeñas o

están ocultas en el proceso;
Pueden ocurrir paso a paso o pueden propagarse en cadena produciendo

daños graves en un proceso.
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
Una avería es una interrupción permanente de la operación normal de un

sistema. Isermann (2006) presenta las características:
Una avería es el resultado de una o mas fallas;
Existen varios tipos: simples, múltiples, aleatorias, deterministas, sistemá-

ticas.
3.1.2.3. Mal funcionamiento
Un mal funcionamiento se define como una interrupción irregular de las fun-

ciones deseadas de un sistema. Isermann (2006) presenta las características:
Es una interrupción temporal de una función del sistema;
Es el resultado de una o mas fallas.
35
3.2. Causas o fuentes de las fallas
De acuerdo a Zumoffen (2008), considera que una falla puede provenir de tres
factores distintos:
Factores relacionados al personal y entorno de trabajo;
Factores relacionados a equipos y maquinaria;
Factores relacionados con el proceso.
A continuación, según Zumoffen (2008) se describe brevemente cada factor.
3.2.1. Factores relacionados al personal y el entorno de trabajo
Un estudio elaborado por la organización ASM (Abnormal Situation Mana-

gement, por sus siglas en inglés) analizó la ocurrencia de las fallas y determinó
que el factor humano corresponde al 42 % de todas las fallas de un proceso (ASM,
2008). Por lo tanto, los operadores de un proceso frecuentemente están sujetos a:
Realizar instalaciones defectuosas de los equipos;
Falta de comunicación del personal;
No seguir los procedimientos;
No reconocer los problemas;
Realizar acciones inadecuadas.
3.2.2. Factores relacionados con los equipos
En ASM (2008) determina que los equipos corresponden al 36 % de todas las

fallas de un proceso. Estas fallas pueden ocurrir debido a:
Equipos defectuosos;
36
3.2 Causas o fuentes de las fallas
Equipos
Proceso
22%
Personas y entorno de trabajo
42%
36%
Figura 3.1: Porcentajes de los factores que causan las fallas

Fuente: ASM (2008)
Defecto en el diseño del equipo;
Fallas mecánicas;
Degradación de los equipos;
Fallas en los sensores, válvulas y en los sistemas de control.
3.2.3. Factores relacionados con el proceso
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:
Modificación de los límites de operación;
Defecto en el diseño del proceso.
La Figura 3.1 presenta los porcentajes de los factores que pueden producir las
fallas en un proceso.
37
3.3. Sistemas de detección de fallas
Los requerimientos de seguridad y control de los sistemas industriales se han

incrementado notablemente a partir del avance tecnológico de diversos sistemas.
Es así que, se han implementado diversas técnicas de detección y diagnóstico de
fallas y que forman parte de dos grupos de modelos de detección cualitativos
y/o cuantitativos. La Figura 3.2 muestra los métodos cuantitativos y cualitativos
utilizados para la detección de fallas de acuerdo a Zumoffen (2008) e Isermann
(1984).
3.3.1. Modelos cuantitativos de detección
Los modelos cuantitativos de detección utilizan modelos matemáticos, mo-

delos de observadores de estado, modelos de inteligencia artificial, métodos de
identificación, modelos de señal, modelos basados en datos históricos, modelos
estadísticos, entre otros; estos procesos normalmente contrastan los residuos que
se dan entre la planta y el modelo predefinido de dicho proceso. La Figura 3.2
muestra varios modelos cuantitativos para la detección
de fallas. A continuación basado en el trabajo de Zumoffen (2008) se da una

breve explicación de cada método cuantitativo.
Filtro de Kalman: Este filtro es utilizado para estimar los estados de un

sistema de forma óptima. Por lo tanto, si se determina la existencia de un
error considerable entre las estimaciones y las variables reales del sistema,
sin duda en el sistema está presente una falla.
Relaciones de paridad: Son generalmente modelos modificados de entrada-

salida o en espacios de estados. Su idea general es comparar las salidas del
modelo con las mediciones de la planta. En condiciones ideales las ecua-
ciones de paridad son cero. En condiciones reales existen residuos de las
ecuaciones de paridad. El objetivo de este método es tratar de obtener el
mejor aislamiento de las fallas.
Estimación de parámetros: Este proceso es relativamente complejo, ya que
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
Modelos causales Análisis cualitativo

basados en digrafos Física cualitativa Sistemas expertos de tendencias
Abstracción de Modelos basados en

Árboles de fallas
jerarquías conocimiento
Figura 3.2: Métodos para la detección de fallas

Fuente: Zumoffen (2008),Isermann (2006)
3.3 Sistemas de detección de fallas
es necesario estimar los parámetros precisos del proceso, generalmente en

el dominio continuo de las ecuaciones diferenciales parciales y ordinarias.
A través de métodos de reconocimientos de patrones es posible asociar las
variaciones con determinadas fallas del sistema.
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.
Modelos estadísticos: Estos modelos por lo general utilizan el conocimiento

del valor medio y la varianza de cada variable de interés. Por lo tanto,
cuando ocurre una falla dichos valores se alejan de los valores normales de
funcionamiento. En este grupo se encuentra el ACP, el método por mínimos
cuadrados parciales (MPC) y los clasificadores estadísticos.
3.3.2. Modelos cualitativos de detección
Estos modelos están expresados en términos cualitativos y se pueden desa-

rrollar ya sea por modelos causales, abstracción de jerarquías, árboles de fallas,
sistemas expertos, sistemas basados en conocimiento, física cualitativa, ánalisis
de tendencias, entre otros. A continuación, se da una breve explicación de cada
método en la detección de fallas. La Figura 3.2 muestra varios modelos cualita-
tivos para la detección de fallas. De la misma manera, basado en el trabajo de
Zumoffen (2008) se da una breve explicación de cada método cualitativo.
Modelos causales basados en digrafos: Esta técnica modela las relaciones

causa-efecto de un proceso a través de nodos y arcos en forma gráfica.
Árboles de fallas: Esté método propaga eventos primarios o fallas hacia un

nivel superior o a un peligro. Posee capas de nodos que cada una realizan
operaciones lógicas de comparación AND y OR.
Física cualitativa: Trata de abstraer mediante un sentido común de razona-

miento respecto al sistema físico. Por lo tanto, trata de derivar ecuaciones
cualitativas a partir de las ecuaciones diferenciales llamadas ecuaciones de
confluencia.
40
3.3 Sistemas de detección de fallas
Abstracción de jerarquías: La idea es descomponer un sistema completo en

subsistemas con sus leyes y comportamientos. Existen dos tipos populares
de descomposición en los procesos, la estructural que define la conectividad
y la funcional que especifica la salida en función de sus entradas.
Sistemas expertos: Es un sistema especializado que resuelve problemas en
un dominio estrecho de aplicación. Los principales componentes son: adqui-
sición de conocimientos, elección de la representación de los conocimientos,
codificación del conocimiento en una base, desarrollo de procedimientos de
inferencia para el razonamiento de diagnóstico, y el desarrollo de la interface
entrada-salida.
Análisis cualitativo de tendencias: Generalmente, las fallas de un proceso
pueden presentar diferentes patrones. Estos pueden ser utilizados para pre-
decir o estimar una falla en particular.
Modelos basados en conocimiento: Un ejemplo de ellos es la lógica difusa,
que gracias a un conocimiento previo de la ocurrencia de fallas, se genera un
modelo de inferencia basado en reglas de conjuntos difusos que sirven para
diagnosticar fallas.
3.3.3. Comparación de los métodos
Los métodos cuantitativos presentan inconvenientes, ya que pueden ser pro-

pensos a sufrir incertidumbres en su implementación práctica. En algunos procesos
a gran escala el coste computacional puede ser significativo mediante los métodos
cuantitativos. Además, la complejidad puede estar condicionada de acuerdo a la
modelación matemática estricta de diversos parámetros de fallas que se pueden
presentar en un sistema.
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.
En fin ambas metodologías pueden presentar ciertas ventajas y desventajas,

todo depende del tipo de fallas que se pretendan identificar en un proceso dado.
A continuación, la Tabla 3.1 que está basado en el trabajo de Venkatasubra-

manian et al. (2003), muestra una comparación de los métodos de un SDDF y
41
Tabla 3.1: Comparación de las diversas técnicas de un SDDF
Propiedad OBS Digrafos AF SE ACT ACP RNA

Rápida detección X ? ? X X X X
Aislamiento X x x X X X X
Robustez X X X X X X X
Nueva identificación ? X X x ? X X
Error de clasificación x x x x x x x
Adaptibilidad x X X x ? x x
Facilidad de explicación x X X X X x x
Requiere de modelado ? X X X X X X
Almacenamiento X ? ? X X X X
Múltiples fallas X X X X X X X
Fuente: Venkatasubramanian et al. (2003)
varias características tales como: robustez, aislamiento, error de clasificación, al-

macenamiento. Los acrónimos utilizados en la tabla son: método por observador
de estados (OBS), árbol de fallas (AF), sistemas expertos (SE), análisis cuanti-
tativo de tendencias (ACT). Mientras que los símbolos son: si cumple (X), no
cumple (x) y no determinado (?). Específicamente, para el método de ACP se
observa que posee rápida detección, robustez, requiere de modelado para hallar
las componentes principales.
3.4. 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
En procesos industriales de gran escala, el desarrollo de modelos para detec-

ción de fallas requieren de un alto esfuerzo de procesado. Es así que, el análisis
estadístico multivariable y especialmente el análisis de componentes principales
ofrecen muchas ventajas para abordar la detección de fallas (Isermann, 2006).
La idea principal del análisis de componente principal es reducir la dimensiona-

lidad de un conjunto de datos de un gran número de variables interrelacionadas, a
un número menor de variables no correlacionadas denominadas componentes prin-
cipales manteniendo la máxima variación del conjunto de datos (Jolliffe, 2002).
3.4.1. Historia del ACP
De acuerdo a Jolliffe (2002) los dos primeros trabajos en utilizar la técnica de

