Está en la página 1de 115

Universidad Nacional de Rosario

Facultad de Ciencias Exactas, Ingeniería y Agrimensura


Escuela de Ingeniería Electrónica
Escuela de Ingeniería Mecánica

Proyecto de Ingeniería

Diseño basado en Bond Graphs de sistemas


para detección y aislamiento de fallas
en suspensiones de vehículos

Autores:
Luis Silva Legajo S-2546/1 Escuela de Ingeniería Electrónica
Diego Delarmelina Legajo D-1666/7 Escuela de Ingeniería Mecánica

Directores:
Ing. Sergio Junco Escuela de Ingeniería Electrónica
Dr. Norberto Nigro Escuela de Ingeniería Mecánica

Director Externo:
Dr. Hassan Noura Laboratorio de investigación LSIS
Universidad d’Aix-Marseille III, Marsella - Francia

Octubre 2005
Índice: Página:

CAPITULO 1.
INTRODUCCIÓN 4

CAPITULO 2.
MÉTODOS DE DIAGNÓSTICO DE FALLAS 7
2.1 - Introducción al diagnóstico de fallas 8
2.2 - Método de las relaciones analíticas redundantes (ARR’s) 9
2.3 - Diagnóstico de fallas en sistemas modelados con bond graph 12

CAPITULO 3.
MODELO DINÁMICO DEL AUTOMÓVIL 14
3.1 - Dinámica vertical 15
3.1.1 - Modelo de un cuarto de vehículo 16
3.1.2 - Modelo de medio vehículo 17
3.1.3 - Modelo de 7 grados de libertad 18
3.2 - Dinámica longitudinal 20
3.3 - Dinámica lateral 23
3.4 - Vehículo completo, modelo de 14 grados de libertad 24
3.4.1 - Momentos sobre el centro de gravedad de la masa suspendida 26
3.4.2 - Ecuaciones del movimiento de un cuerpo rígido en el espacio 27
3.4.3 - Sistemas de referencia 28

CAPITULO 4.
DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA
SUSPENSIÓN 30
4.1 - Un cuarto de vehículo 31
4.1.1 - Generación del Bond Graph para diagnóstico 31
4.1.2 - Matriz de fallas 33
4.1.3 - Análisis de sensibilidad 34
4.1.4 - Modelo completo 35
Índice: Página:

4.2 - Modelo de medio vehículo 36


4.2.1 - Generación del Bond Graph para diagnóstico 36
4.2.2 - Matriz de fallas 39
4.2.3 - Análisis de sensibilidad 40
4.2.4 - Modelo completo 40
4.3 - Modelo de 14 grados de libertad 41
4.3.1 - Generación del Bond Graph para diagnóstico 43
4.3.2 - Matriz de fallas 49
4.3.3 - Análisis de sensibilidad 49
4.3.4 - Modelo completo 50
4.4 - Cantidad de sensores ideales versus cantidad de sensores colocados 52

CAPITULO 5.
ANÁLISIS Y SIMULACIONES 55
5.1 - Simulaciones sobre el modelo de un cuarto de vehículo
con el sistema de detección de fallas incluido 56
5.2 - Simulaciones sobre el modelo de medio vehículo
con el sistema de detección de fallas incluido 58
5.3 - Simulaciones sobre el modelo de 14 grados de libertad 60
5.3.1 - Modelo del vehículo 61
5.3.2 - Modelo de vehículo junto al sistema de detección de fallas 66

CAPITULO 6.
CONCLUSIONES 70

REFERENCIAS Y BIBLIOGRAFÍA 73

ANEXO 1 - Introducción al modelado de sistemas físicos con bond graph 76


ANEXO 2 - Diagnóstico automático de fallos para sistemas dinámicos no lineales 83
ANEXO 3 - Diseño (e implementación off-line) basado en bond graph de un
sistema de detección y aislamiento de fallas en un sistema físico real 103
CAPÍTULO 1

INTRODUCCIÓN
CAPÍTULO 1 - INTRODUCCION

Los sistemas físicos dinámicos están sujetos a cambios en los parámetros de sus
componentes, ya sea debido a desgaste o roturas. Estos cambios cuando alcanzan un
determinado valor hacen que se modifique considerablemente el comportamiento del sistema,
afectando el buen funcionamiento del mismo y llegando en el peor de los casos a provocar
situaciones riesgosas tanto para las personas como para el medio ambiente.
En la actualidad ciertas plantas alcanzaron una gran complejidad, haciendo necesario el
estudio de sistemas de diagnóstico de fallas, que tienen entre sus principales objetivos detectar
funcionamiento incorrecto de algún componente, disminuir pérdidas económicas por salidas
de servicio no programadas, y sobre todo reducir riesgos de accidentes de las personas que
trabajan en dichas plantas. Las técnicas de diagnóstico de fallas se pueden utilizar entonces
para mejorar la eficiencia, optimizar el mantenimiento, así como también asegurar la
disponibilidad y fiabilidad de la planta.
Cuando se habla de diagnóstico de fallas se refiere tanto a la detección como a la
localización de las fallas. Para desarrollar estos sistemas que permiten detectar y aislar fallas,
el modelado matemático sumado a las herramientas informáticas existentes hoy en día, son
sumamente importantes, ya que permiten realizar simulaciones por software de los sistemas
que representan la planta junto a su sistema de detección de fallas, las cuales son introducidas
en el modelo del sistema real, sin poner en riesgo a las personas ni generar situaciones
peligrosas. De esta manera es posible estudiar el comportamiento de los sistemas en
situaciones de funcionamiento diversas, reduciéndose los costos de diseño y teniendo además
un panorama mucho más amplio de las capacidades que va a tener el sistema de diagnóstico,
cuando este sea implementado en el equipo real.
En los sistemas dedicados a la transmisión de información es muy común la inclusión de
información adicional al mensaje que se desea transmitir. Esta información redundante tiene
como objetivo que el receptor pueda utilizarla para constatar si el “paquete de información”
recibido presenta algún tipo de anomalía y cuanta más información se adicione más precisión
se obtendrá acerca de esta anomalía (tipo, ubicación, etc.). Estas técnicas datan de varios años
y a lo largo del tiempo se han ido mejorando e innovando. Surge el interrogante acerca de la
aplicación de esta idea (la de utilizar información redundante para detectar errores en sistemas
de comunicaciones) a sistemas físicos cuyos componentes pueden presentar fallas. Es decir:
¿puedo obtener información redundante de un sistema físico y aplicar la misma para detectar
errores? En los últimos años se han realizado y publicado varios estudios donde se desarrollan
distintos métodos para diseñar sistemas de detección y aislamiento de fallas en sistemas
CAPÍTULO 1 - INTRODUCCION

físicos. Gran parte de estos métodos se basan en representar al sistema a través de modelos
matemáticos que representan las leyes físicas que rigen su comportamiento y generar a partir
de los mismos (junto con ciertas señales sensadas de la planta real) justamente esta
información redundante necesaria para el control de errores. El hecho de generar esta
información redundante a partir de modelos matemáticos le da al método el nombre de
redundancia analítica.
En este trabajo se muestra en detalle el completo desarrollo de un sistema de diagnóstico
de fallas basado en el método de redundancia analítica. Aquí “la planta” es un automóvil y el
diagnóstico de fallas fue enfocado sobre la suspensión; esta es particularmente importante
debido a que el estado de sus componentes (resorte y amortiguador) determina las
prestaciones que tendrá el vehículo, ya sea en materia de confort, maniobrabilidad o
seguridad. La elección de modelar el vehículo utilizando Bond Graph (ANEXO 1) se debe a
que este formalismo permite representar el comportamiento dinámico de sistemas físicos en
forma intuitiva y sistemática. Además permite la incorporación de las no-linealidades
involucradas en el comportamiento del vehículo en forma simple. El modelado y el posterior
diseño del sistema de detección de fallas se realizarán en modelos de complejidad creciente.
El modelo de vehículo al que finalmente arribamos es de los más completos que se han
desarrollado en la bibliografía existente y pese a su complejidad fue posible incorporarle un
sistema de detección de fallas capaz de cumplir con todos los objetivos previamente
planteados.
Utilizando el software 20-sim [14] se simuló el comportamiento de la dinámica del
vehículo, y posteriormente se incorporó el sistema de detección de fallas diseñado el cual
pudo detectar y aislar fallas. Estas fallas fueron introducidas mediante cambios en los
parámetros de los componentes de la suspensión del automóvil modelado.
CAPÍTULO 2

MÉTODOS DE DIAGNÓSTICO
DE FALLAS
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS

2.1 – Introducción al diagnóstico de fallas


El concepto de diagnóstico de fallas se refiere tanto a la detección como a la
localización de una falla, es decir, además de detectar la presencia de una falla en un sistema,
determinar su ubicación dentro del mismo, permitiendo así saber cual componente está en
malas condiciones. La ubicación específica del componente es lo que técnicamente se
denomina el aislamiento de la falla.
Los métodos tradicionales de diagnóstico de fallas se basan en la comparación de
variables medidas del proceso con valores límites constantes y preestablecidos (chequeo de
umbrales) o la aplicación de sensores redundantes (redundancia física), es decir, estos
elementos nos permiten, por medio de comparaciones del funcionamiento, verificar la
presencia de fallas. Sin embargo, la utilización de elementos repetidos no siempre puede ser
llevada a la práctica, debido a ciertas condiciones como por ejemplo el costo de los
componentes, el tamaño o peso de los dispositivos, etc. Otros métodos más avanzados se
basan en la aplicación de test (univariables o multivariables) de hipótesis a propiedades
estadísticas de las variables del proceso, que son especialmente indicados para grandes
sistemas que producen una gran cantidad de datos, ya que reducen esa gran cantidad de
información quedándose con la parte más significativa. Otros métodos se basan en la
redundancia analítica (figura 1), es decir la comparación del comportamiento verdadero de la
planta con el esperado obtenido mediante un modelo matemático de la misma.
La principal ventaja del diagnóstico de fallas basado en el modelo de la planta es que no
es necesario añadir componentes hardware al proceso, debido a que para implementar un
algoritmo de diagnóstico de fallas FDI (en inglés Fault Detection and Isolation), las
mediciones necesarias para el control del proceso son en muchos casos suficientes, por lo que
no se necesita instalar nuevos sensores.

Figura 1. Redundancia física frente a redundancia analítica.


CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS

Podemos decir que la tarea de diagnóstico puede realizarse en dos acciones:


1) Generación de residuos
Los residuos son señales que contienen información para determinar la aparición de una
falla. Si el residuo tiene un valor menor a un cierto umbral, esto será interpretado como la
ausencia de fallas, en cambio si ese residuo alcanza este determinado valor es indicador de
que está ocurriendo una falla que puede ser por causa de desgaste o rotura de algún
componente.
Podemos dividir los procedimientos en dos grandes grupos, los que se basan en un
modelo matemático obtenido a partir de los primeros principios de la física y los que se basan
en un modelo no obtenido a partir de las leyes de la física, sino a partir de procedimientos
comúnmente utilizados en inteligencia artificial.