ACP fueron presentados por Pearson (1901) y Hotelling (1933). Ambos artículos
presentaron diferentes enfoques. Es así que, el artículo presentado por Hotelling
(1933) se enfocó en el análisis algebraico, mientras que Pearson (1901) se enfocó
en hallar lineas y planos que mejor se adaptan a la representación de un conjunto
de datos. Hotelling implementó el término denominado componentes para evitar
la confusión con la palabra factor. Además, las ordenó de acuerdo al máximo
aporte sucesivo de la varianza, por lo que las llamó componentes principales.
La derivación matemática hecha por Hotelling de las componentes principales,

posee tres características: la primera, está basado en la matriz de correlación y
no en la de covarianza; la segunda, las variables originales son expresadas como
funciones lineales de las componentes en vez de ser expresadas en términos de las
variables originales, y la tercera, no usa una matriz de notación (Jolliffe, 2002).
A partir de los dos primeros artículos, se han presentado un sinnúmero de

publicaciones de la técnica de ACP. Pearson y Hotelling estaban conscientes del
trabajo matemático que implicaba obtener las componentes principales de un con-
junto de datos de muchas variables. Sin embargo, hoy en día el avance tecnológico
de las computadoras ha permitido que la técnica APC sea muy utilizada para
analizar grandes volúmenes de datos.
Finalmente, en la actualidad la técnica de ACP es muy utilizada, donde existen

aplicaciones en agricultura, biología, química, climatología, demografía, ecología,
economía, alimentos, genética, geología, oceanografía, psicología, control de cali-
43
dad, entre otras (Jolliffe, 2002).
3.5. Proceso matemático de ACP
El ACP tiene por objetivo reducir las dimensiones de un conjunto de datos,

optimizando la máxima variabilidad posible al crear nuevas variables denomina-
das componentes principales. Las componentes son ordenadas de tal manera que
la primera posee la máxima variación de todas las variables originales, y así sucesi-
vamente (Isermann, 2006). El sustento matemático que se presenta a continuación
está basado en Jolliffe (2002) e Isermann (2006).
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).
La Figura 3.3 muestra como se forma el conjunto de variables de entrada

y salida, luego se extraen las componentes principales y finalmente se encuen-
tran los valores estimados a partir de dichas componentes. Si bien el ACP ge-
nérico analiza conjuntos de datos; con la Figura 3.3 se pretende ilustrar que
la matriz de datos de ACP de este trabajo de investigación se forma a tra-
vés de señales de entrada y salida del circuito cerrado de molienda de cemen-
to. Además, de acuerdo a Isermann (2006) el ACP no solo se utiliza en siste-
mas con variables de datos estáticos es decir cuando los datos son de la forma:
Xd = [x1 , x2 , ..., xm ], incluso el ACP se puede utilizar para sistemas dinámi-
cos continuos o discretos, en este caso el conjunto de datos podría ser Xd =
[x1 (k) , x1 (k − 1) , ..., x2 (k) , x2 (k − 1) , ..., xm (k) , xm (k − 1) , ...].
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*
Figura 3.3: Generación de las componentes principales del conjunto de variables de un

sistema
Fuente: Isermann (2006)
3.5.1. Interpretación de las componentes principales
A través de un ejemplo mostrado por Isermann (2006), a continuación se

muestra el uso de las componentes principales. En primer lugar, se presenta un
ejemplo de ocho mediciones de dos variables x1 y x2 . Por lo tanto, las mediciones
están representadas en dos vectores:
x1 = [x1 (1), x1 (2), ..., x1 (8)]T

(3.1)
x2 = [x2 (1), x2 (2), ..., x2 (8)]T
45
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
A partir de las dos variables se forma el conjunto de datos:
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.
Por lo tanto, el objetivo es buscar un nuevo sistema de coordenadas represen-

tado por P1 , P2 . En el cual la máxima varianza del conjunto de datos están en
la dirección de P1 y la segunda máxima variación está en P2 . La condición es
que ambas direcciones sean ortogonales. Por lo tanto, la matriz de componentes
principales está dada por:
P = [P1 , P2 ] (3.3)
Luego de realizar la transformación lineal de los datos de Xd y la matriz
46
Representación de las componentes principales

10
Componente P 2 4
-2
-4
-6
-8
-10
-10 -8 -6 -4 -2 0 2 4 6 8 10
Componente P 1
Figura 3.5: Representación de los datos en función de sus componentes principales

Fuente: Autor
de componentes principales, la Figura 3.5 muestra los valores representadas en

dos nuevos ejes formados por las componentes principales. Se ve claramente que
los datos han sido rotados en la dirección de máxima varianza. Por lo tanto, la
varianza de los datos ahora es más notoria en la dirección de P1 y menor en
la dirección de P2 . Es así que, la componente P1 aproxima suficientemente la
varianza de los datos con solo una variable, y por lo tanto la componente P2
podría ser ignorada.
De manera general, el objetivo es transformar un conjunto de datos con m

variables con n mediciones. Por lo tanto, el conjunto de datos tomaría la siguiente
forma:
 
x11 x12 ... x1m
 x21 x22 ... x2m 
X = [x1 , x2 , ..., xm ] =  .. .. .. .. (3.4)
 
. . . .

 
xn1 xn2 ... xnm
La matriz de componentes principales es una nueva matriz con m filas, pero

con menor número de columnas r donde r ≤ m.
47
 
p11 p12 ... p1r
 p21 p22 ... p2r 
P = [P1 , P2 , ..., Pr ] =  .. .. .. .. (3.5)
 
. . . .

 
pm1 pm2 ... pmr
Esto puede ser obtenido a través de la transformación de la matriz P de la

siguiente manera:
Tnxr = Xnxm Pmxr (3.6)
donde P es la matriz de componentes principales:
P = [P1 , P2 , ..., Pr ] (3.7)
Sabiendo que la matriz de transformación es ortogonal, se tiene la propiedad:
PT P = I (3.8)
3.5.2. Determinación de las componentes principales
El proceso matemático está basado en Jolliffe (2002), donde se muestra la téc-

nica de los multiplicadores de Lagrange para obtener las componentes principales.
Las componentes principales están basadas en la matriz de covarianzas, es así

que esta matriz es susceptible al rango de los datos que poseen las variables. Por
lo tanto, se debe realizar una normalización de los datos, donde la media de cada
variable debe ser cero y la varianza debe ser equivalente a 1. La fórmula para
normalizar los datos es:
Xd − µ
X= (3.9)
σ
48
donde µ es la media aritmética de cada variable y σ es la desviación estándar

de cada variable.
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
Determinación de la primera componente principal
La primera componente principal es aquella que maximiza la variabilidad de

los datos. Para esto es necesario maximizar XP1 mediante la varianza:
var(XP1 ) = PT1 XT XP1 (3.12)
Reemplazando XT X por S, la función a optimizar es:
f (P1 ) = PT1 SP1 (3.13)
49
Es necesario agregar una restricción al vector P1 , de manera que la suma de los

cuadrados de los elementos de P1 sean igual a 1 de manera que PT1 P1 = 1. Es
decir la función de restricción de optimización está dada por:
g (P1 ) = PT1 P1 − 1 = 0 (3.14)
Puesto que se tiene un problema de optimización con restricciones, ahora se em-

plea los multiplicadores de Lagrange. Este método está definido por la siguiente
expresión:
V = f (Pj ) − λj g (Pj ) (3.15)
donde λj es el multiplicador de Lagrange, a través de la función a maximizar

presentada en la Ecuación (3.13) y la restricción de la Ecuación (3.14), la función
a maximizar queda definida por:
V = PT1 SP1 − λ PT1 P1 − 1 (3.16)

derivando de forma parcial la ecuación anterior respecto a la primera componente

P1 queda:
dV
= SP1 − λP1 = 0 (3.17)
dP1
Factorando se tiene:
dV
= (S − λIm ) P1 = 0 (3.18)
dP1
donde Im es una matriz identidad. Entonces, la expresión (S − λIm ) P1 = 0 es

un clásico problema de solución de autovalores y autovectores. Donde λ y P1 es
el autovalor y el autovector respectivamente de la matriz de covarianzas S que
maximizan la variabilidad de los datos de X. El autovalor más grande da lugar al
50
autovector que provoque la componente principal con máxima variabilidad de los

datos. Las fórmulas para hallar el autovalor y el autovector son las siguientes:
λ1 = |S − λIm | = 0 (3.19)
(S − λ1 Im ) P1 = 0 (3.20)
Al resolver la ecuación anterior se obtiene que λ y P1 son el autovalor y

autovector de la matriz S que definen la primera componente principal que retiene
la máxima variabilidad de todo el conjunto de datos.
Determinación de la segunda componente principal
Ahora se sigue el mismo proceso explicado en el inciso anterior, donde la

segunda componente principal maximiza la función:
f (P2 ) = PT2 SP2 (3.21)
La primera restricción que se debe cumplir es PT2 P2 = 1. Mientras que la

covarianza de las dos primeras componentes principales es:
var(P1 X, PT2 X) = PT1 XT XP2 = PT2 XT XP1 = PT1 λ1 P2 = λ1 PT1 P2 (3.22)
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:
PT1 XT XP2 = 0, PT2 XT XP1 = 0

(3.23)
PT1 P2 = 0, PT2 P1 = 0
Por lo tanto, las dos restricciones están dados por:
51
g1 (P2 ) = PT
2 P2 − 1 = 0
(3.24)
g2 (P2 ) = PT
2 P1 = 0
La expresión a ser maximizada por multiplicadores de Lagrange junto a las

dos restricciones es:
V = PT2 SP2 − λ PT2 P2 − 1 − φPT2 P1 (3.25)

donde λ y φ son los multiplicadores de Lagrange. Hallando la derivada parcial

se tiene:
dV
= 2SP2 − 2λP2 − φP1 = 0 (3.26)
dP2
Multiplicando a la expresión anterior con PT1 por el lado izquierdo se tiene:
PT1 SP2 − λPT1 P2 − φPT1 P1 = 0 (3.27)
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
Donde, una vez mas λ y P2 es el autovalor y autovector de S.
52
Determinación de la k ésima componente principal
De acuerdo al proceso anterior, se puede obtener sucesivamente las compo-

nentes principales, donde se debe hallar la varianza de la k ésima componente.
var(PTk X) = PTk XT XPk (3.30)

para k = 1, 2, ..., m. Finalmente, se debe determinar el autovalor λk y el autovector
Pk de la matriz de covarianzas S utilizando la expresión:
dV
= (S − λIk ) Pk = 0 (3.31)
dPk
3.5.3. Determinación del número de componentes
Para hacer un modelo por ACP es importante determinar el número de com-

ponentes suficientes para representar la variabilidad de un conjunto de datos. De
hecho, existen varios métodos para definir el número necesario de las componentes
principales para representar la variabilidad de un conjunto de datos de un proceso
dado. De acuerdo al trabajo de Zumoffen (2008) se presentan tres métodos para
definir el número de las componentes principales.
3.5.3.1. Punto de quiebre
Es un método gráfico de la magnitud de cada autovalor respecto a su respec-

tiva componente principal. Por lo tanto, se observa que la curva de los primeros
autovalores decrece rápidamente, sin embargo luego esta curva empieza a ate-
nuarse lentamente. Precisamente, en el punto de quiebre de la curva muestra la
separación que existe entre la información de las variables dado por la varianza y
el resto que representa el ruido del sistema. De esta manera, el número de compo-
nentes principales arriba del punto de quiebre son las suficientes para representar
la varianza del modelo. La Figura 3.6 muestra la tendencia de los autovalores que
presenta dos pendientes definidas de decrecimiento. De esta manera, en el cuarto
autovalor corresponde al cruce de las dos lineas. Por lo tanto, para este ejemplo
son necesarias cuatro componentes principales para representar la varianza.
53
Punto de quiebre de los autovalores

6
Autovalores
4
Magnitud
2 Punto de quiebre
0
2 4 6 8 10 12 14
Autovalores
Figura 3.6: Punto de quiebre de los autovalores de las componentes principales

Fuente: Autor
3.5.3.2. Promedio de los 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.
3.5.3.3. Varianza acumulada
Este método muestra el porcentaje de varianza acumulada de las l primeras

componentes principales representados por los autovalores λ respecto al total de
componentes principales, a través de la siguiente expresión:
54
3.6 Proceso detallado para hallar las componentes principales
Promedio de los autovalores

6
Autovalores
4
Magnitud
Promedio de los autovaloreas=1.02
0
2 4 6 8 10 12 14
Autovalores
Figura 3.7: Promedio de los autovalores de las componentes principales

Fuente: Autor
Pl
λj
j=1
V arAc = ∗ 100 (3.32)
Pm
λk
k=1
De esta manera, se escogen el número de componentes principales; por ejemplo

se puede imponer un porcentaje acumulado de varianza de: 75, 80, 90 %, etc.
3.6. Proceso detallado para hallar las componentes prin-

cipales
A continuación se muestran los pasos necesarios para obtener las componentes

principales de un conjunto de datos.
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
Normalizar todos los datos a media cero y varianza igual a uno utilizando:
Xd − µ
X= (3.33)
σ
Hallar la matriz de correlación:
S = XT X (3.34)
Calcular el conjunto de los autovalores λk y los autovectores Pk de:
(S − λk I) Pk = 0 k = 1, ..., m (3.35)
Ordenar los autovalores λk de mayor a menor con sus respectivos autovec-

tores Pk .
Utilizar el método de punto de quiebre, promedio de autovalores o varianza

acumulada y determinar el número de componentes r suficientes y necesa-
rias.
Formar la matriz de componentes principales de transformación P de r

componentes:
P = [P1 , P2 , ..., Pr ] (3.36)
Los datos originales se mapean en términos de las componentes principa-

les, donde X son los datos normalizados, P es la matriz de componentes
principales y T es la matriz de los datos mapeados.
T = XP (3.37)
56
3.7 Estadísticos de prueba
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.
3.7.1. Estadístico Hotelling T 2
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.
El estadístico T 2 se basa en la distancia de Mahalanobis que es un método

para determinar la semejanza entre dos variables. Formalmente es el cuadrado de
la distancia generalizada medida entre dos poblaciones multivariables X1 y X2 y
que está dado por (Dasgupta, 1995):
− 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.
Para el caso de un número dado de r componentes principales seleccionadas,

la expresión matemática que define el estadístico T 2 de prueba para una muestra
aleatoria x está dado por la siguiente expresión (Garcıa-Alvarez, 2009).
T 2 = xPD−1 T T
r P x (3.39)
57
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.
Para determinar si un valor de x corresponde a un valor normal o a una falla,

se evalúa mediante un límite de confianza δT 2 . Por lo tanto, una muestra x estará
dentro del funcionamiento normal solo si el valor de su estadístico T 2 ≤ δT 2
(Zumoffen, 2008).
El límite de confianza puede calcularse considerando que el estadístico sigue un

tipo de distribución dado, en este caso se utiliza la distribución F que representa
el cociente entre dos distribuciones (Zumoffen, 2008).
El limite de confianza δT 2 está definido por (Zumoffen, 2008):
r (v − 1)
δT 2 = Fr,v−r,α (3.40)
v−r
donde, r es es el número de componentes seleccionadas, v es la cantidad de

muestras seleccionadas para la construcción del modelo de las componentes prin-
cipales, Fr,v−r,α es el valor de la distribución de Fisher-Snedecor para r y v − r
como grados de libertad y α es un valor de grado de confianza (por ejemplo,
si α = 0,03 equivale a un 97 % de confianza) (Zumoffen, 2008)(Garcıa-Alvarez,
2009).
A través de tablas es posible encontrar el valor del límite de confianza para la

distribución Fr,v−r,α .
3.7.2. Estadístico Q
El estadístico Q es conocido como el error cuadrático de predicción. Está

definido por la sumatoria de los errores cuadráticos entre la medición del proceso
normalizado x y la predicción hecha por el modelo de componentes principales
(Zumoffen, 2008). El estadístico Q está en función del error de predicción:
58
3.7 Estadísticos de prueba
Q = eT e
La predicción por el modelo de componentes principales esta dado por (Zu-

moffen, 2008):
ˆ
x = PPT x
Por lo tanto el error está dado por:
ˆ
e=x−x (3.41)
donde
e = x − PPT x (3.42)
Agrupando:
e = I − PPT x (3.43)

Sustituyendo e, el parámetro Q es:
T
I − PPT x I − PPT x (3.44)

Q=
De la misma manera, el límite de confianza δQ establece si una muestra x

corresponde a un valor normal o a una falla. Por lo tanto, una muestra x esta-
rá dentro del funcionamiento normal solo si el valor de su estadístico Q ≤ δQ
(Zumoffen, 2008).
El límite de confianza δQ está definido por (Zumoffen, 2008):
√ 1
θ2 h (h − 1) cα 2θ2 h2 h

δQ = θ1 1+ + (3.45)
θ12 θ1
59
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
y cα es la desviación normal estándar para un α de confianza dado (Zumoffen,

2008).
Hay que resaltar que los valores de T 2 y Q son adimensionales, ya que el

primero proviene de una distancia y el segundo es una sumatoria de todos los
errores cuadráticos de todas sus variables.
La Figura 3.8 muestra un ejemplo de los estadísticos T 2 y Q. Esta gráfica

fue realizada mediante los estadísticos de las componentes principales del molino
de cemento y se inducieron dos fallas al azar solo para ilustrar el uso de los
estadísticos y sus margenes de decisión. Los ejes de las ordenadas representan un
valor numérico adimensional de ambos estadísticos. Para ilustrar este ejemplo se
ha escogido un valor de umbral aleatorio de decisión de 10, es decir mientras el
estadístico T 2 sea menor al umbral, el proceso está en modo normal, mientras
que para los dos picos que sobrepasan dicho umbral, el sistema está en modo de
falla. Del mismo modo, para ilustrar el ejemplo, se ha escogido un umbral al azar
de decisión de 36 para el estadístico Q; para valores menores al umbral muestran
que el proceso está en modo normal, mientras que para valores superiores en los
dos picos el sistema está en presencia de una falla.
3.8. Breve revisión de los sistemas difusos
La lógica difusa se utiliza cuando se dispone de sistemas y procesos que poseen

incertidumbre y baja precisión. A continuación, se presenta una breve revisión de
los sistemas difusos, sus características y su metodología de uso sin entrar en
mayores detalles.
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]
Figura 3.8: Ejemplo de los estadísticos de un proceso

Fuente: Autor
3.8.1. Los sistemas difusos
Un sistema difuso realiza un mapeo no lineal de un conjunto de una o varias

entradas en un conjunto de una o varias salidas (Zumoffen, 2008).
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.
2. Sistema de inferencia: Mediante una base de reglas se aplican a los con-

juntos difusos generados en la fusificación y se genera la implicación en los
conjuntos difusos de salida.
3. Defusificación: El resultado de la inferencia que es un conjunto difuso agre-

gado se mapea a un valor escalar representando la salida del sistema.
61
3.8.1.1. Fusificación
En primer lugar, un conjunto difuso se define como un conjunto que contiene

elementos que poseen un grado de pertenencia y están regidos precisamente por
una función de membresía. Esta es la gran diferencia con la lógica binaria que
solo admite dos grados de pertenencia 0 o 1.
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):
A = {[x, fA (x)] |x ∈ X } (3.47)
donde fA (x) es la función de membresía o función de pertenencia.
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).
Existen una gran cantidad de funciones de pertenencia, como por ejemplo:

trapezoidal, triangular, gaussiana, sigmoidal, etc. La Figura 3.9 muestra cuatro
funciones de pertenencia, donde se observa que para un mismo valor escalar de
entrada igual a 6, cada una de las funciones mapean cuatro distintos grados de
pertenencia.
Por lo tanto el proceso de fusificación consiste en tomar una entrada escalar

y transformar en un valor que asigna el grado de pertenencia de acuerdo a la
función de membresía.
62
Función Sigmoidal Función Triangular
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
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
Figura 3.9: Funciones de pertenencia

Fuente: Autor
3.8.1.2. Sistema de inferencia
El sistema de inferencia es el puente entre los conjuntos difusos de entrada

y salida. Está formado por un conjunto de reglas que representan la base de
conocimiento para realizar una tarea especifica a través de un conjunto de reglas.
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
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)].
De esta manera, se obtienen los valores de implicación provenientes de la evalua-

ción de cada regla para truncar o recortar a los respectivos conjuntos difusos de
salida.
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
Este proceso consiste en tomar el conjunto difuso resultante del proceso de

agregación y generar un valor escalar a la salida.
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. 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.
Figura 3.10: Proceso del método difuso tipo Mandani

Fuente: Autor
65
CAPÍTULO 4
DISEÑO DEL SISTEMA DE

DETECCIÓN DE FALLAS
Este capítulo detalla el proceso para la adquisición de la base de datos. Muestra

la caracterización de fallas del molino. Se detalla el proceso implementado para
hallar las componentes principales del conjunto de variables de molienda. Además
se realiza el diseño de dos sistemas difusos para la detección y determinación de
la variable causante de la falla. Finalmente, se muestra la GUI implementada de
simulación en MATLABr para la detección de fallas de molino de cemento.
4.1. Adquisición de la base de datos
La información que se presenta en esta sección fue proporcionada por el de-

partamento de ingeniería y procesos de UCEM planta industrial Guapán. Gracias
a dicha colaboración, se tuvo acceso a la base de datos. Además se contó con la
aplicación realizada por Molina (2015) para la descompresión y generación de los
archivos de los datos históricos de cada variable.
En primer lugar, el área G de molienda de cemento está formada por dos

sistemas SCADA, un sistema para la premolienda y el otro para el molino de
cemento. Por lo tanto, existen dos bases de datos: la base de premolienda que
67
4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS
almacena los datos a razón de 2 muestras/segundo, mientras que la base del

molino de cemento registra a una tasa de 1 muestra/minuto.
El sistema SCADA de molienda y premolienda está basado en el software de

control y visualización WinCC de SIEMENS.
4.1.1. Proceso para copiar la base de datos
Para copiar la base de datos se debe realizar lo siguiente:
1. En el servidor detener el sistema Runtime SCADA WinCC;
2. Acceder a la carpeta ArchiveManager que se encuentra dentro de la aplica-

ción de WinCC;
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.
4.1.2. Tipos de bases de datos
El software del sistema SCADA es WinCC, el mismo que está encargado de la

visualización, control, manejo de alarmas, registro de bases de datos, visualización
de tendencias e históricos, etc.
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:
1. AlarmLogging: Contiene las bases de datos sin comprimir de libre acceso

que almacena todas las alarmas que se producen en el proceso, de acuerdo
al servidor de alarmas que posee WinCC. Esta base guarda la hora de ac-
tivación, el tipo de alarma y la hora de reconocimiento ACK de la alarma
por parte del operador.
2. TagLoggingSlow : Contiene las bases de datos sin comprimir de libre acceso