2) Evaluación de los residuos


Esto permite obtener información de cual es la magnitud de la falla, en que tiempo se
produjo, y cual componente es el que está fallando.
La evaluación requiere determinar si los residuos sobrepasan algún valor umbral
determinado. El valor umbral es necesario para evitar falsas alarmas debidas a pequeñas
perturbaciones o a diferencias producidas por las aproximaciones (o simplificaciones)
realizadas a la hora de definir el modelo. Generalmente la evaluación se realiza obteniendo
una medida del residuo. Esta medida puede ser estadística o determinista. La primera esta
basada en el cálculo de la variación estándar, varianza, media, etc., mientras que la segunda
esta basada generalmente en la definición de alguna norma (por ejemplo la norma 2 ó
euclidiana).

Un resumen sobre un estudio reciente [13] que incluye la gran mayoría de los métodos
de diagnostico de fallas se presenta, a modo de tutorial, en el ANEXO 2. Este trabajo
corresponde a L. Felipe Blázquez, Luis J. de Miguel, pertenecientes al Dpto. de Ingeniería
eléctrica y electrónica de la universidad de León - España y en el mismo se citan más de
doscientas referencias sobre el tema publicadas en los últimos años.

2.2 - Método de las relaciones analíticas redundantes (ARR’s)


Para explicar el mecanismo de generación de relaciones analíticas redundantes
supongamos que disponemos de un modelo que reproduce en forma exacta el comportamiento
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS

del sistema. Por lo tanto, el conocimiento de las entradas aplicadas al mismo junto con las
condiciones iniciales, será suficiente para reproducir cualquier variable perteneciente al
sistema.
Si ahora colocamos ciertos sensores sobre el sistema real, podremos generar a partir de
ellos variables que provienen del sistema real pero que también pueden ser generadas a partir
del modelo. La diferencia entre estas dos variables se la denomina residuo y será
idénticamente nula siempre y cuando el sistema real siga respondiendo al modelo previamente
determinado y que se encuentra “corriendo en paralelo”. El termino redundancia surge de la
posibilidad de calcular estas variables por dos vías diferentes. Por otra parte, la cantidad
máxima de variables independientes que podremos generar a partir de N sensores serán
justamente N.
Cuando un componente se encuentra fallado, su comportamiento varía. Como los
residuos se calculan por un lado a partir de los sensores que “acusan” el comportamiento real
del sistema y por el otro a partir del modelo (que estima el comportamiento con las entradas y
el comportamiento de los componentes libres de fallas), al ocurrir una falla en un
componente, todos aquellos residuos donde interviene dicho componente dejarán de valer
cero.
Si un componente interviene en el cálculo de algún residuo, una falla en el mismo podrá
ser detectada ya que al menos un residuo dejará de ser nulo. Si además la combinación de
residuos donde interviene dicho componente es única (ningún otro componente interviene en
esos mismos residuos) la falla se dice que puede ser aislada porque analizando cuales son los
residuos que dejaron su valor nulo podremos determinar específicamente cual es el
componente que está fallando.
Esta posibilidad de detección y/o aislamiento de la falla en un componente se deja
explicitada en una tabla denominada matriz de fallas donde se coloca en la primera columna
todos los componentes con posibilidad de fallar y en la primera fila todos los residuos
generados a partir de los sensores. En la intersección de cada componente con cada falla se
coloca:
• Un número uno si el parámetro nominal del componente interviene en el cálculo del
parámetro
• Un número cero si el parámetro nominal del componente interviene en el cálculo del
parámetro
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS

A continuación presentamos un ejemplo. Aquí podemos observar como a partir de un


sistema físico cuyas leyes dinámicas se conocen, se generan las ARR’s utilizando también dos
sensores. A continuación se muestra también la generación de la matriz de fallas a partir de
las ARR’s.
El sistema físico idealizado es un circuito hidráulico con dos tanques T1 y T2 abiertos a
la atmósfera e interconectados por una válvula V1. El tanque T2 descarga su propio contenido
a la atmósfera a través de la válvula V2. Ambas válvulas se encuentran completamente
abiertas (en condición normal de operación). En los dos tanques hay sensores de presión P1 y
P2. El sistema completo se muestra en la figura 2.

Figura 2. Sistema físico idealizado.

Expresando las relaciones no lineales Q-∆p de las válvulas como:


Q1 = Cd1 . fNL1 ( P1 − P 2) ; con Cd1 como parámetro nominal de V1
Q2 = Cd 2 . fNL2 ( P2) ; con Cd2 como parámetro nominal de V2

Las leyes de la conservación de la materia aseguran que los siguientes residuos deben
permanecer en valor nulo siempre (representan la sumatoria de flujo en cada tanque):
dP1
ARR1 = C1 . + Cd1 . fNL1 ( P1 − P2)
dt
dP2
ARR2 = C2 . − Cd1 . fNL1 ( P1 − P 2) + Cd 2 . fNL2 ( P2)
dt
Ai
donde C i = ; es la capacidad del tanque i-ésimo.
ρ⋅g
Analizando los residuos podemos armar la matriz de fallas de sistema de detección de
fallas planteado. Siguiendo los pasos que más arriba hemos indicado. Esta matriz se muestra
en la tabla I.
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS

Componente ARR 1 ARR 2 Mb Ib


T1 1 0 1 1
T2 0 1 1 0
V1 1 1 1 1
V2 0 1 1 0
Tabla I. Matriz de fallas

Analizando la matriz de fallas vemos que las cuatro posibles fallas son detectables ya
que aparecen al menos en el cálculo de algún residual. Por ello todas presentan un uno en la
columna Mb. Esto significa que son monitoreables (o detectables).
También podemos observar que la combinación de residuos que produce una falla en T1
y en V1 es única y por ello poseen un uno en la columna Ib. Esto significa que esas fallas son
aislables (del inglés isolable). Como las fallas en T2 o V2 producen la misma combinación de
residuos es que no las podemos aislar y por ello, tienen un cero en Ib.

2.3 - Diagnóstico de fallas en sistemas modelados con bond graph


En el caso particular del estudio que llevaremos a cabo, utilizaremos un método basado
en la generación de redundancia analítica. Para lograr esta redundancia seguiremos los
métodos que lo realizan a partir del modelado en bond graph de la planta real [7],[8],[9] y
cuyas características fundamentales damos a continuación.
Como ya mencionamos, una falla en un componente altera su comportamiento y este
fenómeno visto a partir del modelado en bond graph se puede interpretar como una variación
en la relación constitutiva (en bond graph es la relación entre el flujo y esfuerzo asociado al
componente).
La elección de modelar el sistema con el lenguaje bond graph se debe a que todos los
modelos a los que le diseñaremos sistemas de detección de fallas serán vehículos y el
comportamiento dinámico del mismo puede ser modelado en bond graph en forma muy
intuitiva pese a poseer un alto grado de complejidad (como ser: no linealidades, gran número
de almacenadores de energía, etc). Además una vez obtenido el modelo y determinado la
disposición de los sensores, el bond graph para diagnóstico (DBG) se puede obtener en forma
sistemática y logrando que en el mismo todos los almacenadores de energía se encuentren en
causalidad derivativa. La técnica utilizada para la generación de los DBG que diseñamos en el
presente trabajo se detalla minuciosamente en [7]. La propiedad del DBG de poseer los
almacenadores de energía en causalidad derivativa, produce que el mismo se vuelva
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS

independiente de las condiciones iniciales que a veces son difíciles de obtener o directamente
imposible. De este modo para reproducir el comportamiento dinámico del sistema sólo
necesitaremos conocer las entradas, mientras que para generar las relaciones redundantes
debemos colocar sensores sobre el sistema real.
Un esquema general del diagnóstico de fallas utilizando un modelo en bond graph del
sistema se muestra en la figura 3.

Figura 3. Esquema general de un sistema de detección de fallas usando DBG

Aquí figura un bloque que representa el sistema, el cual recibe las entradas y sobre el
mismo se colocan los sensores para extraer las señales. También se observa el DBG que
recibe las entradas del sistema junto con las señales de los sensores para generar como salida
los residuos. Existe un último bloque que procesa la información de los residuos para
determinar en primera instancia cuales son los que no valen cero. Esto se realiza con un
criterio predeterminado y aquí se debe prestar especial atención a la hora de una
implementación real ya que la causalidad derivativa puede amplificar considerablemente los
ruidos de medición y por lo tanto se deben aplicar técnicas de filtrado. Finalmente, si
existiese/n residuo/s fuera de su valor nulo el bloque debe informar de un funcionamiento
defectuoso en el sistema y de ser posible indicar cual es el componente involucrado.
Una vez implementado el sistema de detección de fallas, el bloque indicado en la figura
3 como “SISTEMA” será el sistema real y los sensores serán implementados realmente sobre
el mismo. Sin embargo a la hora del diseño y los ensayos para evaluar la performance del
sistema de diagnóstico, el mismo puede ser reemplazado por su modelo en bond graph.
Una implementación del método sobre un sistema real puede verse en detalle en el
ANEXO 3 donde el sistema es un circuito hidráulico ubicado en las instalaciones del
Laboratorio de investigación LSIS de la Universidad d’Aix-Marseille III, Marsella – Francia.
CAPÍTULO 3

MODELO DINÁMICO DEL


AUTOMÓVIL
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

En este capítulo se tratará el modelo dinámico del automóvil. En lo que refiere a la


dinámica vertical se expondrán distintos modelos de menor a mayor complejidad, empezando
por el de un cuarto de auto de 2 grados de libertad, siguiendo por el de medio auto de 4 grados
de libertad y finalmente el de 7 grados de libertad. Posteriormente se analiza la dinámica
horizontal y lateral, y junto con la dinámica vertical se llega al modelo final de 14 grados de
libertad del vehículo. Parte del modelo de vehículo desarrollado en el proyecto “Estudio del
comportamiento dinámico de vehículos terrestres mediante bond graphs” [4], de Germán
Filipini fue tomado como base para este trabajo.

3.1 - Dinámica vertical


El comportamiento dinámico vertical del vehículo está íntimamente relacionado con el
confort de los pasajeros por la influencia en éste de las vibraciones mecánicas, y con la
estabilidad, debido a que los desplazamientos en esta dirección pueden originar descargas
considerables de las ruedas, afectando al valor de la fuerza adherente entre éstas y la calzada
[10]. Podemos decir que las funciones básicas de la suspensión en un automóvil son las
siguientes:
• Soporte del peso del vehículo
• Mantener la altura óptima del vehículo
• Asegurar la adherencia de los neumáticos a la calzada
• Absorción de los movimientos vibratorios
En cuanto a los movimientos vibratorios podemos decir que las vibraciones en el
vehículo son excitadas fundamentalmente por: irregularidades de la calzada, acción de las
masas giratorias (motor, transmisión, etc.), y acciones aerodinámicas. El control de los
movimientos vibratorios se realiza a través del sistema de suspensión que, intercalado entre
las masas unidas a las ruedas (masa no suspendida, o semisuspendida si se tiene en cuenta que
el neumático es su medio elástico) y el cuerpo del vehículo (masa suspendida), tiene un
elemento elástico (resorte helicoidal, barra de torsión, etc.), y un elemento amortiguador que
produce la disipación de energía.
Los efectos del amortiguamiento en la suspensión del automóvil son:
• Extinguir en un tiempo relativamente corto vibraciones libres.
• Reducir la elongación de las vibraciones forzadas y acortarlas a valores finitos en
caso de resonancia.
• Reducir la frecuencia natural de vibración, aunque de forma poco apreciable.
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

3.1.1 – Modelo de un cuarto de vehículo


El sistema físico ideal que se observa en la figura 1 es de 2 grados de libertad, que son
los desplazamientos verticales de la masa suspendida x2(t), y no suspendida x1(t). Así se
representa un cuarto de vehículo, en donde los parámetros son:
m2 = Masa suspendida
Ks = Rigidez de la suspensión
Bs = Coeficiente de amortiguamiento de la suspensión
Kt = Rigidez del neumático
m1 = Masa del neumático y de los elementos mecánicos por debajo de la suspensión (masa
no suspendida)

Figura 1. Modelo de un cuarto de vehículo.