que guardan algunas variables de proceso previamente programadas. Esta
base guarda la hora, el tipo de variable y el valor de la variable.
68
4.1 Adquisición de la base de datos
3. TagLoggingFast: Contiene las bases de datos comprimidos y en formato bi-

nario de acceso restringido. La herramienta que puede acceder a los datos
se llama WinCC OLE DB provider. En esta base se guarda la hora, el tipo
de variable y el valor de la variable en formato binario comprimido.
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.
Base de datos de premolienda

o molino
ArchiveManager
AlarmLogging TagLoggingSlow TagLoggingFast
Libre acceso Libre acceso Acceso restringido
Base de alarmas Base de variables sin Base de variables

comprimir comprimidas
Figura 4.1: Tipos de bases de datos del sistema SCADA

Fuente: Autor
69
4.1.3. Características de base de datos TagLoggingFast
Este trabajo de investigación requiere del acceso a las variables continuas y

discretas del proceso, y estas únicamente están disponibles en la base del tipo
TagLoggingFast. A continuación se describen algunas características de la misma:
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.
Cada día se generan dos tipos de archivos, el primero es el archivo prin-

cipal de datos de extensión mdf y el segundo es el archivo de registro de
transacciones de extensión ldf.
Dentro de la base existe una tabla denominada dbo.TagCompressed, don-

de se almacenan el tipo de variable, seguido de la hora de inicio, hora de
finalización y el valor de la variable de forma comprimida y en forma binaria.
El servidor de bases de datos de premolienda registra las variables a una

tasa de 2 muestras/segundo, mientras que el servidor de molienda lo hace a
1 muestra/minuto.
La Figura 4.2 muestra los archivos y los campos de la base de datos TagLogging-
Fast.
4.1.4. Proceso de lectura de la base de datos
La base TagLoggingFast está comprimida y en formato binario. Por lo tanto,

el departamento de ingeniería de Guapán facilitó la aplicación desarrollada por
Molina (2015) para descomprimir los datos de las variables de las bases de datos.
A continuación, se detalla brevemente el software necesario:
En primer lugar se crea una maquina virtual con Windows XP service pack
3;
70
4.1 Adquisición de la base de datos
Archivo de Datos Archivo de Transacciones
TABLA Campos
dbo.TagCompressed
Identificador Datos Binarios

Fecha: Inicio-Fin
Variable comprimidos
Figura 4.2: Archivos y campos de la base de datos TagLoggingFast

Fuente: Autor
Seguidamente, se instalan los paquetes informáticos SIMATIC WinCC 7,

MySQL 2005, Visual Basic, WinCC OLE DB Provider.
A continuación, se detalla el proceso realizado para la lectura de la base de datos:
Se agrega la base de datos en una carpeta dentro de la maquina virtual;
Se inicia Microsoft MySQL 2005 y se adjuntan las bases de datos del tipo
TagLoggingFast;
Luego se abre la aplicación en Visual Basic de lectura de la base de datos

desarrollada por Molina (2015);
Se coloca el nombre de la base de datos que generalmente es AREAG_

MOLINO_MOLINO_TLG_F para la base de molienda, y se hace click en
conectar;
71
Una vez conectado a la base, en el campo consultar se coloca: TAG:R,114,’2016-

10-15 05:00:00.300’,’2016-10-16 04:59:59.760’, esta trama indica que va a
consultar la tag 114, que corresponde a la variable de corriente del motor
G39, seguido de la fecha de inicio y finalización de la consulta; y se pulsa
ejecutar;
Finalmente, se muestran los datos de la variable consultada y se pulsa en
exportar para grabar el archivo de datos tipo csv.
La Figura 4.3 muestra el proceso para leer la base de datos TagLoggingFast a

través de WinCC OLE DB Provider. Mientras que la Figura 4.4 muestra el fun-
cionamiento de la aplicación para la lectura de la base de datos donde se detallan
los valores descomprimidos de la variable de proceso número 10.
Maquina Virtual
Windows XP SP3
Adjuntar archivos
Ejecutar
Exportar
Lectura Lectura archivo
WinCC OLE DB Provider
Figura 4.3: Proceso para leer la base de datos TagLoggingFast

Fuente: Autor
4.2. Selección de las variables de molino
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
Figura 4.4: Aplicación que muestra la lectura de los datos descomprimidos de la

variable 114
dos bases registran varios centenares de variables de control y proceso. En su

mayoría son variables binarias que registran dos estados, sin embargo existe mas
de un centenar de variables que registran señales analógicas ya sea de entrada o
de salida.
4.2.1. Selección de 14 variables del proceso
Para este proyecto de investigación la utilización de todas las variables del

proceso del molino se vuelve inviable. Por lo tanto, se han seleccionado 14 varia-
bles que son las más significativas ya que pertenecen a 5 sistemas principales del
proceso de molienda que son: Sistema de flujo de retorno, sistema G35, sistema
G39, sistema G20 y sistema de alimentación. Estas 14 variables formarán la base
de datos para encontrar las componentes principales que servirán para definir la
variabilidad del sistema.
La Tabla 4.1 muestra las 14 variables seleccionadas para el proceso de carac-

terización de las componentes principales. Se muestra la unidad de cada variable,
la tag que posee cada variable en la base de datos. Además se muestra el número
de identificación en la base (#), la media (µ) y la varianza (σ) de las señales
registradas en un día al azar durante un tiempo de ocho horas y media. Las si-
glas M y PM significan que dichas variables pertenecen a la base de molienda o
premolienda respectivamente.
73
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.
Tabla 4.1: Variables de proceso seleccionadas para ACP
Variable Tag # Unidad µ σ
x1 Flujo de retorno 37P1_G37B_FI1 (M) 37 t/h 114.5 29.55
x2 Velocidad G35 P1_G35_SC01_ST1 (M) 39 rpm 182.9 1.32

o
x3 Temp. 1 G35 P1_G_035_TT3 (M) 33 C 78.4 3.67
x4 Velocidad G39 VELOCIDAD_G39 (M) 45 rpm 1094.8 21.83

o
x5 Temp. 1 G39 P1_G_039_ECO01_TT2 (M) 42 C 73.7 0.72
x6 Corriente G20 P1_G_20_ITM01_IT (M) 10 A 320.7 9.32

o
x7 Temp. 1 G20 P1_G_20_IUA02_TT (M) 14 C 43.1 1.05
x8 Flujo puzolana G209/FT_750.MV (PM) 7 t/h 23.7 3.63
x9 Flujo mixer + x8 G247/FT_758.MV (PM) 16 t/h 80.3 4.56

o
x10 Temp. 2 G39 P1_G_039_ECO01_TT1 (M) 40 C 37.8 0.99
o
x11 Temp. 2 G35 P1_G_035_TT1 (M) 35 C 34.2 1.17
o
x12 Temp. 3 G35 P1_G_035_TT2 (M) 34 C 68.1 2.87
o
x13 Temp. 2 G20 P1_G_20_IUA03_TT (M) 15 C 50.5 0.36
x14 Corriente G39 CORRIENTE_G39_EP (M) 114 A 310.9 12.30
Fuente: Autor
Las Figuras 4.5 y 4.6 muestran las 14 variables de operación registradas en un

tiempo de ocho horas y media aproximadamente. El eje de las abscisas muestra
el tiempo que en este caso alcanza los 500 minutos, mientras que las ordenadas
muestran los valores que alcanzan las variables según sus unidades previamente
mostradas en la Tabla 4.1. En la Figura 4.5 se muestra que la corriente del motor
74
4.2 Selección de las variables de molino
G20 posee ruido así como la alimentación de la puzolana. Además se observa

la presencia de una falla a partir de la muestra 140 a 150 donde la causa es la
interrupción del flujo de puzolana, por lo tanto el flujo de retorno se ve afectado
ante esa falla.
x 1 Flujo de retorno x 2 Velocidad G35

200 190
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
Figura 4.5: Variables de proceso x1 a x8

Fuente: Autor
4.2.2. Selección de cinco variables para simular e inducir fallas
A partir de las 14 variables seleccionadas, se escogen cinco variables para efec-

tos de simulación, inducción y detección de fallas. Se seleccionan cinco variables
con el propósito de reducir el tiempo de implementación de la GUI para simu-
lación y detección de fallas. Es decir se crean cinco controles deslizantes en la
GUI envés de 14 para simular fallas, tal y como se muestra en la Figura 4.22.
75
x 9 Alimentación Mixer x 10 Temperatura 2 G39

200 40
T/h
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
52 400
ºC
A
50 300
48 200
0 100 200 300 400 500 0 100 200 300 400 500
Minutos Minutos
Figura 4.6: Variables de proceso x9 a x14

Fuente: Autor
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.
A continuación, se muestran los sistemas de mayor importancia en el proceso

de molienda:
Sistema de alimentación de mixer y puzolana;
Molino de cemento G20;
Separador G35;
Filtro G39;
Sistema de medición de flujo de retorno.
76
4.3 Caracterización de las fallas del molino de cemento
Por lo tanto, si en uno de estos cinco sistemas existen parámetros anormales de

funcionamiento, el sistema se detiene ya sea inmediatamente o luego de un corto
tiempo. La Tabla 4.2 presenta las acciones que se toman en el proceso ante la
presencia de una falla determinada.
Tabla 4.2: Acciones en el proceso al ocurrir una falla
Presencia de falla Acción

Sistema de alimentación Paro en 10 minutos
Molino G20 Paro inmediato
Separador G35 Paro inmediato
Filtro G39 Paro inmediato
Flujo de retorno Paro en 10 minutos
Fuente: Autor
De cada uno de los cinco sistemas mencionados en la Tabla 4.2, se escoge la

variable más importante de acuerdo a la Tabla 4.1. De esta manera, la Tabla 4.3
presenta las cinco variables seleccionadas para la simulación e inducción de fallas
que se implementará en la GUI de este trabajo.
4.3. Caracterización de las fallas del molino de cemento
Las fallas en el sistema de molienda se pueden generar mediante diversos

factores. A continuación, se va a mostrar varias posibilidades o escenarios que
pueden generar una falla en cada uno de los sistemas.
77
Tabla 4.3: Variables para simulación e inducción de fallas
Variable Unidad
x1 Flujo de retorno t/h
x2 Velocidad G35 rpm
x4 Velocidad G39 rpm
x6 Corriente G20 A
x9 Flujo mixer + Flujo puzolana t/h
Fuente: Autor
4.3.1. Sistema de alimentación
Este sistema está compuesto por básculas y bandas transportadoras, donde

aleatoriamente se pueden presentar los siguientes escenarios que pueden provocar
una falla en este sistema:
Exceso de alimentación;
Desgaste mecánico de las partes rotativas del sistema de transmisión de las

bandas;
Falta de alimentación de mixer y/o puzolana debido a taponamientos en los

aerodeslizadores;
Descalibración en el sistema de pesado;
Desalineación de la banda transportadora;
Fallas de las partes eléctricas;
Activación del switch de seguridad de las bandas transportadoras.
Los posibles escenarios antes mencionados, esencialmente hacen que la variable de

flujo de alimentación cambie radicalmente de su valor. Por esta razón, la variable
x8 representa el flujo de puzolana, es así que se escoge x9 como la variable que
representa la sumatoria de los flujos de puzolana y mixer.
78
4.3 Caracterización de las fallas del molino de cemento
4.3.2. Sistema de medición del flujo de retorno
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:
Falla en el sistema de medición;
Descalibración del sensor de flujo;
Exceso de material de retorno, debido a baja velocidad del filtro G39;
Escasez del material de retorno debido a baja velocidad del separador G35;
Obstrucción de las tuberías que llevan el material;
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.
4.3.3. Sistema de separación G35
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:
Falla en los sistemas de rodamiento de la canastilla;
Falla en los sistemas de lubricación del separador;
Elevada temperatura en los devanados del motor G35;
79
Falla en el variador de frecuencia del motor G35;
Fallos eléctricos en los sistemas de control.
Estos escenarios hacen que la variable x2 provoque un cambio de la velocidad

de rotación de sus valores normales de operación. Por lo tanto, esta variable nos
permite analizar la presencia de anomalías o fallas en este sistema.
4.3.4. Sistema colector de polvo G38
El colector de polvo denominado G38 está formado básicamente por el motor