Las ecuaciones diferenciales del modelo son:


.. . .
m1 . x1 + Bs ( x1 − x 2 ) + Ks ( x1 − x 2 ) − Kt ( x0 − x1 ) + m1 .g = 0
.. . .
m 2 . x 2 + Bs ( x 2 − x1 ) + Ks ( x 2 − x1 ) + m 2 .g = 0

La representación del modelo de un cuarto de vehículo en bond graph es la siguiente:

Figura 2. Bond graph del modelo de un cuarto de vehículo.


CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

3.1.2 - Modelo de medio vehículo


El sistema físico ideal que se observa en la figura 3 tiene 4 grados de libertad y
representa medio vehículo. Como grado de libertad tenemos los desplazamientos verticales de
las ruedas, el desplazamiento vertical del centro de masa del cuerpo del vehículo (Z_position)
y el giro del cuerpo del vehículo (pitch). Los parámetros a y b son las distancias del centro de
gravedad hacia la suspensión y rueda delantera A y trasera B respectivamente, m es la masa
suspendida y Iyy es el momento de inercia en el eje y. Además tenemos Ks, Bs, Kt y masa de
rueda de A y B

Figura 3. Modelo de medio vehículo.

En el centro de gravedad de la masa suspendida tenemos:


Fz = Fz A + Fz B - m.g
Ty = Fz A .( − a ) + Fz B .b

La representación en bond graph es la siguiente:

Figura 4. Bond graph del modelo de medio vehículo.


CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

En la figura 4 A y B son 2 submodelos (similares al de un cuarto de vehículo mostrado


en 3.1.1) que representan la suspensión y rueda, delantera y trasera respectivamente, en donde
se hace la unión con la masa suspendida del vehículo en los puntos (1) y (2). El software 20-
Sim permite crear submodelos que luego pueden ser incorporados a modelos más complejos,
de esta forma se facilita y flexibiliza la confección de modelos que representan grandes
sistemas.

3.1.3 - Modelo de 7 grados de libertad


El sistema físico idealizado que se observa en la figura 5 representa la dinámica vertical
del vehículo, tiene 7 grados de libertad que son los giros pitch y roll, el desplazamiento en z
del centro de gravedad y los cuatro desplazamientos verticales de las ruedas. Ahora tenemos
como parámetros del sistema las distancias a, b, c y d, los momentos de inercia Ixx y Iyy, la
masa del cuerpo del vehículo, las masas de las ruedas, y los Ks, Bs y Kt de cada suspensión.

Figura 3. Modelo de vehículo de 7 grados de libertad.

En el centro de gravedad de la masa suspendida tenemos:


4
Fz = ∑ Fz i − mg
i =1

Tx = (Fz1 + Fz3 ).(−c) + ( Fz2 + Fz4 ).d

Ty = ( Fz1 + Fz2 ).(−a) + ( Fz3 + Fz4 ).b


CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

La representación en bond graph correspondiente al sistema físico idealizado presentado más


arriba se muestra a continuación en la figura 4 donde se pone de manifiesto la existencia de
cuatro entradas al sistema que son cada uno de los cuatro perfiles de la calzada que excitan a
cada rueda en forma independiente.

-mg

Fz1

Fz3

Fz4

Fz2

Figura 4. Modelo bond graph de vehículo de 7 grados de libertad.

Los transformadores (TF) que se ven aquí, son usados para calcular los momentos que
producen las fuerzas de la suspensión existentes en cada esquina del chasis (o masa
suspendida) del automóvil sobre su centro de gravedad. Esta fuerza vertical que genera la
suspensión, es el resultado de la “perturbación” que representa la velocidad vertical de la
calzada.
El análisis previo surge de ver la propagación de los esfuerzos desde las suspensiones
hacia las inercias. Pero si vemos como se propagan los flujos que fijan las inercias, estos
transformadores son los encargados de calcular, a partir de los giros en el centro de gravedad,
los desplazamientos verticales que se producen en las esquinas del cuerpo del automóvil que
son a su vez los extremos superiores de las suspensiones.
En los submodelos indicados como: susp1, susp2, susp3, susp4 se encuentran
modelizadas las suspensiones de cada rueda, como se muestra en la figura 5.
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

-m1.g

Figura 5. Detalle interno del submodelo susp1.

3.2 - Dinámica longitudinal


Cuando el vehículo tiene movimiento longitudinal, aparecen esfuerzos resistentes, y
para vencerlos son necesarios esfuerzos tractores, generados en la interfase neumático
calzada, los cuales actúan a su vez, como reacción a los esfuerzos transmitidos a las ruedas
desde el motor, por intermedio del sistema de transmisión.
Entonces sobre el vehículo, la fuerza total en sentido longitudinal (Fx) esta compuesta
por la fuerza longitudinal en los neumáticos y por la proyección de dos fuerzas laterales de los
neumáticos delanteros (de las ruedas directrices). Además aparece la fuerza aerodinámica y de
rodadura haciendo sumatoria de fuerzas en la dirección longitudinal tenemos:

Fx = Flong1. cos δ + Flong 2. cos δ + Flong 3 + Flong 4 − Flat1.senδ − Flat 2.senδ − Faer − Frod
4
≈ ∑ Flong i − Flat1.senδ − Flat 2.senδ − Faer − Frod
i =1

Siendo δ el ángulo de giro de las ruedas directrices respecto al eje longitudinal del vehículo
(ver figura 6).
Las Flong i de cada neumático se obtienen a partir del modelo de Bakker, Nyborg y
Pacejka [10]. Este modelo plantea que para la representación del comportamiento de los
neumáticos el mejor camino es encontrar funciones especiales que se ajusten a las curvas
obtenidas en los ensayos, con la particularidad de que los parámetros de esas funciones deben
corresponderse con valores característicos de los neumáticos.
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

Entonces
Flong i = f NL ( Fz i ; slip i )
(ωWi .R − v x )
slip i =
ωWi .R
donde

Fzi: es la fuerza normal sobre el neumático


slipi : es el deslizamiento del neumático
Las expresiones propuestas son:
Flong i = D . sen(C.arctan(B.O))
Siendo
O = (1-E) . (slip)+(E/B) . arctan(B.slip)
D = a1.(Fz²)+a2.Fz
BCD = (a3.Fz²+a4.Fz)/exp(a5.Fz)
C = 1.65
B = BCD/(C.D)
E = a6.Fz²+a7.Fz+a8;

En donde D (factor de rigidez) representa los valores máximos de los esfuerzos. El


producto BCD es la rigidez transversal o longitudinal para deslizamiento 0. El valor del factor
C (de forma de la curva) oscila entre 1,3 y 2,4. El coeficiente E es denominado factor de
curvatura. Entonces tenemos una ecuación con cuatro coeficientes, capaz de describir todas
las curvas características medidas durante los ensayos. En donde a1, a2, a3, a4, a5, a6, a7, a8
son los coeficientes que ajustan la curva que representa la relación no lineal que tiene el
contacto del neumático con el suelo.

La fuerza aerodinámica se calcula a partir de la expresión aproximada


1
Faer = C x .ρ .v x2 . A
2
Cx: coeficiente de resistencia aerodinámica
ρ: densidad del aire
A: area frontal del vehículo

La fuerza de resistencia por rodadura está relacionada con una pérdida de potencia que se
debe a pérdidas por histéresis en el interior de la estructura del neumático (principal causa de
la resistencia a la rodadura, 90-95%), rozamiento entre neumático y superficies de rodadura
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

causado por deslizamientos locales, resistencias debidas al contacto con el aire interior y
exterior. Como dato podemos mencionar que la resistencia por rodadura puede consumir a
altas velocidades alrededor de un 15 % de la potencia disponible [10], pero esto depende de
varios factores como por ejemplo: diseño del neumático, espesor de banda de rodamiento,
presión de inflado del neumático, velocidad del vehículo, etc.

En este trabajo se utilizó la relación empírica


Frod = ( f 0 + f v v x2 )m.g ; cuya validez rige a partir de un umbral mínimo en vx

f 0 y f v : parámetros que dependen del inflado de los neumáticos.

A continuación presentamos el submodelo utilizado para resolver la dinámica


longitudinal de cada rueda, esta estará conectada al rígido que representa el cuerpo del
vehículo como veremos en el punto 3.4 y cuyo nombre es “Longitudinal”.

vx ω .R
ω W
W

Sub-modelo que representa el comportamiento longitudinal del neumático.

En este sub-modelo aparece otro con el nombre de “pacejkalong” pero este es el encargado de
computar la función no-lineal
Flong i = f NL ( Fz i ; slip i )
(ωWi .R − v x )
slip i =
ωWi .R

También vemos por la derecha el ingreso de “torque” que es el que el motor provee a la rueda,
al mismo se le invierte el signo (al pasar por el TF) y se envía luego al uno que representa el
ωy del chasis ya que por el principio de acción y reacción el torque que el motor realiza sobre
las ruedas es igual y opuesto al que las ruedas realizan sobre el motor.
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

3.3 -Dinámica lateral


La fuerza total en la dirección del eje y sobre el chasis del vehículo cuando toma una
curva se puede determinar haciendo la suma de las siguientes:
4
Fy = Flat1. cos δ + Flat 2. cos δ + Flat 3 + Flat 4 ≈ ∑ Flat i
i =1

Las Flat i de cada neumático se obtienen a partir del modelo de Bakker, Nyborg y
Pacejka lateral en donde las ecuaciones son las mismas que las escritas en el punto 3.2, pero
con otros coeficientes.
Flat i = f NL ( Fz i ; sai )
donde
Fzi: es la fuerza normal sobre el neumático
sai: es el ángulo de deriva
De acuerdo a [10] las ecuaciones para determinar el ángulo de deriva de las ruedas delanteras
y traseras se obtienen a partir de la figura 6.

Figura 6. Vista superior de medio vehículo para obtener los ángulos de deriva trasero y delantero.

a.ψ•
Ángulo de deriva de ruedas delanteras αd = δ − β −
V
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

b.ψ•
Ángulo de deriva de ruedas traseras αt = − β +
V

Donde

V= v x2 + v y2 : velocidad instantánea del centro de gravedad


vy
β= : ángulo de deriva del vehículo
vx
δ = ángulo de guiado de las ruedas directrices
v y = velocidad lateral

v x = velocidad longitudinal
vd = velocidad instantánea de traslación de las ruedas delanteras
vt = velocidad instantánea de traslación de las ruedas traseras
a = distancia c.g. a las ruedas delanteras
b = distancia c.g. a las ruedas traseras
ψ = ángulo de guiñada (se muestra en la figura 7 con su nombre en inglés “yaw”)
En este caso no se muestra el sub-BG llamado en la figura 8 como “lateral” ya que es un
bloque que recibe δ junto con variables del sistema para calcular la fuerza lateral y con ese
resultado modula una Mse que produce la correspondiente fuerza lateral.

3.4- Vehículo completo, modelo de 14 grados de libertad


En la figura 7 vemos el sistema físico idealizado del automóvil completo que se quiere
modelar.

Figura 7. Modelo de vehículo completo


CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

Ahora tenemos como grados de libertad los correspondientes al cuerpo rígido que son
los tres giros pitch, roll, yaw y las tres traslaciones en los ejes x, y, z; además consideramos
como grado de libertad las velocidades verticales de las ruedas (4 grados de libertad) y las
velocidades angulares de éstas (4 grados de libertad), en total tenemos 14 grados de libertad.
Como parámetros del sistema tenemos las distancias a, b, c y d, los momentos de inercia
Ixx, Iyy y Izz, la masa suspendida, la distancia h (entre el suelo y el centro de gravedad). Los
Ks, Bs y Kt de cada suspensión y para cada rueda tenemos: la masa m1, momento de inercia
de rotación Ir y el radio R.
Como entradas al sistema tenemos el perfil de la calzada que produce una velocidad
vertical independiente sobre cada una de las cuatro ruedas, el ángulo de guiado de las ruedas
directrices que es uno sólo para las dos delanteras y el torque que el motor produce sobre cada
rueda.
En la figura siguiente se ven claramente diferenciados los submodelos que representan
la dinámica lateral, vertical y longitudinal, y la interacción de estos subsistemas con el cuerpo
rígido (masa suspendida).
Para facilitar la comprensión de este bond graph se requieren ciertos comentarios que se
realizan en las sub-secciones siguientes.

Fz

Tx Ty

Fy Fx
Tz

Figura 8. Modelo bond graph del vehículo completo


CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

3.4.1 - Momentos sobre el centro de gravedad de la masa suspendida


Las siguientes ecuaciones representan los momentos que las fuerzas existentes producen
sobre el cuerpo del vehículo, las fuerzas en cada esquina del chasis son llevadas al centro de
gravedad como fuerzas y momentos, estos momentos son generados en los TFlateral,
TFvertical, TFlongitudinal, que son los submodelos que vemos en la Figura 8. Cuando
analizamos la causalidad en el sentido inverso, estos transformadores están traduciendo los
giros producidos en el centro de masa como velocidades lineales sobre cada eje.

Tx = ( Fy1 + Fy2 + Fy3 + Fy4 ).h + (Fz1 + Fz3 ).(−c) + ( Fz2 + Fz4 ).d
Ty = −(Fx1 + Fx2 + Fx3 + Fx4 ).(h − R) + ( Fz1 + Fz2 ).(−a) + (Fz3 + Fz4 ).b − TM
Tz = (Fx1 + Fx3 ).c + (Fx2 + Fx4 ).(−d ) + ( Fy1 + Fy2 ).(a) + (Fy3 + Fy4 ).(−b)

TM: representa las sumatoria de momentos que el motor y sistema de transmisión transmite a
cada rueda.

En la figura siguiente vemos uno de los submodelos (TFlongitudinal) que se encarga de


llevar las fuerzas longitudinales como fuerzas o momentos realizados sobre el centro de
gravedad.

Detalle interno del sub-modelo llamado en la figura 8 como TFlongitudinal


CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

3.4.2 - Ecuaciones del movimiento de un cuerpo rígido en el espacio


Una vez que tenemos las fuerzas y los momentos actuantes en el centro de gravedad,
para determinar el movimiento del cuerpo rígido en el espacio utilizaremos las ecuaciones de
Euler [3] que escribimos a continuación.



Fx = m v x + m ω y v z − mω z v y 
• 
Fy = m v y + m ω z v x − mω x v z  forces
Fuerzas acting on the
actuando bodyel chasis
sobre
• 
Fz = m v z + mω x v y − m ω y v x 



Tx = Ixx ω x + ω y Izz ω z − ω z Iyy ω y 


Ty = Iyy ω y + ω z Ixx ω x − ω x Izz ω z  torques
Torquesacting on the
actuando body
sobre el chasis
• 
Tz = Izz ω z + ω x Iyy ω y − ω y Ixxω x 


La representación de estas ecuaciones en bond graph es la siguiente:

Figura 9. Representación en bond graph de las ecuaciones de Euler.

Resumiendo: Este modelo representa las matrices de inercia y se corresponde con lo que
en la figura 8 se muestra con el nombre de “inertia”. La causalidad integral de las inercias
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

produce que sobre el chasis, ingresen los seis esfuerzos (Fx, Fy, Fz Tx, Ty, Tz) y este bloque
“imponga” al sistema los seis flujos (ωx, ωy, ωz, Vx, Vy, Vz).

3.4.3 - Sistemas de referencia


Para representar el comportamiento dinámico del automóvil utilizamos dos sistemas de
referencia, uno no inercial que va solidario al centro de masa del automóvil y alineado con sus
direcciones principales. Se lo denomina sistema de coordenadas local y está representado por
la terna x,y,z. Existe también un segundo sistema de referencia inercial representado por la
terna X,Y,Z, que se lo llama sistema de coordenadas global. Si queremos pasar del sistema
local al global o viceversa lo podemos hacer mediante tres rotaciones sucesivas. La
correspondiente al ángulo φ (roll), luego la del ángulo θ (pitch) y finalmente la del ψ (yaw).
Entonces para obtener el vector de velocidades de traslación y velocidades angulares en el
sistema global realizamos la siguiente conversión de coordenadas:

ω X  ω x  v X  v x 
ω  = ΨΘΦ ω  ; v  = ΨΘΦ v 
 Y  y  Y  y
ω Z  ω  vZ  v 
 z  z

Con esta información podemos evaluar la evolución del vehículo en el sistema global.
Y para llevar la fuerza peso que tiene dirección constante en el eje global Z, a los ejes
locales de coordenadas (x,y,z), hacemos:

 Peso x   0 
  t 
 Peso y  = Φ Θ Ψ  0 
t t

 Peso   Peso Z 
 z 

En este caso podemos usar la transpuesta como inversa porque se trata de matrices
ortogonales.
Las matrices Φ , Θ y Ψ son:

1 0 0 

Φ = 0 cos φ − sin φ 
0 sin φ cos φ 
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL

 cos θ 0 sin θ 
Θ =  0 1 0 
− sin θ 0 cos θ 

cosψ − sinψ 0
Ψ =  sinψ cosψ 0
 0 0 1
CAPÍTULO 4

DISEÑO DE SISTEMAS PARA DIAGNÓSTICO


DE FALLAS EN LA SUSPENSIÓN
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

En el presente punto se desarrolla un sistema de detección de fallas por el método de


redundancia analítica. Dentro de los métodos que utilizan la redundancia analítica escogimos
aquel método donde los residuos se computan a partir del previo modelado del sistema físico
con bond graph y de este bond graph se confecciona el denominado “Bond Graph para
Diagnóstico” detallado en el punto 2.2. Este método fue aplicado en primera instancia al
modelo de un cuarto de vehículo. El mismo método se aplica luego al modelo de medio
vehículo y a posteriori se aplica al modelo de catorce grados de libertad que es el modelo más
complejo que estudiaremos. El objetivo planteado en el sistema de detección de fallas es
poder detectar y aislar todas las posibles fallas concernientes a la suspensión. Estas fallas se
manifiestan como variaciones en la relación constitutiva del resorte Ks o del amortiguador Bs.
Por lo tanto para el modelo de un cuarto de vehículo consideraremos dos posibles fallas, para
el de medio vehículo las fallas podrán ocurrir en cuatro componentes mientras que para el
modelo con catorce grados de libertad las posibles fallas serán ocho (dos por cada una de las
cuatro suspensiones).
En todos los casos se asumen libres de fallas los sensores y la masa suspendida (masa,
momentos de inercia y ubicación del centro de masa conocidos).

4.1 - Un cuarto de vehículo


4.1.1 - Generación del Bond Graph para diagnóstico
El sistema físico idealizado se presenta en la figura 1 con su correspondiente bond graph
tal como se desarrolló en el punto 3.1.1.

Figura 1. Sistema físico idealizado con su correspondiente


bond graph donde se indican los sensores.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Esta representación posee una diferencia respecto de los desarrollados anteriormente y


es que no incluimos las fuentes de esfuerzos que representan los pesos. Estas se pueden
desestimar ya que el único efecto que producen es una compresión adicional en los resortes
siempre constante. Entonces aplicando superposición vemos que el comportamiento del
sistema no varía y para mayor simplicidad no las contemplamos.
La idea principal consiste en sensar las velocidades del centro de masa de la rueda
(m1_speed), la masa suspendida (m2_speed) y el esfuerzo en Ks (Ks_effort).
Para la confección del “bond graph de diagnóstico” (DBG) utilizaremos m1_speed como
señal de entrada al modelo en lugar de la velocidad vertical que produce el suelo. Con esta
consideración, el bond graph puede rehacerse con la configuración mostrada en la figura 2.

Figura 2. Bond graph del sub-sistema


considerando m1_speed como entrada.

Ahora estamos en condiciones de aplicar el método para la obtención del DBG [7] que
comienza con el reemplazo de la señal m2_speed por una fuente de flujo modulada y la señal
Ks_effort por una fuente de esfuerzo modulada.

Figura 3. Generación del DBG.


CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Luego reasignamos la causalidad de modo que los almacenadores de energía se


encuentren en causalidad derivativa. Figura 3 (Paso I). A posteriori intercalamos un “cero” en
el enlace de la MSf (m2_speed) y un “uno” en el enlace de la MSe (Ks_effort) para poder
generar en ambos casos los residuos como se indica en la figura 3 (Paso II).
De esta manera el residuo uno (Res1) tendrá la forma de un flujo y el residuo dos (Res2)
será un esfuerzo. Del DBG se pueden determinar los valores de ambos residuos únicamente
en función de variables sensadas y parámetros del vehículo.

1 d
Re s1 = ⋅ ( Ks _ effort ) − ( m2 _ speed − m1 _ speed )
Ks dt

d
Re s 2 = m2 ⋅ (m2 _ speed ) − Ftot
dt
Ftot = Ks _ effort + Bs ⋅ ( m2 _ speed − m1 _ speed )

El residuo uno (Res1) puede interpretarse como la diferencia entre la velocidad entre los
extremos del resorte estimada por un lado a partir del esfuerzo y el valor nominal del
parámetro y la misma velocidad obtenida a partir de los sensores m1_speed y m2_speed.
El residuo dos (Res2) es la diferencia entre la fuerza total de la suspensión calculada por
un lado a partir de la aceleración de la inercia y por otro lado calculada con los sensores y el
valor nominal del amortiguador.