G39 que produce un aire de barrido al interior del separador G35 y absorbe los
polvos de granulometría fina y envía hacia el colector de polvo. El objetivo de
este sistema es retener las partículas finas del material en unas mangas que luego
por aire a presión, el polvo cae y es enviado a los silos de almacenamiento por un
sistema de bombeo por aire a presión.
Baja presión del sistema de filtrado;
Alta temperatura de los devanados del motor G39;
Daño en las mangas;
Sobrecorriente del motor G39.
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.
4.3.5. Sistema de molienda G20
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:
Baja presión en el sistema de lubricación;
80
4.4 Proceso para hallar las componentes principales
Elevadas temperaturas en los piñones y muñones;
Sobrecorriente en el motor G20;
Elevadas temperaturas de los devanados.
Estos escenarios hacen que la variable x6 que registra la corriente del motor G20
permita detectar la presencia de anomalías en este sistema.
4.4. Proceso para hallar las componentes principales
El proceso para hallar las componentes principales del sistema de molienda

está basado en las operaciones normales, tratando que las variables encierren la
máxima variación posible en su operación estable. A continuación, se muestra la
metodología utilizada.
4.4.1. Obtención y submuestreo de las variables
A través de las bases de datos y las herramientas de lectura previamente ex-

plicadas, se generaron los archivos para cada una de las 14 variables. Mediante
MATLABr se realizó una GUI para realizar el proceso de submuestreo de los
datos de las variables. El submuestreo provocó una considerable reducción y com-
presión del tamaño de los archivos en el orden de un centenar de megabytes por
cada variable, considerando que se tuvo archivos con la información almacenada
de 18 días de operación. De esta manera se transformó las tasas de una o dos
muestras/segundo a una tasa estándar de 1 muestra/minuto para cada variable.
Es así que esta GUI toma los archivos csv y crea de forma automática archivos
de extensión mat.
La Figura 4.7 muestra la GUI donde el archivo inicial de la variable de flujo

de puzolana posee 172801 muestras, y de manera automática genera el archivo de
1440 muestras a una tasa de 1 muestra/minuto.
81
Figura 4.7: GUI basado en submuestreo para comprimir los archivos de las variables
Fuente: Autor
4.4.2. Filtrado de datos
Debido a que todas las variables están a una tasa de 1 muestra/minuto, se

implementó un filtro promedio discreto para reducir el ruido de las variables. La
salida de este filtro estadístico calcula la media entre las muestras consecutivas
de la variable definidas por una ventana deslizante de tamaño N . A continuación
se muestra la fórmula general de un filtro promedio discreto:
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
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
4.4.3. Selección de la cantidad de muestras y el rango de las

variables
Mediante el análisis de los archivos de varios días de operación del sistema de

molienda, se definió el proceso de operación de un día específico con la duración
de ocho horas sin interrupción, en el cual se tomó en cuenta que en ese periodo
de tiempo no existieran fallas notables.
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.
Las Figuras 4.8 y 4.9 muestran las 14 variables de operación registradas en

casi ocho horas con sus respectivos límites de operación. En dichas gráficas se
observa todo el rango de funcionamiento normal de cada variable, es decir en este
conjunto de datos no existe presencia de fallas; a primera vista parece que se trata
de fallas que ocurren en algunas variables, sin embargo es por que previamente
se realizó un escalado de algunas variables para alcanzar los rangos normales de
operación para la fabricación de cemento.
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
se producen dos tipos de cemento: portland puzolánico y el cemento de altas

resistencias tempranas. Antes el separador G35 operaba en un rango de 180 a
200 rpm, sin embargo con el nuevo tipo de cemento se cambiaron las condiciones
de trabajo y ahora se produce este tipo de cemento en un rango de 210 a 220
rpm. Por esta razón, se tuvo que hacer un escalado para alcanzar todo el rango
de funcionamiento de las variables en los dos tipos de cemento que se producen.
Es así que, se fijó un rango de operación para el G35 de 180 a 220 rpm.
Además se estableció un conjunto de 425 muestras para el banco de datos para

hallar las componentes principales, que servirán para determinar si el sistema se
encuentra operando dentro de las condiciones normales o está alejado de dicho
punto de operación.
4.4.4. Normalización de los datos
La matriz generada por el conjunto de muestras de las 14 variables fueron

normalizadas a media cero y varianza uno, ya que las componentes principales se
basan en la maximización de la varianza. Si los datos no son normalizados son
susceptibles al rango que poseen las variables y de esta manera se obtienen datos
erróneos.
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.
4.4.5. Obtención de las componentes principales
Mediante la función de MATLABr pca() que viene incluido en statistics and

machine learning toolbox se obtuvieron las 14 componentes principales de todas
las variables conjuntamente con sus respectivos autovalores del banco de datos
formado por las 14 variables con 425 muestras.
A continuación, se muestran los 14 autovalores que fueron generados por la
84
x 1 Flujo de retorno x 2 Velocidad G35

140 220
120
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
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
Figura 4.8: Límites de operación de las variables x1 a x8

Fuente: Autor
función de MATLAB correspondientes a cada una de las componentes principales,

para el banco de datos ingresado.

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
4.4.6. Selección del número de componentes principales
Se utilizaron dos métodos para hallar el número de componentes principales, el

método del punto de quiebre y el promedio de autovalores. Se escogieron estos dos
métodos ya que nos dan el valor mínimo de componentes que son suficientes para
85
x 9 Alimentación Mixer x 10 Temperatura 2 G39

90 50
80
40
T/h
ºC
70
60 30
100 200 300 400 100 200 300 400

x 11 Temperatura 2 G35 x 12 Temperatura 3 G35
50
70
40
ºC
ºC
60
30
50
100 200 300 400 100 200 300 400
60 340
ºC
A
50 300
40 260
100 200 300 400 100 200 300 400
Figura 4.9: Límites de operación de las variables x9 a x14

Fuente: Autor
expresar la variabilidad del sistema de 14 variables, mientras que para el método

de varianza acumulada hay que plantearse un porcentaje de representación de
variabilidad y este método no refleja el valor mínimo de componentes principales
necesarias.
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.
Además se utilizó el método del promedio de los autovalores. De esta manera,

el promedio de los 14 autovalores es 1, por lo tanto los autovalores que tienen por
magnitud mayor a la unidad se consideran como componentes principales.
La Figura 4.11 muestra que son necesarias cinco componentes principales para
86
Selección de las componentes principales
4 Total Autovalores CP Seleccionadas
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
Figura 4.10: Selección del número de componentes principales mediante el punto de

quiebre
Fuente: Autor
caracterizar al sistema.
Por lo tanto, de las 14 componentes iniciales se han escogido solamente 5

componentes principales. De esta manera, se utiliza el 35 % de las componentes
principales.
4.4.7. Determinación de los estadísticos T 2 y Q
En el capítulo 3 se mostró la formulación matemática para hallar los límites

de confianza para ambos estadísticos. Sin embargo, al utilizar dicha formulación
matemática se obtuvo que los índices causaban mucho ruido para la detección
de fallas causando falsas alarmas. Por lo tanto, se escogió el método gráfico para
determinar los umbrales de funcionamiento del sistema sin fallas.
Por lo tanto, para la determinación de los estadísticos se utilizó las siguientes

fórmulas:
87
Selección de las componentes principales
4 Total Autovalores CP Seleccionadas
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=
Donde P es la matriz de las cinco componentes principales escogidas, D es la

matriz diagonal formado por los cinco autovalores en orden descendente e I es la
matriz identidad y x es el vector formado por 14 variables del proceso.
La Figura 4.12 muestra los estadísticos T 2 y Q del conjunto de valores de

todo el sistema que opera en estado normal. Se observa claramente que los valores
máximos son 25 y 11.5 para T 2 y Q respectivamente. De esta manera se definió
que ambos umbrales de confianza sean de magnitud 25 para definir si el sistema
se encuentra en estado normal o falla.
88
Estadístico Hotelling T2 Estadístico Q

35
20
Estadístico Hotelling T2 Estadístico Q
30 18
16
25
14
20 12
Valor
Valor
10
15
8
10 6
4
5
2
100 200 300 400 100 200 300 400