4.1.2 – Matriz de fallas


Del análisis de estas ecuaciones podemos crear la denominada matriz de fallas que pone
de manifiesto la posibilidad de aislar y/o detectar fallas en el sistema. Para confeccionarla
debemos colocar en la primer columna cada uno de los elementos que consideramos con
posibilidad de fallar.
Si el parámetro asociado al elemento interviene en el calculo del residuo i-ésimo se
coloca un numero uno “1” y si no interviene se coloca un cero “0”. Aquí la presencia de un
“1” indica que la variable “fijada” por este elemento afecta al calculo de ese residuo. Mas
específicamente, indica que cuando una falla ocurra en ese elemento, el residuo dejará de
valer cero como ocurre durante la operación normal.
Una vez completada toda la zona correspondiente a los residuos se completan las
últimas dos columnas con el siguiente criterio. Si el parámetro interviene en al menos uno de
los residuos se coloca un uno “1” en Mb y si además la combinación de residuos es única se
coloca también un uno en Ib. La matriz para nuestro caso en estudio se muestra en la tabla I.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Componente Res1 Res2 Mb Ib


Ks 1 0 1 1
Bs 0 1 1 1
Tabla I. Matriz de fallas – Cuarto de vehículo

La existencia de un uno en Mb implica la calidad de Monitoreabilidad de esa falla, es


decir que en caso de que ese elemento se encuentre fallando el sistema podrá detectar la
existencia de una falla ya que al menos uno de los residuos dejará su valor nulo. Si además el
parámetro presenta un uno en Ib (del inglés Isolability) implica la posibilidad de aislar la falla,
es decir que analizando cuales son los residuos que dejan de valer cero, podemos saber cual es
el elemento que se encuentra fallando por tratarse esta combinación de residuos la única
correspondiente a esa falla.

4.1.3 - Análisis de sensibilidad


En general, el DBG trabaja como un bloque que recibe las entradas del sistema más las
señales sensadas y genera como salidas los residuos. Estos residuos deben luego procesarse
para detectar y/o aislar las fallas en el sistema haciendo uso de la matriz de fallas. Todos los
algoritmos desarrollados para procesar los residuos presentan algún criterio para decidir
cuando un residuo dejó su valor nulo y este umbral se fija en función del tipo de variables
sensadas, tipo de sensores utilizados, presencia de ruido de medición, etc. En el presente
trabajo no abordaremos la etapa de procesamiento de los residuos y sólo nos limitaremos a
mostrar cualitativamente como los residuos abandonan su valor nulo frente a aquellos que se
mantienen en cero. Sin embargo realizaremos el análisis de sensibilidad que es necesario
cualquiera sea el algoritmo implementado para procesar los residuos. Estos valores nos dan
una idea de la variación que sufrirá el residuo frente a una variación del parámetro y los
valores se dan a continuación.

∂ Re s1 1 d
S 1, Ks = = − 2 ⋅ ( Ks _ effort )
∂Ks Bs _ nom Ks dt
∂ Re s1
S 1, Bs = =0
∂Bs Ks _ nom
∂ Re s 2
S 2, Ks = =0
∂Ks Bs _ nom

∂ Re s 2
S 2, Bs = = − (m2 _ speed − m1 _ speed )
∂Bs Ks _ nom
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

4.1.4 - Modelo completo


El modelo completo se compone del bond graph correspondiente al sistema físico
idealizado más el correspondiente DBG encargado de generar los residuos. El bond graph del
sistema físico idealizado puede concentrarse en un solo bloque que recibe como entrada la
velocidad vertical del perfil de la carretera y sus salidas son las tres variables sensadas. El
modelo completo con esta simplificación se muestra en la figura 4.

Figura 4. Modelo completo incluyendo su DBG.


El esquema general de un sistema de detección de fallas consiste en utilizar las mismas
entradas del sistema para alimentar al DBG junto con las variables sensadas para que el
mismo produzca los correspondientes residuos. Sin embargo en el DBG desarrollado en el
punto 4.4.1 se modificó sustancialmente este procedimiento ya que en lugar de la velocidad
del suelo se ingresó al DBG con la velocidad de la rueda.
El esquema general junto con el nuevo esquema se muestran en la figura 5.

Figura 5. Esquema general junto al resultante para nuestro sistema.


CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Con este cambio, el DBG presenta la ventaja de ser independiente de la dinámica de la


rueda (notar que en la figura 2 no interviene la constante que representa la dinámica vertical
de la rueda) pero como contrapartida es incapaz de detectar fallas en el neumático.
De acuerdo a la teoría de la detección de fallas, deberíamos tener tantas relaciones
redundantes (residuos) como sensores existan en el sistema. Sin embargo en este caso
tenemos tres sensores mientras que los residuos son dos. Esto se debe a que m1_speed no se
utiliza para generar una relación redundante sino que es la entrada al denominado sub-sistema
(el de la figura 5) a partir del cual generamos el DBG. Otra importante ventaja de esta
modificación es que no necesitamos la velocidad vertical del suelo para alimentar el DBG la
cual es muy difícil de obtener en tiempo real con una precisión aceptable.

4.2 - Modelo de medio vehículo


4.2.1 - Generación del Bond Graph para diagnóstico
Haciendo uso del sub-sistema que representa la suspensión, podemos construir el bond
graph del modelo con mayor simplicidad como se muestra en la figura 6.

Figura 6. Modelo de medio vehículo con su representación en bond graph.

Si utilizamos sobre cada suspensión la misma disposición de sensores que colocamos en


el modelo de un cuarto de vehículo tendremos seis señales ingresando al DBG. La parte
correspondiente a la suspensión será análoga a la detallada en el modelo de un cuarto de
vehículo donde ingresan las velocidades de los neumáticos como señales de entrada en lugar
de las dos velocidades verticales de la calzada. Los restantes cuatro sensores generarán los
cuatro residuos ya que son los encargados de producir las relaciones redundantes.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Figura 7. DBG de la suspensión A.

En la figura 7 vemos que al reasignar la causalidad en el DBG de la suspensión, se logró


que el resorte se encuentre en causalidad derivativa y además ambas suspensiones ahora
“fijarán” a la inercia la velocidad de sus extremos en lugar del esfuerzo como lo hacían
anteriormente.
Consecuentemente, la inercia del DBG deberá recibir las velocidades de sus extremos y
ser capaz de calcular los esfuerzos verticales de ambas suspensiones. El DBG del modelo
completo se indica en la figura 8 donde observa en la porción central, la parte correspondiente
a la inercia que realiza ese cálculo y a su vez se mantiene en todo el DBG la causalidad
derivativa en los almacenadores de energía.

Figura 8. DBG del modelo completo.


CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

El cambio en la estructura y valores de los transformadores de la inercia en el DBG se


debe a que si volvemos a colocar en los extremos dos ceros correspondientes a las fuerzas
verticales de las suspensiones y pretendemos propagar la velocidad que ellas imponen ahora
(notar que el DBG de la suspensión ahora “impone” el flujo), esta velocidad no se puede
llevar hacia las inercias. Sin embargo si colocamos dos unos, estas velocidades se pueden
propagar y el valor de los transformadores se demuestran a continuación.
Llamando ZA y ZB a las posiciones de los extremos de la masa suspendida, tenemos:

z cg − z A
z A + a ⋅ tgθ = z cg ⇒ tgθ =
a
z B − b ⋅ tgθ = z cg
 z cg − z A 
z B − b ⋅   = z cg

 a 
b a+b
z B + z A = z cg  
a  a 
finalmente
b a
z cg = z A + zB
a+b a+b
derivando
• • b • a
z cg = z A + zB
a+b a+b
Esto demuestra el valor de los transformadores que llevan las velocidades de los
extremos a la velocidad en el centro de masa (los de la parte superior del DBG del chasis
mostrado en la figura 8)
Para calcular los transformadores que llevan estas velocidades como una velocidad
angular sobre el centro de masa (en la parte inferior) y asumiendo ángulos pequeños, tenemos:

 zB − zA  zB − zA
θ = arctg  ≈
 a+b  a+b
z z
θ= B − A
a+b a+b
derivando
• •
• z z
θ= B − A
a+b a+b
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Del modelo mostrado en la figura 8 podemos extraer las expresiones de los cuatro
residuos que se dan a continuación.

Re s1 = FA − ( KsA _ effort ) − BsA( ZA _ speed − WA _ speed )


(m _ susp ) ⋅ b d Iyy d
FA = 2
⋅ [( ZA _ speed ) ⋅ b + ( ZB _ speed ) ⋅ a] + 2
⋅ [(ZA _ speed ) − ( ZB _ speed )]
( a + b) dt (a + b) dt
1 d
Re s 2 = ⋅ ( KsA _ effort ) − ( ZA _ speed − WA _ speed )
KsA dt

Re s3 = FB − ( KsB _ effort ) − BsB( ZB _ speed − WB _ speed )


(m _ susp ) ⋅ a d Iyy d
FB = 2
⋅ [( ZA _ speed ) ⋅ b + ( ZB _ speed ) ⋅ a] + ⋅ [(ZB _ speed ) − ( ZA _ speed )]
( a + b) dt (a + b) 2 dt
1 d
Re s 4 = ⋅ ( KsB _ effort ) − ( ZB _ speed − WB _ speed )
KsB dt

Los residuos uno y tres (Res1 y Res3) son la diferencia entre la fuerza total de la
suspensión calculada por un lado a partir de la inercia y por otro lado calculada con los
sensores y el valor nominal del amortiguador.
Los residuos dos y cuatro (Res2 y Res4) pueden interpretarse como la diferencia entre la
velocidad diferencial entre los extremos del resorte estimada por un lado a partir del esfuerzo
y el valor nominal del parámetro y la misma velocidad obtenida a partir de los sensores
Z_speed y W_speed.

4.2.2 – Matriz de fallas


Siguiendo los pasos explicitados en el punto 4.2.1 donde se confeccionó la matriz de
fallas del modelo de un cuarto de auto, realizamos la matriz de fallas correspondiente al
conjunto de residuos que arrojó el análisis del DBG del modelo de medio auto. La misma se
expone en la tabla II.

Componente Res1 Res2 Res3 Res4 Mb Ib


BsA 1 0 0 0 1 1
KsA 0 1 0 0 1 1
BsB 0 0 1 0 1 1
KsB 0 0 0 1 1 1
Tabla II. Matriz de fallas del modelo de medio vehículo.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Observando la columna correspondiente a Ib de la matriz de fallas podemos asegurar


que hemos vuelto a cumplir con el objetivo planteado antes de realizar el DBG que consistía
en poder aislar las cuatro fallas correspondientes a las suspensiones.

4.2.3 - Análisis de sensibilidad


Para realizar el análisis de sensibilidad omitimos todas las combinaciones en las que la
matriz de fallas presenta un cero ya que esto significa que ese parámetro nominal (asociado al
componente) no interviene en el cálculo del correspondiente residuo y por consiguiente el
valor de la sensibilidad para todos estos casos es igual a cero. El análisis se reduce al cálculo
de los siguientes cuatro valores.