Figura 4.12: Estadísticos T 2 y Q del conjunto de valores

Fuente: Autor
4.4.8. Representación gráfica de las dos primeras componentes

principales
La Figura 4.13 muestra la representación gráfica de las dos primeras compo-

nentes principales. Esta gráfica muestra dos regiones, en primer lugar, de color
azul se muestran los valores de las dos componentes principales cuando el proceso
se mantiene sin falla. Mientras, que de color rojo se muestra el proceso bajo una
condición de falla; al mismo conjunto datos se indució una falla en la variable
de velocidad G39 donde se anuló su valor a 0 rpm. Se observa claramente que
todas las muestras del sistema en estado normal se mantienen cerca del origen
en color azul. Por lo tanto, cuando las señales entran en estado de falla, dicha
representación en componentes principales se alejan del origen.
89
CP1 vs CP2
12
10 Falla en G39
8
Proceso sin falla
6
CP2
-2
-4
-20 -15 -10 -5 0 5
CP1
Figura 4.13: Representación de los valores de las primeras dos componentes

principales
Fuente: Autor
4.5. Diseño del sistema difuso para la detección de fa-

llas
Los estadísticos T 2 y Q son los parámetros que nos permiten monitorear el

estado de funcionamiento de un sistema a partir de ACP. Sin embargo, obtenemos
resultados por separado. Por lo tanto, en esta etapa se diseña un sistema difuso
tipo Mandani que permite evaluar ambos parámetros y determinar si existe una
falla en el sistema. A continuación se muestra la metodología de diseño de dos
sistemas difusos, el primero es utilizado para diagnosticar la falla general del
sistema, y el segundo es para identificar la variable que es la causante de dicha
falla.
4.5.1. Sistema difuso de detección de falla general
Cada muestra del sistema es evaluada por las componentes principales y se

generan dos estadísticos T 2 y Q. Si estos estadísticos se encuentra bajo un umbral
de confianza, el sistema se encuentra en estado normal. Mientras que si sobrepasan
90
4.5 Diseño del sistema difuso para la detección de fallas
dichos umbrales, el sistema se encuentra en estado de falla. Estos umbrales de

confianza fueron adecuados de acuerdo a las pruebas de monitoreo de fallas de T 2
y Q de manera gráfica. La Tabla 4.4 muestra las características del sistema difuso
implementado.
Tabla 4.4: Características del sistema difuso
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
El objetivo de este sistema difuso es predecir si existe una falla de operación

en el sistema. Por lo tanto, si es que una o varias variables salen de los rangos
normales de operación previamente establecidos. Los parámetros T 2 y Q variarán
considerablemente. De esta manera, se han generado dos funciones de pertenencia
para cada entrada. Las nombres de estos conjuntos difusos son “bajo” y “alto”. Se
optó por escoger funciones de membresía tipo sigmoidales. Se escogió este tipo de
función ya que posee un grado de pertenencia ascendente desde un valor inferior
de 0 a un valor superior igual a 1 para el rango de variable de entrada. Además se
implementó dos funciones de membresía para las salidas denominadas “SinFalla” y
“Falla”. Por lo tanto la defusificación del sistema indicará si el sistema se encuentra
en falla o no.
91
La Figura 4.14 muestra la topología implementada del sistema difuso llamado

“TQfuzzy” que posee cuatro reglas de inferencia.
ParámetroT2 (2) TQfuzzy
(mamdani)
2 rules
Salida (2)
ParámetroQ (2)
System TQfuzzy: 2 inputs, 1 outputs, 2 rules
Figura 4.14: Topología del sistema difuso

Fuente: Autor
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.
SI (T 2 es alto) OR (Q es alto) ENTONCES (Salida es F alla)

SI (T 2 es bajo) Y (Q es bajo) ENTONCES (Salida es SinF alla)
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
sido normalizados a un rango de [0 1]. Los valores de los estadísticos se han

obtenido a través de una inducción de una falla en la variable de velocidad del G39
igual a 0 rpm, durante una hora de proceso, esta falla causa que los estadísticos
cambien de valor drásticamente y se reflejen en los valores normalizados. De esta
manera, el sistema difuso es capaz de determinar a través de los dos estadísticos
de entrada la presencia de una falla ya que la salida para este ejemplo es 2. Por lo
tanto, si el valor de salida está cercano a la unidad corresponderá a que el sistema
está sin falla, mientras que si el valor es cercano a 2 el sistema presenta una falla.
Figura 4.15: Evaluación de las reglas del sistema difuso diseñado

Fuente: Autor
4.5.2. Sistema difuso para la identificación de la falla
El sistema difuso diseñado anteriormente nos indica la presencia de una falla

o no en el sistema. Sin embargo, no se tiene la certeza de la variable causante de
dicha falla. Por lo tanto, ahora se diseña un sistema difuso que nos determine la
identificación de la variable que es la causante de la falla en el sistema.
Tomando en cuenta que los estadísticos T 2 y Q nos indican la presencia de

anomalías y fallas en el sistema. Sin embargo ambos estadísticos corresponden a
dos valores numéricos de manera general de todo el conjunto de variables. Por lo
tanto, en este trabajo se propone el uso de una fórmula modificada para hallar
93
los errores cuadráticos de estimación que produce cada variable.
De esta manera se plantea realizar una modificación a la Ecuación (4.4). Se

plantea cambiar el producto vectorial por el producto punto del error de estima-
ción cuadrático de dicha expresión. De esta manera, se obtiene un nuevo vector
denominado E que contiene los errores cuadráticos de estimación de cada variable.
El vector E = e1 e2 ... en posee los ei denominados errores cuadráticos de

estimación. Este vector será utilizado en el sistema difuso de identificación de la

variable causante de la falla presentada en la siguiente subsección. A continuación,
se propone la expresión matemática del vector E de errores cuadráticos.
I − PPT x . I − PPT x (4.5)

E=
Por lo tanto, para nuestro caso de estudio se obtienen un vector de 14 elementos

que representan los errores producidos por cada variable de proceso. De esta
manera, es posible identificar las variables que producen las fallas, a través de un
sistema difuso de reconocimiento.
Con el objetivo de mostrar la potencialidad de la herramienta de identifica-

ción de fallas, se optó por la detección de cinco de las 14 variables planteadas
inicialmente. Sin perder generalidad, se realiza esto con el propósito de reducir
el tiempo de implementación de la GUI. Sin embargo, si se desea identificar las
fallas de todas las 14 variables, se debe seguir la misma metodología que aquí se
detalla para hallar e identificar a las 5 variables que pueden causar 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
Tabla 4.5: Variables 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
funciones de pertenencia sigmoidales llamadas “bajo” y “alto”. La salida posee

cinco funciones de membresía para identificar a la variable que produce la falla.
Las funciones de membresía son llamadas: SF, F1, F2, F3, F4,F5. Donde, SF
significa que el sistema no posee falla, mientras que por ejemplo F1 indica que la
falla pertenece a la primera variable, y así sucesivamente.
De esta forma, el proceso de fusificación entrega un valor numérico que identi-

fica la ausencia de falla o la variable causante de la falla. La Figura 4.16 muestra
la topología implementada del sistema difuso llamado “FUZZYfalla” que posee
cuatro reglas de decisión.
A continuación se muestran las seis reglas implementadas en este sistema di-

fuso, para representar las reglas de forma más concisa, e1 representa el error cua-
drático de estimación por componentes principales de la variable x1 , mientras que
L representa bajo y H alto. Por lo tanto, se extraen cinco errores cuadráticos de
estimación de la Ecuación (4.5) de las cinco variables previamente seleccionadas;
estas son las entradas de este sistema difuso. Las reglas se generan de la siguiente
manera: si el error cuadrático de estimación por componentes principales es alto
de una variable, implica que la falla se debe a dicha variable. Por otro lado, si
todos los errores cuadráticos son pequeños o próximos a cero no existe fallas en
el proceso. Las reglas planteadas para el sistema difuso son:
95
Tabla 4.6: Características del sistema difuso
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
SI (e1 es L) Y (e2 es L) Y (e3 es L) Y (e4 es L) Y (e5 es L) ENTONCES (Salida es SF )

SI (e1 es H) Y (e2 es L) Y (e3 es L) Y (e4 es L) Y (e5 es L) ENTONCES (Salida es F 1)
SI (e1 es L) Y (e2 es H) Y (e3 es L) Y (e4 es L) Y (e5 es L) ENTONCES (Salida es F 2)
SI (e1 es L) Y (e2 es L) Y (e3 es H) Y (e4 es L) Y (e5 es L) ENTONCES (Salida es F 3)
SI (e1 es L) Y (e2 es L) Y (e3 es L) Y (e4 es H) Y (e5 es L) ENTONCES (Salida es F 4)
SI (e1 es L) Y (e2 es L) Y (e3 es L) Y (e4 es L) Y (e5 es H) ENTONCES (Salida es F 5)
La Figura 4.17 muestra el proceso del sistema difuso para la identificación de la

variable que produce la falla ante la siguiente entrada: [0,18 0,09 0,617 0,18 0,74 0,14
para e1 , e2 , ..., e5 respectivamente. De la misma manera, en la implementación real
dichos valores son normalizados a un rango de [0 1]. Por lo tanto, el sistema difuso
determina que la salida es 4.96 y este valor corresponde que la variable 4 es la
causante de la falla.
96
4.6 GUI para detección de fallas
Entrada1 (2)
FUZZYfalla
Entrada2 (2)
(mamdani)
Entrada3 (2)
6 rules
Salida (6)
Entrada4 (2)
Entrada5 (2)
System FUZZYfalla: 5 inputs, 1 outputs, 6 rules
Figura 4.16: Topología del sistema difuso implementado

Fuente: Autor
4.6. GUI para detección de fallas
Mediante MATLABr se implementó una interfaz gráfica para la detección de

fallas. La interfaz muestra las componentes principales, los sistemas difusos y el
sistema de detección de fallas. A continuación se muestran las ventanas desarro-
lladas que posee la GUI:
Interfaz para hallar las componentes principales;
Interfaz para visualizar y/o editar los sistemas difusos;
Simulador del circuito cerrado de molienda;
Simulador de detección de fallas.
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
Figura 4.17: Evaluación de las reglas del sistema difuso diseñado

Fuente: Autor
Figura 4.18: GUI principal del sistema de detección de fallas

Fuente: Autor
98
4.6 GUI para detección de fallas
Figura 4.19: Interfaz gráfica para encontrar las componentes principales

Fuente: Autor
Figura 4.20: Interfaz gráfica para la visualización y edición de los sistemas difusos
Fuente: Autor
99
Figura 4.21: Interfaz gráfica para la detección de fallas

Fuente: Autor
Figura 4.22: Interfaz gráfica para la simulación y detección de fallas

Fuente: Autor
100
4.7 Algoritmo implementado para hallar las componentes principales
4.7. Algoritmo implementado para hallar las compo-

nentes principales
Esta sección presenta de manera muy breve y resumida el algoritmo imple-

mentado para encontrar las componentes principales. Se muestra la función pca()
que calcula las componentes principales del conjunto de datos y además calcula
los autovalores de dichas componentes. Además se muestran las expresiones para
hallar los estadísticos T 2 y Q, que ayudan a definir los márgenes de confianza de
cada estadístico. El Algoritmo 4.1 muestra las funciones implementadas para el
ACP.
Algoritmo 4.1 Algoritmo implementado para hallar las componentes principales
l o a d ( ’Xb . mat ’ ) % Matriz de d a t o s

vent = 2 ; % Ventana f i l t r o promedio
NumComp = 5 ; % Número de componentes
Xp = promedio_movil (Xb , vent ) ; % F i l t r a d o promedio d a t o s
X = (Xp − mu) . / sigma ; % N o r m a l i z a c i o n de d a t o s
% Función para h a l l a r l a s componentes :

[ CPrin , T, A u t o v a l o r e s ] = pca (X, ’ numcomponent ’ ,NumComp ) ;
% CPrin : Matriz de componentes p r i n c i p a l e s
% A u t o v a l o r e s : Vector de a u t o v a l o r e s
Eige = d i a g ( A u t o v a l o r e s ( 1 :NumComp)); % Matriz de a u t o v a l o r e s

Dr = i n v ( Eige ) ; % I n v e r s a de l a m a t r i z
T2 = x∗ CPrin ∗Dr∗ CPrin ’ ∗ x ’ ; % E s t a d i s t i c o T2
r = ( Id − CPrin ∗ CPrin ’ ) ∗ x ’ ; % Residuos
Q = r ’∗ r ; % Estadistico Q
Fuente: Autor
101
CAPÍTULO 5
ANÁLISIS DE RESULTADOS
Este capítulo muestra las pruebas de simulación para la detección de fallas.