∂ Re s1
S1,BsA = = −( ZA _ speed − WA _ speed )
∂BsA no min al values
∂ Re s 2 1 d
S 2,KsA = =− 2
⋅ ( KsA _ effort )
∂KsA no min al values KsA dt
∂ Re s3
S3,BsB = = −( ZB _ speed − WB _ speed )
∂BsB no min al values
∂ Re s 4 1 d
S 4,KsB = =− 2
⋅ ( KsB _ effort )
∂KsA no min al values KsB dt

4.2.4 - Modelo completo


El modelo completo se muestra en la figura 9 y está compuesto por el bond graph
correspondiente al sistema físico idealizado y junto al mismo el correspondiente ″Diagnostic
Bond Graph″ (DBG) que recibe como señales las señales de los seis sensores para generar los
cuatro residuos.
Un punto importante para destacar es que en el modelo que representa el sistema real, la
parte correspondiente al chasis recibe las dos fuerzas de las suspensiones y a partir de ellas
impone las dos velocidades verticales. Pero en el DBG el chasis recibe las velocidades e
impone las fuerzas. Esto también ocurrió en el caso de un cuarto de vehículo y es importante
tener en cuenta este fenómeno ya que en el modelo más complejo (el de 14 grados de libertad)
que presentaremos a continuación esto también ocurre.
Nuevamente el modelado dinámico del neumático no es necesario para generar el DBG
porque al tomar como señales de entrada las velocidades de las ruedas se excluyó del análisis
toda la dinámica involucrada desde la calzada hasta el centro de masa de la rueda.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Figura 9. Modelo completo (de medio vehículo) con su correspondiente DBG.

4.3 - Modelo de 14 grados de libertad

Figura 10. Sistema físico idealizado del modelo con 14 grados de libertad
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

El modelo con catorce grados de libertad se presenta en la figura 10. El modelo bond
graph del vehículo se presenta en el punto 3.4. y aquí lo reproducimos en la figura 11 donde
se muestra claramente los bloques que representan el comportamiento:
• Longitudinal
• Lateral
• Vertical
La figura 11 muestra el detalle de la primer suspensión la cual interviene en la dinámica
vertical. Para las otras tres suspensiones el detalle del modelo es análogo.

Figura 11. Bond graph del modelo completo.

El chasis recibe como información los esfuerzos generados en cada uno de estos doce sub-
sistemas y traduce los mismos en las tres fuerzas totales (Fx, Fy, Fz) y los tres torques totales
(Tx, Ty, Tz). El bond graph del chasis representa el comportamiento de un sólido en el
espacio de acuerdo a las ecuaciones de Euler presentadas en el punto 3.4.2.
Como resultado de la aplicación de estos seis esfuerzos, el bond graph devuelve el valor de
los seis flujos del chasis: ωx, ωy, ωz, Vx, Vy, Vz resolviendo de esta manera el sistema no
lineal que representan las ecuaciones de Euler.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

4.3.1 - Generación del Bond Graph para diagnóstico


Para la confección del DBG proponemos la ubicación de los mismos tres sensores que
para los modelos anteriores. Nuevamente utilizamos la velocidad del centro de masa del
neumático como entrada en lugar de la velocidad vertical de la calzada.
Siguiendo el mismo procedimiento que para el caso del modelo de un cuarto de auto,
generamos el DBG correspondiente a la suspensión que se muestra en la figura 13.
Aquí también se indica el DBG del chasis que desarrollaremos en detalle a
continuación. La única consideración que realizaremos al respecto es que en este caso el
chasis recibe como información cuatro flujos (las velocidades verticales de las suspensiones)
y calcula a partir de las mismas la fuerza que existen en cada una de las cuatro suspensiones.
También ingresan a este DBG señales sensadas del chasis. La definición de estas señales se
indican a continuación.

DBG TOTAL

DBG
CHASIS otras
F’1

CHASIS

Otras
suspensiones

Dinámica del
MSf
vehículo

Vel. calzada
Figura 13. Esquema completo del DBG (causalidad derivativa)
junto con el bond graph completo (causalidad integral).

En la figura 13 se muestra la generación de los dos residuos correspondientes a la


suspensión número uno (susp 1). Estos son Res1 que deben interpretarse como la diferencia
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

entre la velocidad diferencial entre los extremos del resorte estimada por un lado a partir del
esfuerzo y el valor nominal del parámetro y la misma velocidad obtenida a partir de los
sensores m1_speed y m2_speed.
El residuo A (ResA) es la diferencia entre la fuerza total de la suspensión calculada por
un lado a partir del DBG del chasis y por otro lado calculada con los sensores y el valor
nominal del amortiguador.
La expresión de estos residuos se indica a continuación junto con los residuos de las
otras tres suspensiones que se obtienen de forma análoga.

1 d
Re s1 = ⋅ ( Ks1 _ effort ) − ( Z1 _ speed − mu1 _ speed )
Ks1 dt
1 d
Re s 2 = ⋅ ( Ks 2 _ effort ) − ( Z 2 _ speed − mu 2 _ speed )
Ks 2 dt
1 d
Re s3 = ⋅ ( Ks3 _ effort ) − ( Z 3 _ speed − mu3 _ speed )
Ks3 dt
1 d
Re s 4 = ⋅ ( Ks 4 _ effort ) − ( Z 4 _ speed − mu 4 _ speed )
Ks 4 dt

Re sA = F ' 1 − ( Ks1 _ effort ) − Bs1( Z1 _ speed − mu1 _ speed )


Re sB = F ' 2 − ( Ks 2 _ effort ) − Bs 2( Z 2 _ speed − mu 2 _ speed )
Re sC = F ' 3 − ( Ks3 _ effort ) − Bs3( Z 3 _ speed − mu3 _ speed )
Re sD = F ' 4 − ( Ks 4 _ effort ) − Bs 4( Z 4 _ speed − mu 4 _ speed )

En los residuos A, B, C y D figura la fuerza F’= [F’1 F’2 F’3 F’4]T que es la fuerza
vertical sobre cada suspensión estimada por el DBG del chasis. A continuación mostramos en
detalle el calculo de esta fuerza. El procedimiento del cálculo puede dividirse en dos etapas.
La primera consiste en calcular los seis esfuerzos realizados sobre el chasis (Fx, Fy, Fz,
Tx, Ty, Tz) a partir del sensado de los seis flujos† (ωx, ωy, ωz, Vx, Vy, Vz).
El DBG que lleva a cabo este calculo se muestra en la figura 14 donde se pone de
manifiesto la causalidad derivativa en las inercias. También se encuentra la fuerza
aerodinámica que se calcula a partir de una función no lineal de la velocidad Vx.

† Estamos indicando por un lado la inclusión de cuatro sensores para determinar las velocidades en los cuatro
extremos del vehículo y por otro lado tres nuevos sensores para determinar: ωx, ωy, Vz.
En una aplicación real podremos prescindir de los cuatro sensores encargados de medir las velocidades sobre los
extremos ya que estas se pueden determinar a partir del conocimiento de: ωx, ωy, Vz junto con las dimensiones
geométricas del chasis.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Figura 14. DBG del chasis que calcula los seis esfuerzos sobre el mismo.

El criterio para confeccionar este DBG es el minuciosamente explicado en [7] y [8]. Se


comienza tomando como fuentes de flujos los seis sensados y a partir de ellos propagar la
causalidad. Vemos que en ambos “triángulos” ingresando por cualquiera de sus vértices con
un flujo, el mismo se propaga dejando a la correspondiente inercia en causalidad derivativa
pero sobre los “unos” de los otros vértices termina imponiendo un esfuerzo debido al girador
modulado (MGY). Esto permite el ingreso de los seis flujos sin generar incoherencias y
dejando las seis inercias en causalidad derivativa. Cada uno de estos “triángulos” corresponde
a un trío de las ecuaciones de Euler (tres de fuerzas y tres de torques).
La segunda etapa consiste en calcular cada uno de los esfuerzos en las suspensiones. El
método propuesto consiste en pensar el chasis con sólo tres grados de libertad (que son los
asociados a las velocidades: ωx, ωy, Vz) que son aquellos sobre los que tienen influencia las
fuerzas de las suspensiones.
A partir del sistema de ecuaciones (1) que indica los torques que produce cada fuerza
sobre el chasis y el sistema de ecuaciones no lineales que representan el movimiento de un
rígido en el espacio (ecuaciones de Euler) podemos generar un nuevo sistema de ecuaciones:
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN


Tx = Ixx ω x + ω y Izz ω z − ω z Iyy ω y = ( Fy ).h + ( Fz1 + Fz 3 ).( − c ) + ( Fz 2 + Fz 4 ).d

Ty = Iyy ω y + ω z Ixx ω x − ω x Izz ω z = − ( Fx ).( h − R ) +
(2)
+ ( Fz1 + Fz 2 ).( − a ) + ( Fz 3 + Fz 4 ).b − TM

Fz = m v z + mω x v y − mω y v x = Fz1 + Fz 2 + Fz 3 + Fz 4 + Peso
weight
Z z

Donde Pesoz representa la componente del peso proyectada sobre el eje z del chasis.
Esta consideración debe realizarse ya que el peso se encuentra siempre alineado con el eje Z
del sistema de coordenadas global que no coincide con el eje z local cuando el vehículo se
encuentra rolado (roll distinto de cero) o cabeceado (pitch distinto de cero). Por lo tanto Pesoz
será una variable que se estará actualizando continuamente con los valores de los flujos
sensados en el sistema real. Esta actualización se hace de acuerdo a lo explicado en el punto
3.4.3.
Si esta consideración no se realizase, el DBG no reproduce correctamente la dinámica
del vehículo. Como consecuencia de este hecho, los residuales dejan de valer cero pese a que
el sistema no se encuentra bajo fallas.
Ahora debemos cancelar los efectos dinámicos producidos por todos los otros esfuerzos
que no pertenecen a las suspensiones. Para ello se genera a partir del primer término de (2) la
fuente de momento T’x
T’x =Tx -(Fy).h
Del segundo término de (2) surge la fuente de momento T’y
T’y =Ty+ Fx.(h-R) + TM
Mientras que del tercer término de (2) surge la fuente de fuerza F’z
F’z=Fz-Pesoz
Reemplazando estas tres fuentes de esfuerzos en (2) la evolución del mismo sólo dependerá
de las fuerzas en la suspensión ya que el nuevo sistema de ecuaciones resulta:

T’x=(Fz1 + Fz3).(-c) + (Fz2 + Fz4).d


T’y=(Fz1 + Fz2).(-a) + ( Fz3 + Fz4).b
F’z=Fz1 + Fz3 + Fz2 + Fz4

Para pequeños desplazamientos, estos tres esfuerzos se propagarán hacia los cuatro extremos
de acuerdo al modelo lineal de la figura 15 donde las constantes de los transformadores
dependen de las dimensiones del chasis y la ubicación de su centro de masa.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Figura 15. DBG del modelo lineal con tres grados de libertad

Este sub-modelo calcula cuatro fuerzas a partir del sistema (2) que posee tres ecuaciones
linealmente independientes. Esto significa que la combinación de fuerzas F’ = [F’1 F’2 F’3
F’4]T que el DBG calcula como aplicadas en los extremos no es la que realmente están
aplicadas sobre los extremos. La pregunta es: ¿Cuál es esa relación?
Para responder a esa pregunta supongamos que existe un cuarteto de fuerzas F = [F1 F2
F3 F4]T realmente aplicados sobre el chasis. Las mismas producirán una única combinación
de aceleraciones en los cuatro extremos. Si además de F aplicamos sobre los extremos la
combinación de fuerzas K=[K –K K -K]T como se muestra en la figura 16.

Figura 16. Fuerzas aplicadas sobre el chasis F + K


CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Estas nuevas fuerzas aplicadas no producen ninguna aceleración adicional ya que:

ΣMx = ΣMy = ΣFz = 0

Aplicando el principio de superposición podemos inferir que el conocimiento de las


aceleraciones de los cuatro extremos no es suficiente para determinar biunívocamente las
cuatro fuerzas aplicadas sino que la combinación de fuerzas que devuelve el DBG de la figura
11 será:

F’= [F1+K F2-K F3+K F4-K]T ; donde K es un valor desconocido.

Retomando la expresión del residuo A (ResA) de la primer suspensión tenemos

ResA = F’1 - (Ks1_effort) - Bs1.(Z1_speed – mu1_speed)=


= F1+K - (Ks1_effort) - Bs1.(Z1_speed – mu1_speed)

Bajo condiciones normales de operación, la fuerza total de la suspensión calculada a


partir de los sensores y Bs1 coincide con la que realmente está aplicada, es decir

F1 = (Ks1_effort) + Bs1.(Z1_speed – mu1_speed)

Por lo tanto el residuo A (ResA) presentará un valor distinto de cero incluso cuando no existe
falla en el amortiguador de la suspensión uno Bs1. La expresión de ResA (y análogamente
ResB, ResC y ResD) cuando el sistema no presenta fallas en ninguno de los cuatro
amortiguadores será
ResA = K
ResB = -K
ResC = K
ResD = -K
Este aparente inconveniente se puede salvar si proponemos la siguiente combinación para
generar tres nuevos residuos a partir de estos cuatro:

Re s5 = Re sA + Re sB = F1 − ( Ks1 _ effort) − Bs1(Z1 _ speed − mu1 _ speed) +


+ F 2 − ( Ks2 _ effort) − Bs2( Z 2 _ speed − mu2 _ speed)
Re s6 = Re sA + Re sC = F1 − ( Ks1 _ effort) − Bs1(Z1 _ speed − mu1 _ speed) +
+ F 3 − ( Ks3 _ effort) − Bs3(Z 3 _ speed − mu3 _ speed)
Re s7 = − Re sA + Re sD = −F1 + (Ks1 _ effort) + Bs1(Z1 _ speed − mu1 _ speed) +
F 4 − (Ks4 _ effort) − Bs4(Z 4 _ speed − mu4 _ speed)
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Ahora tenemos tres residuos que se mantienen en un valor nulo mientras el sistema se
encuentra libre de fallas.

4.3.2 - Matriz de fallas


Analizando las expresiones de los siete residuos planteados en el punto anterior
podemos confeccionar la matriz de fallas presentada a continuación en la tabla III.

Componente Res1 Res2 Res3 Res4 Res5 Res6 Res7 Mb Ib


Ks1 1 0 0 0 0 0 0 1 1
Bs1 0 0 0 0 1 1 1 1 1
Ks2 0 1 0 0 0 0 0 1 1
Bs2 0 0 0 0 1 0 0 1 1
Ks3 0 0 1 0 0 0 0 1 1
Bs3 0 0 0 0 0 1 0 1 1
Ks4 0 0 0 1 0 0 0 1 1
Bs4 0 0 0 0 0 0 1 1 1
Tabla III. Matriz de fallas – Modelo con catorce grados de libertad.

Las ocho posibles fallas concernientes a las cuatro suspensiones pueden ser detectadas y
aisladas, cumpliendo de esta manera con el objetivo previamente planteado.

4.3.3 - Análisis de sensibilidad


Para realizar el análisis de sensibilidad nuevamente omitimos todas las combinaciones
en las que la matriz de fallas presenta un cero ya que esto producirá que el valor de la
sensibilidad para todos estos casos es igual a cero.
Analizando las expresiones de todos los residuos vemos que mientras la suspensión se
mantiene en estado estacionario (i.e. todas las velocidades y variaciones de fuerzas iguales a
cero) el sistema de detección de fallas se encuentra imposibilitado de acusar cualquier tipo de
falla.
Este es un resultado esperado si consideramos que todo el análisis se realiza a partir del
modelado dinámico del vehículo.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

∂ Re s1 1 d
S1, Ks1 = =− 2
⋅ ( Ks1 _ effort )
∂Ks1 Ks1 dt
∂ Re s 2 1 d
S 2, Ks 2 = =− 2
⋅ ( Ks 2 _ effort )
∂Ks 2 Ks 2 dt
∂ Re s3 1 d
S 3, Ks 3 = =− 2
⋅ ( Ks 3 _ effort )
∂Ks 3 Ks 3 dt
∂ Re s 4 1 d
S 4, Ks 4 = =− 2
⋅ ( Ks 4 _ effort )
∂Ks 4 Ks 4 dt
∂ Re s5
S 5, Bs1 = = −( Z1 _ speed − mu1 _ speed )
∂Bs1
∂ Re s5
S 5, Bs 2 = = −( Z 2 _ speed − mu 2 _ speed )
∂Bs 2
∂ Re s6
S 6, Bs1 = = −( Z1 _ speed − mu1 _ speed )
∂Bs1
∂ Re s6
S 6, Bs 3 = = −( Z 3 _ speed − mu3 _ speed )
∂Bs3
∂ Re s7
S 7, Bs1 = = ( Z1 _ speed − mu1 _ speed )
∂Bs1
∂ Re s 7
S 7, Bs 4 = = −( Z 4 _ speed − mu 4 _ speed )
∂Bs 4

4.3.4 - Modelo completo


El modelo completo consiste en el modelo en bond graph que representa el vehículo con
sus respectivas nueve entradas que detallamos a continuación:
I. Perfil de calzada 1
II. Perfil de calzada 2
III. Perfil de calzada 3
IV. Perfil de calzada 4
V. Torque motriz sobre rueda 1
VI. Torque motriz sobre rueda 2
VII. Torque motriz sobre rueda 3
VIII. Torque motriz sobre rueda 4
IX. Ángulo de ruedas directrices (delta o steering)
Estas señales ingresando al modelo del vehículo se observan en la figura 17 donde
también se indica el DBG que recibe información del vehículo para generar los siete residuos.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

Figura 17. Modelo completo del sistema vehículo con su DBG acpolado.

Como nuevamente tomamos las velocidades de las ruedas en lugar de la velocidad de la


calzada, el sub-sistema a partir de cual generamos el DBG es el mostrado en la figura 18.

Figura 18. Modelo para generar el DBG.

De acuerdo a la teoría tendríamos que sensar todas las entradas. Estas son cuatro por

cada suspensión (Fxi,, Fyi,, TMi, y Z i ) pero estos dieciséis (16) sensores se pueden reducir
considerablemente.
TM1, TM2, TM3 y TM4, pueden ser reemplazados por un único sensor previo a la
distribución del torque motriz sobre cada rueda porque para la dinámica de este subsistema
importa el torque total TM.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

No necesitamos las cuatro fuerzas Fxi y las cuatro Fyi sino que la suma de las cuatro Fx y Fy.
Estas se determinan con el DBG del chasis (figura 14) que calcula los seis esfuerzos sobre el
mismo a partir del sensado de los seis flujos (ωx, ωy, ωz, Vx, Vy, Vz).
Además se utiliza un sensor por cada entrada correspondiente a la velocidad de las
rueda.
Existen también cuatro sensores para los esfuerzos de los cuatro resortes y deberíamos
incorporar cuatro para las cuatro velocidades de los corners. Pero como estas cuatro
velocidades se pueden obtener a partir de ωx, ωy, Vz junto con las dimensiones geométricas
del chasis es que los sensores utilizados para generar los residuos son siete como se expuso en
la matriz de fallas. Estos son los siguientes:
Ks1_effort, Ks2_effort, Ks3_effort, Ks4_effort, ωx, ωy, Vz.
A estos se deberían agregar los once sensores antes descriptos para calcular las entradas
pero como ωx, ωy, Vz se encuentran además para los residuos es que debemos agregar ocho
nuevos sensores:
ωz, Vx, Vy, TM, Z1_speed, Z2_speed, Z3_speed y Z4_speed.
Resumiendo: necesitamos incorporar al sistema 15 sensores donde siete se utilizan
para generar residuos y otros ocho (junto con tres de los siete anteriores) se utilizan para
calcular las 16 entradas al subsistema mostrado en la figura 18.

4.4 - Cantidad de sensores ideales versus cantidad de sensores colocados


Un buen parámetro para juzgar la calidad del sistema de detección y aislamiento de
fallas es la optimización de sensores a instalar en la planta real.
Para poder analizar esto debemos conocer en primer lugar cual es la cantidad mínima de
sensores que la teoría nos impone y luego contrastarla contra la cantidad de señales que el
sistema diseñado por nosotros necesita de la planta para operar.
Cantidad ideal (mínima)
Nuestra premisa de partida es detectar y también aislar todas las posibles fallas del
sistema. Si llamamos P a la cantidad de posibles fallas, necesitaremos que los residuales sea
capaz de generar esa cantidad de combinaciones únicas. Sabiendo que el residual tiene sólo
dos valores y que la combinación de todos ceros no se utiliza para aislar ninguna fallas sino
para asegurar que no existen fallas. La cantidad de sensores mínimos a instalar es N, donde N
está dado por la siguiente expresión:
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

min: N/ 2N-1 ≥ P
A esta cantidad se le debe añadir un sensor por cada entrada al sistema ya que esta
información la necesita el DBG para reproducir el comportamiento de vehículo.
⇒ mínima cantidad de sensores = N + cantidad de entradas

Análisis para el modelo de un cuarto de vehículo


Aquí las posibles fallas son dos:
 Ks, Bs.
Entonces la cantidad mínima de sensores para aislar estas dos fallas es N=2. Además el
sistema posee una entrada:
 Velocidad de la calzada.

⇒ mínima cantidad de sensores = N + cantidad de entradas = 3

Nuestro sistema de detección de fallas utilizó lo siguientes tres sensores que


corresponde a la mínima cantidad posible:
 m1_speed, m2_speed, Ks_effort.

Análisis para el modelo de medio vehículo


Las posibles fallas son cuatro.
 KsA, BsA, KsB, BsB.
Entonces la cantidad mínima de sensores para aislar estas cuatro fallas es N=3. Además
el sistema posee dos entradas.
 Velocidad de la calzada A, Velocidad de la calzada B.

⇒ mínima cantidad de sensores = N + cantidad de entradas = 5

Nuestro sistema de detección de fallas utilizó lo siguientes seis sensores para aislar estas
cuatro fallas. Uno más que la mínima cantidad teórica.
 ZA_speed, WA_speed, KsA_effort, ZB_speed, WB_speed, KsB_effort.