En primer lugar se muestra el banco de pruebas obtenido de la base de datos. Se
muestran las simulaciones de detección de fallas con sus respectivos estadísticos.
Se inducen fallas con offsets positivos y negativos a cinco variables del proce-
so. Además se simula la perdida de la señal al anular el valor de las variables.
Finalmente se realiza la gráfica de la salida de los dos sistemas difusos, para la
predicción de las fallas inducidas.
5.1. Banco de datos para simulación
A partir de la base de datos de molienda y premolienda se generó un banco

de datos de simulación formado por las 14 variables de proceso durante 18 días
de operación del molino de cemento a una tasa de 1 muestra/ minuto.
En la GUI mediante un menú se puede escoger el día desde 1 a 18 para realizar

la simulación del proceso.
103
5. ANÁLISIS DE RESULTADOS
5.2. Detección de fallas del proceso
En primer lugar se simula el proceso sin inducción de fallas. A continuación

se van a mostrar las fallas que se han detectado.
5.2.1. Detección de la falla de flujo de retorno
En el día 1 en la muestra 350 existe una anomalía en el flujo de retorno. La

Figura 5.1 muestra que el flujo de retorno se desborda de sus límites normales de
operación en el minuto 350. Inmediatamente se observa que los estadísticos T 2 y
Q cambian su magnitud. Los sistemas difusos determinan que la falla pertenece
a la variable 1 que es precisamente la de flujo de retorno.
Flujo de retorno Estadísticos T2 y Q

90
180 Estadístico T2
Estadístico Q
80
160 Limite de confianza
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
Figura 5.1: Falla en el flujo de retorno

Fuente: Autor
5.2.2. Detección de la falla del sistema de alimentación
En el día 2 en la muestra 385 se observa una anomalía. La Figura 5.2 muestra

que el flujo de alimentación baja hasta 40 T/h en un periodo muy corto de tiempo.
104
5.2 Detección de fallas del proceso
En este caso los sistemas difusos detectan que la falla es proveniente del sistema
de alimentación.
Flujo de Alimentación Mixer + Puzolana Estadísticos T2 y Q
200 Estadístico T2
120 Estadístico Q
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
Figura 5.2: Falla en el flujo de alimentación
La falla del sistema de alimentación es reflejado en las componentes principa-

les. La Figura 5.3 muestra el gráfico de la CP1 vs CP2 donde la falla que produce
la variable x9 hace que los valores se alejen de la región del estado normal de ope-
ración. Se observa dentro del circulo rojo que dos muestras se alejan de la región
de estabilidad del origen. Estas dos muestras, son precisamente los dos valores
que están fuera de los límites de estabilidad de la variable de flujo y son menores
a 60 [t/h]; estos valores se muestran claramente en la Figura 5.2 en la muestra
385 y 386.
5.2.3. Comportamiento de las componentes principales ante la

inducción de fallas
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
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.
5.2.4. Detección de la falla en el motor del molino G20
En el día 4 en la muestra 345 y 375 se observan dos anomalías. La Figura

5.5 muestra que la corriente baja hasta 290 amperios por lo que el sistema difuso
detecta la falla de la variable de corriente del molino de cemento.
106
5.2 Detección de fallas del proceso
CP1 vs CP2
20
Falla flujo
alimentacion x9=0
15
10
Falla G20 x6=0

Estado normal
5
CP2
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
Corriente del motor molino G20 Estadísticos T2 y Q

160
400 Estadístico T2
Estadístico Q
120
350
100
Corriente [A]
Valor
80
300 60
40
20
250
0
320 340 360 380 400 320 340 360 380 400
Figura 5.5: Falla en la corriente del motor G20

Fuente: Autor
107
5.3. Inducción de fallas
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.
5.3.1. Inducción de una falla en el sistema de separación G35
En el día 12 a partir de la muestra 156 a la 195 se agregó un offset de 24

rpm en la variable de velocidad de G35. La Figura 5.6 muestra que efectivamente
que la variable sale de sus límites donde los estadísticos reflejan claramente la
presencia de la falla.
Velocidad del separador G35 Estadísticos T2 y Q

240
150
Estadístico T2
230 Estadístico Q
Limite de confianza
220
210
100
Velocidad [rpm]
200
Valor
190
180 50
170
160
0
120 140 160 180 200 120 140 160 180 200
Figura 5.6: Inducción de la falla en la velocidad del separador G35

Fuente: Autor
108
5.3 Inducción de fallas
5.3.2. Inducción de una falla en el sistema colector de polvo G38
En el día 5 a partir de la muestra 113 a la 136 se agregó un offset de 160 rpm

en la variable de la velocidad de G39. La Figura 5.7 muestra que la variable sale
de sus límites donde los estadísticos salen del limite de confianza.
Velocidad del separador G39 Estadísticos T2 y Q

1160 Estadístico T2
Estadístico Q
300
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
Figura 5.7: Inducción de la falla en la velocidad del motor G39

Fuente: Autor
5.3.3. Inducción de una falla en el sistema de alimentación
En el día 6 a partir de la muestra 84 a la 111 se simuló una falla que anule

la señal. La Figura 5.8 muestra que los límites donde los estadísticos reflejan
claramente la presencia de la falla.
109
Alimentación Mixer + Puzolana Estadísticos T2 y Q

100 Estadístico T2
350
Estadístico Q
Limite de confianza
80 300
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
Figura 5.8: Inducción de la falla en el flujo de alimentación mixer y puzolana

Fuente: Autor
5.4. Visualización de la GUI para detección de fallas
La Figura 5.9 muestra el funcionamiento de la interfaz gráfica de detección de

fallas implementada en MATLABr . La variable simulada es el flujo de retorno.
Se observa claramente los dos valores numéricos de las salidas de los conjuntos
difusos. Solo por manera de visualización y hacer mas fácil la interpretación, a
ambos valores de salida se ha sustraído una unidad. De esta manera la salida del
modelo difuso de T 2 y Q es 0.90 y refleja la existencia de una falla, 0 representa
la ausencia de falla. Del mismo modo, la salida del sistema difuso de detección
muestra el valor 1.001 lo que significa que la causante de la falla es la variable
x1 y así sucesivamente. Existen dos indicadores de color rojo que aparecen para
alertar la presencia de una falla en el sistema de simulación. Además es posible
acelerar la velocidad de simulación y también se puede cambiar el tamaño de la
representación de la gráfica. Es posible visualizar todas las 14 variables del proceso
que están siendo simuladas.
110
5.5 Salida de los sistemas difusos
Figura 5.9: Interfaz gráfica para la detección de fallas

Fuente: Autor
5.5. Salida de los sistemas difusos
En el día 1 a partir de la muestra 85 a la 475 se simuló fallas en cada una de

las cinco variables. Las variables fueron inducidas al encerar las señales y también
con los offsets.
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
Sistema difuso basado en T2 y Q

2.2
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]
Figura 5.10: Salidas de los conjuntos difusos de detección e identificación de fallas

Fuente: Autor
5.6. Estimación de flujos, PSDs y CDFs
El propósito de la adición de esta herramienta de estimación de flujos, PSDs y

CDFs al sistema de detección de fallas, es con el objetivo de mostrar las variaciones
que suceden en los flujos y a nivel granulométrico del proceso cuando ocurre las
fallas de alimentación y de flujo de retorno. Por ejemplo, cuando existe una falla
en el sistema de alimentación en la variable x9 , se conoce la existencia de la falla,
pero no se conoce sus efectos en los flujos y en la granulometría. Por esta razón,
cuando hay una falla en el sistema de alimentación, en esta herramienta se puede
observar en que magnitud varían los flujos de: salida de molino, flujo de retorno
y flujo de salida de finos donde cambian drásticamente de acuerdo al modelo de
112
5.6 Estimación de flujos, PSDs y CDFs
Tabla 5.1: Posibles salidas del sistema difuso de T 2 y Q
Valor de salida Tipo

1 Sin falla
2 Presencia falla
Fuente: Autor
Tabla 5.2: Posibles salidas del sistema difuso basado en residuos cuadráticos
Valor de salida Tipo

1 Sin falla
2 Falla variable x1
3 Falla variable x2
4 Falla variable x4
5 Falla variable x6
6 Falla variable x9
Fuente: Autor
molienda, además se puede observar la variación de las granulometrías a través

de las PSDs y CDFs de cada flujo. Estos resultados ayudan a comprender como
los efectos de las fallas de flujo de alimentación y flujo de retorno, hacen que
las granulometrías cambien de valor, y esto produce que la calidad del producto
se altere notablemente. La Figura 5.11 muestra la simulación del día 15, donde
se ha inducido una falla de cambio de magnitud en la variable de alimentación
x9 , y se observa claramente la como los flujos varían a partir de la muestra 40,
esto provoca que se reduzca el flujo de retorno, produciendo la variación de la
granulometría del flujo de salida.
113
Figura 5.11: Estimación de los flujos ante la simulación de una falla

Fuente: Autor
5.7. Validación del sistema de detección de fallas
La validación del sistema de detección de fallas se realizó mediante la simula-

ción de las variables obtenidas de la base de datos. Por lo tanto, mediante el lote
de datos de 18 días de operación del molino de cemento se procedió a simular y a
registrar la respuesta del sistema de detección de fallas.
Se realizaron 18 inducciones de falla, una por cada día. En cada prueba

se ha inducido una falla de manera aleatoria a una de las siguientes variables:
x1 , x2 , x4 , x6 , x9 . La inducción de falla consistió en agregar un offset en el valor
o en anular dicho valor, mediante los controles de la GUI. La Tabla 5.3 muestra
las pruebas de simulación de detección de fallas. En primer lugar se muestra el
día de prueba, el número de muestra en la que se induce la falla, el nombre de la
variable, el valor de la variable, el valor del estadístico T 2 , el valor del estadístico
Q, la salida del sistema difuso si detecta o no la falla “Det Falla”, y finalmente
la salida del segundo sistema difuso que identifica la variable causante de la falla
mostrada en “ID var”.
Por lo tanto, en la Tabla 5.3 se observa claramente que el sistema ha detectado

la inducción de la falla y además el sistema difuso ha identificado correctamente
la variable causante de la falla. Se observa que los estadísticos T 2 y Q poseen
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.
Tabla 5.3: Respuesta del sistema de detección e identificación de fallas
Día Muestra Variable inducida Valor T2 Q Det Falla ID var
1 70 Flujo de retorno 0 T/h 30 78 Si x1

2 100 Velocidad G35 160 rpm 110 140 Si x2
4 330 Corriente G20 220 A 55 60 Si x6
5 160 Alim mix + puz 20 T/h 349 462 Si x9
6 260 Corriente G20 0A 20 38 Si x6
12 170 Corriente G20 422 A 52 62 Si x6
13 72 Alim mix + puz 118 t/h 98 275 Si x9
14 470 Corriente G20 262 A 25 40 Si x6
Fuente: Autor
Como se ha podido observar el sistema de detección de fallas está diseñado
115
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:
Realizar la comunicación OPC con el servidor SCADA mediante un script

de MATLABr para adquirir las variables del proceso;
Sincronizar el envío y recepción de datos del sistema de detección de fallas

con el sistema SCADA;
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
Se ha comprobado que la técnica de análisis de componentes principales per-

miten la reducción del número de variables de un conjunto de datos manteniendo
la variabilidad del sistema.
El modelado del sistema de molienda permitió comprender los procesos que

se llevan a cabo en el área G de molienda y además se pudo identificar los siste-
mas mas importantes que son: el molino G20, el separador G35, el colector G38,
el sistema de alimentación y el flujo de recirculación. De esta manera se pudo
identificar las variables necesarias para formar la base de variables para crear las
componentes principales.
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.
La obtención de las componentes principales de un conjunto de datos se reduce

a obtener los autovalores y autovectores de la matriz de covarianzas de dichos
datos. Sin embargo un paso fundamental e imprescindible es la normalización
previa de los datos a media cero y varianza 1 de este modo se garantiza que las
componentes principales guarden de manera proporcional la variabilidad de dicho
conjunto de datos.
117
6. CONCLUSIONES
La definición del conjunto de datos de modo normal de operación es de vital

importancia, donde se deben definir los valores mínimos y máximos normales de
cada variable. Si en un momento dado estas variables no alcanzan dichos lími-
tes, se recomienda hacer un escalado para hacer que las componentes principales
encierren la variabilidad de todo el rango de operación normal de cada variable.
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.
Los estadísticos T 2 y Q son de vital importancia para estimar y definir si

una muestra dada pertenece al correcto funcionamiento o pertenece a un estado
anómalo de operación. Por lo tanto, es de gran utilidad definir los indices de
confiabilidad para determinar la presencia o no de la falla, sabiendo que existe
formulación matemática para hallar dichos índices en este trabajo se optó por
hallarlos de manera gráfica. Por esta razón, se graficaron todos los estadísticos del
banco de datos empleado en modo normal de operación que fue de 425 muestras.
Ll vector E mostrado en la Ecuación (4.5), que surgió a través de la modi-

ficación del producto vectorial por el producto punto de la Ecuación (4.4) del
estadístico Q, facilitó enormemente la identificación de la variable causante de la
falla, mediante el sistema difuso y sus respectivos errores cuadráticos de estima-
ción. De este modo se pudo conocer el valor del error cuadrático de estimación
que produce cada variable.
Se pudo comprobar el correcto funcionamiento del sistema de detección de

fallas a través de un banco de variables de 18 días de operación del molino de
cemento. Mediante la inducción de fallas a través de offset y enceramiento se
pudo ver la correcto funcionamiento del sistema detector de fallas.
Finalmente, en todo sistema industrial especialmente en el proceso de molienda

de cemento, es de gran utilidad contar con un sistema experto de detección de
fallas. De este modo se pueden evitar daños irreversibles de maquinaria e incluso
se pueden salvar vidas humanas. Por otro lado, contar con este tipo de sistemas
ayudará notablemente a mantener la calidad del producto, ya que si se evitan las
fallas en el sistema de molienda, se mantienen los flujos constantes y por ende la
calidad de blaine y retenido en malla serán también constantes manteniendo una
118
adecuada calidad del producto.
TRABAJOS FUTUROS
En este trabajo de investigación se creó una plataforma de simulación de las

fallas del molino de cemento a través de las variables provenientes de la base de
datos. Por lo tanto, para un trabajo futuro de implementación en linea de este
sistema, se lo puede realizar mediante el protocolo de comunicación OPC que
posee la planta industrial Guapán. Para llevar a cabo dicha implementación se
deberán realizar pequeñas modificaciones de envío, recepción y sincronización de
datos.
119
BIBLIOGRAFÍA
ASM (2008). Abnormal situation management consortium.
Butler, K. L. and Momoh, J. A. (1993). Detection and classification of line faults

on power distribution systems using neural networks. In Circuits and Systems,
1993., Proceedings of the 36th Midwest Symposium on, pages 368–371. IEEE.
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.
Da Silva Vicente, S. A., Fujimoto, R. Y., and Padovese, L. R. (2001). Rolling

bearing fault diagnostic system using fuzzy logic. In Fuzzy Systems, 2001. The
10th IEEE International Conference on, volume 2, pages 816–819. IEEE.
Dasgupta, S. (1995). The evolution of the d2-statistic of mahalanobis. Indian

journal of pure and applied mathematics, 26:485–502.
Deolalkar, S. (2009). Handbook for designing cement plants.
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.
El Houda Thabet, R. and Chafouk, H. (2016). Fault detection and isolation

methodology using interval predictors with application to dc-dc buck converters.
Ellero, N., Gucik, D., and Henry, D. (2016). Model-based fault detection and
identification for switching power converters.
121
BIBLIOGRAFÍA
Ferrero, A., Sangiovanni, S., and Zappitelli, E. (1994). A fuzzy-set approach to

fault-type identification in digital relaying. In Transmission and Distribution
Conference, 1994., Proceedings of the 1994 IEEE Power Engineering Society,
pages 269–275. IEEE.
Garcıa-Alvarez, D. (2009). Fault detection using principal component analysis

(pca) in a wastewater treatment plant (wwtp). In Proceedings of the Interna-
tional Student’s Scientific Conference.
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.
Hotelling, H. (1933). Analysis of a complex of statistical variables into principal

components. Journal of educational psychology, 24(6):417.
Isermann, R. (1984). Process fault detection based on modeling and estimation

methods a survey. Automatica, 20(4):387–404.
Isermann, R. (2006). Fault-diagnosis systems: an introduction from fault detection

to fault tolerance. Springer Science & Business Media.
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.
Jolliffe, I. (2002). Principal component analysis. Wiley Online Library.
Mejeoumov, G. G. (2007). Improved cement quality and grinding efficiency by

means of closed mill circuit modeling. PhD thesis, Texas A&M University.
Molina, R. (2015). Estudio e implementacion del mejoramiento de las estrategias

de control del circuito de molino del cemento de la union cementera nacional
ucem c.e.m planta industrial guapan.
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.
Venkatasubramanian, V., Rengaswamy, R., Yin, K., and Kavuri, S. N. (2003).

A review of process fault detection and diagnosis: Part i: Quantitative model-
based methods. Computers & chemical engineering, 27(3):293–311.
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.
Zumoffen, D. (2008). Desarrollo de Sistemas de Diagnóstico de Fallas Integrado al

Diseño de Control Tolerante a Fallas en Procesos Químicos. PhD thesis, PhD
thesis, Universidad Nacional de Rosario, Argentina.
123

Analisis Fall Molino Cemento UPS-CT007055

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Analisis Fall Molino Cemento UPS-CT007055

Cargado por

Copyright:

Formatos disponibles

ANÁLISIS Y DETECCIÓN DE FALLAS

MARÍA ANTONIETA CADMEN SANANGO

PhD. WALTER OROZCO TUPACYUPANQUI

MARÍA ANTONIETA CADMEN SANANGO

ANÁLISIS Y DETECCIÓN DE FALLAS MÚLTIPLES EN EL CIR-

Maestría en Control y Automatización Industriales

Formato: 170x240mm Páginas: 123

Breve reseña de los autores e información de contacto

MARÍA ANTONIETA CADMEN SANANGO

Ingeniera en Electrónica por la Universidad Politécnica Salesiana

WALTER OROZCO TUPACYUPANQUI

Todos los Derechos Reservados

Elaborado por: MARÍA ANTONIETA CADMEN SANANGO

2. MODELO DEL MOLINO 11

3. ANÁLISIS DE COMPONENTES PRINCIPALES 33

3.3.3. Comparación de los métodos . . . . . . . . . . . . . . . . . 41

4. DISEÑO DEL SISTEMA DE DETECCIÓN DE FALLAS 67

4.4.3.Selección de la cantidad de muestras y el rango de las variables 83

5. ANÁLISIS DE RESULTADOS 103

2.1. Vista panorámica de la planta industrial Guapán . . . . . . . . . . 12

3.1. Porcentajes de los factores que causan las fallas . . . . . . . . . . . 37

3.8. Ejemplo de los estadísticos de un proceso . . . . . . . . . . . . . . 61

4.1. Tipos de bases de datos del sistema SCADA . . . . . . . . . . . . 69

5.1. Falla en el flujo de retorno . . . . . . . . . . . . . . . . . . . . . . 104

5.5. Falla en la corriente del motor G20 . . . . . . . . . . . . . . . . . . 107

3.1. Comparación de las diversas técnicas de un SDDF . . . . . . . . . 42

4.1. Variables de proceso seleccionadas para ACP . . . . . . . . . . . . 74

5.1. Posibles salidas del sistema difuso de T 2 y Q . . . . . . . . . . . . 113

4.1. Algoritmo implementado para hallar las componentes principales . 101

ACP Análisis de componentes principales

ASM Abnormal Situation Management

C3S Silicato Tricálsico

CDF Función de densidad de probabilidad acumulativa

GUI Graphic user interface

LMI Linear Matrix Inequalities

MPC Mínimos cuadrados parciales

PSD Particle size distribution

RNA Redes neuronales artificiales

SCADA Sistema de supervisión, control y adquisición de datos

SDDF Sistema de diagnóstico y detección de fallas

UCEM Unión cementera nacional

Dedico este proyecto de una manera muy especial

Antonieta Cadmen Sanango

La mayoría de procesos industriales pueden estar sujetos a fallas. Los daños

En este trabajo de investigación se presenta una técnica de detección de fallas

Al culminar una etapa más de mis estudios, expreso

Antonieta Cadmen Sanango

La gran mayoría de los procesos industriales pueden estar expuestos a sufrir

La detección e identificación de fallas no se trata de un proceso sencillo, debido

1.1. Planteamiento del problema

Actualmente la mayoría de fábricas y procesos industriales en el Ecuador no

La falta de iniciativa que poseen los empresarios industriales para implementar

La molienda de cemento es un proceso crítico, ya que se debe en lo posible

Un gran inconveniente es la propagación de fallas, ya que si se presenta una

En la actualidad la Unión Cementera Nacional (UCEM) planta industrial

investigación de este proyecto.

Esta sección presenta los objetivos del presente trabajo de investigación.

1.2.1. Objetivo principal

Diseñar un sistema de detección y diagnóstico de fallas múltiples utilizando

1.2.2. Objetivos específicos

Realizar la investigación del estado del arte en modelos o técnicas para la

Investigar y conocer la situación actual del sistema de producción empleado

Analizar el proceso del molino de cemento;

Obtener los parámetros o las variables necesarias de acuerdo al proceso para