Análisis para el modelo de 14 grados de libertad


Las posibles fallas son ocho.
 Ks1, Bs1, Ks2, Bs2, Ks3, Bs3, Ks4, Bs4.
Entonces la cantidad mínima de sensores para aislar estas ocho fallas es N=4. Además el
sistema posee nueve entradas.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN

I. Perfil de calzada 1
II. Perfil de calzada 2
III. Perfil de calzada 3
IV. Perfil de calzada 4
V. Torque motriz sobre rueda 1
VI. Torque motriz sobre rueda 2
VII. Torque motriz sobre rueda 3
VIII. Torque motriz sobre rueda 4
IX. Ángulo de ruedas directrices (delta o steering)

⇒ mínima cantidad de sensores = N + cantidad de entradas = 13

Nuestro sistema de detección de fallas utilizó para aislar estas cuatro fallas 15 sensores.
 Ks1_effort, Ks2_effort, Ks3_effort, Ks4_effort, ωx, ωy, ωz, Vx, Vy, Vz, TM,
Z1_speed, Z2_speed, Z3_speed y Z4_speed.
Es decir dos sensores más que la mínima cantidad teórica.

Notamos que a medida que el sistema crece en complejidad, la optimización de la


cantidad de sensores para aislar todas las fallas propuestas se hace más difícil. Pese a
esto, la cantidad de sensores que se necesitan en los diseños propuestos en el presente
estudio es bastante aceptable.
CAPÍTULO 5

ANÁLISIS Y SIMULACIONES
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

5.1 - Simulaciones sobre el modelo de un cuarto de vehículo con el sistema de detección


de fallas incluido
A continuación vemos los resultados obtenidos de la simulación del comportamiento del
modelo de un cuarto de vehículo junto al sistema de detección de fallas presentado en el punto
4.1.4. En la figura 1 se observa la posición de la masa suspendida m2 y la evolución de los
valores residuales en operación normal y cuando ocurre un cambio en los parámetros de los
componentes de la suspensión (fallas). También se grafica el perfil del suelo que es la entrada
del sistema.

Parámetros:
m2 = 300 kg
m1 = 50 kg
Ks = 35090 N/m
Bs = 1000 Ns/m
Kt =190000 N/m

Modelo de ¼ de vehículo
Entradas:
Perfil del suelo = 0,1 sen(25.t)

Fallas:
Disminución de Ks entre los 3,5 y 7,5 segundos en un 5 por ciento
Aumento de Bs entre los 10 y 14,5 segundos en un 10 por ciento

Componente Res1 Res2 Mb Ib

Ks 1 0 1 1
Bs 0 1 1 1
Figura 1. Posiciones de m2 y el perfil del suelo junto con los residuos.

OPERACIÓN DISMINUCIÓN NORMAL AUMENTO DE NORMAL


NORMAL DE Ks EN 5% DE Bs EN 10%
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Análisis
Podemos observar que la simulación del BG junto con su DBG produce los residuos
esperados (que se muestran en la matriz de fallas) cuando se simulan ambas fallas y se
mantienen en su valor nulo cuando se encuentra en operación normal. De hecho, la
realización de un zoom sobre ambos residuales bajo operación normal dio como resultado
valores imperceptibles. Esto es lógico ya que el DBG reproduce en forma exacta el
comportamiento del sistema y las “mediciones” se encuentran absolutamente libres de ruido
porque no se realizan realmente sino que se simulan.
Rescribimos las ecuaciones de las sensibilidades:
∂ Re s1 1 d
S 1, Ks = = − 2 ⋅ ( Ks _ effort )
∂Ks Bs _ nom Ks dt
∂ Re s1
S 1, Bs = =0
∂Bs Ks _ nom
∂ Re s 2
S 2, Ks = =0
∂Ks Bs _ nom

∂ Re s 2
S 2, Bs = = − (m2 _ speed − m1 _ speed )
∂Bs Ks _ nom

De la primer ecuación tenemos:


1 d ( x2 − x1 )
≈ 0,05 x 2 − x 0  ; la segunda aproximación vale ya
• •
∆ Re s1 ≈ 0,05. Ks ⋅ 2 ⋅ Ks
Ks dt  
que al ser la constante del neumático mucho mayor que la del amortiguador, en la conexión
(serie mecánico) casi toda la compresión se produce sobre el amortiguador y las variaciones
del suelo casi se reproducen en el centro de masa de la rueda.
Sabiendo que el perfil del suelo=X0 = 0,1 sen(25.t)
y viendo en la figura 1 que m2_position= X2 ≈-0,025 sen(25.t); ponemos negativo
porque se encuentra en contrafase con X0
nos queda:

∆ Re s1 ≈ 0,05 x 2 − x 0  ≈ 0,05 ⋅ [01


• •
. − ( − 0.025)] ⋅ 25 ⋅ sen(25t ) = 0,156 ⋅ sen(25t )
 
Resultado que se condice perfectamente con la evolución de Res1 durante la falla en Ks.

Para el segundo residuo tenemos:


 dx dx 
∆ Re s2 ≈ 0,1⋅ Bs 2 − 1  ≈ 0,1⋅ Bs x 2 − x 0 
• •

 dt dt 
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

haciendo las mismas aproximaciones y los mismos reemplazos que para el primer
residuo, nos queda:
∆ Re s1 ≈ 0,1⋅ 1000 ⋅ [01
. − ( − 0.025)] ⋅ 25 ⋅ sen(25t ) = 312,5 ⋅ sen(25t )
cuyo valor también es coherente con el resultado que arrojó la simulación que se muestra en
la figura 1.
Nota: la corroboración del análisis de sensibilidad, se realizó en forma exacta exportando los
datos de la simulaciones a un archivo compatible con Mat-Lab y se calculó su valor exacto,
coincidiendo en todos los casos (¼ de auto, ½ auto y 14 grados de libertad) los valores
calculados a partir de las ecuaciones con los arrojados por las simulaciones.

5.2 - Simulaciones sobre el modelo de medio vehículo con el sistema de detección de


fallas incluido
En la figura 2 se observa el resultado de la simulación del modelo de medio vehículo y el
sistema de detección de fallas. En la figura están graficadas la posición de la masa m (Z-
position) y el cabeceo (pitch), además del comportamiento de los cuatro residuales generados
para detectar y aislar fallas en la suspensión.

Parámetros:

m = 750 kg
m1A , m1B = 50 kg
Iyy = 1300 kg.m²
KsA , KsB = 35090 N/m
BsA , BsB = 1000 Ns/m
KtA ,, KtB =190000 N/m
a = 1.4 m
b = 1.7 m

Entradas:

Perfil del suelo A = 0,1 sen(20.t)


Perfil del suelo B = 0,1 sen(30.t)

Fallas:

Aumento de KsA entre los 4 y 7,5 segundos en un 5 por ciento


Disminución de BsB entre los 11,5 y 14 segundos en un 5 por ciento
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Componente Res1 Res2 Res3 Res4 Mb Ib


BsA 1 0 0 0 1 1
KsA 0 1 0 0 1 1
BsB 0 0 1 0 1 1
KsB 0 0 0 1 1 1

Figura 2. Posición de la masa m (Z-position) y el cabeceo (pitch), junto con la evolución de los cuatro residuales.

operación normal aumento del operación normal disminución operación normal


5% en KsA 5% en BsB

Análisis
Podemos observar que la simulación del BG junto con su DBG produce los residuos
esperados (que se muestran en la matriz de fallas) cuando se simulan dos de las posibles fallas
y se mantienen en su valor nulo cuando se encuentra en operación normal.
Pero la realización de un zoom sobre los residuales bajo operación normal dio como
resultados valores imperceptibles en Res2 y Res4 mientras que en Res1 y Res3 salieron de su
valor nulo. Esto en primera instancia resulta ilógico ya que el DBG parecería reproducir en
forma exacta el comportamiento del sistema y las “mediciones” se encuentran absolutamente
libres de ruido ya que no se realizan realmente sino que se simulan. Ocurre sin embargo que
el cambio de causalidad en la inercia produjo que los valores de los transformadores pasen a
depender del factor 1/(a+b)≈0,32258 y al momento de la simulación se lo aproximó por sus
dos primeros decimales ya que 20-sim no permite la inclusión de parámetros en forma de
ecuación. Esto representa una variación en los parámetros de la inercia del orden del 0,8%.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

A continuación se muestra el modelo completo donde se ve la dependencia de 1/(a+b)


en los TF’s del DBG y se reproducen las ec. de los cuatro residuos donde se pone de
manifiesto que la dependencia tanto de Res 1 como de Res3 de los parámetros de la inercia.

Modelo completo (de medio vehículo) con su correspondiente DBG

Re s1 = F A − ( KsA _ effort ) − BsA( ZA _ speed − WA _ speed )


(m _ susp) ⋅ b d Iyy d
FA = 2
⋅ [(ZA _ speed ) ⋅ b + ( ZB _ speed ) ⋅ a ] + 2
⋅ [(ZA _ speed ) − ( ZB _ speed )]
( a + b) dt (a + b) dt
1 d
Re s 2 = ⋅ ( KsA _ effort ) − ( ZA _ speed − WA _ speed )
KsA dt

Re s3 = FB − ( KsB _ effort ) − BsB ( ZB _ speed − WB _ speed )


(m _ susp) ⋅ a d Iyy d
FB = ⋅ [(ZA _ speed ) ⋅ b + ( ZB _ speed ) ⋅ a] + ⋅ [(ZB _ speed ) − ( ZA _ speed )]
(a + b) 2 dt (a + b) 2 dt
1 d
Re s 4 = ⋅ ( KsB _ effort ) − ( ZB _ speed − WB _ speed )
KsB dt

Expresiones de los cuatro residuales donde se demuestra que Res1 y Res3 dependen de los parámetros de la
masa suspendida mientras que Res2 y Res4 es independiente de esos parámetros.

5.3 - Simulaciones sobre el modelo de 14 grados de libertad


Se realizaron simulaciones a partir de distintos valores en los parámetros y entradas,
tanto para el modelo de automóvil completo como para el sistema de detección de fallas en la
suspensión. El software utilizado fue 20-Sim en su versión 3.5.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

A continuación presentamos los valores de los parámetros del vehículo los cuales se
extrajeron de [10] para asegurar que se ajusten a la realidad.

Parámetros:

Masa suspendida = 650 Kg


Masas no suspendidas =10 kg
Momento de inercia Ixx = 637 Kg.m2
Momento de inercia Iyy = 2443 Kg.m2
Momento de inercia Izz = 2400 Kg.m2
Momento de inercia rueda Ir =5 Kg.m2
Rigidez de la suspensión Ks =14925 N/m
Coeficiente de amortiguamiento de la suspensión Bs =475 Ns/m
Rigidez del neumático Kt =150000 N/m
Distancia c.g. a suspensión delantera a =0,9 m
Distancia c.g. a suspensión trasera b =1,5 m
Distancia c.g. a suspensión derecha c = 0,7 m
Distancia c.g. a suspensión izquierda d = 0,7m
Distancia c.g. al suelo h = 0,6 m
Radio rueda = 0,266 m
Coeficiente aerodinámico = 0,33
Área frontal = 1.86 m2
Densidad del aire = 1,225 kg/m3

Coeficientes del neumático (Modelo de Pacejka):

En dirección longitudinal En dirección lateral

a1= -21.3 a1= -22.1


a2= 1144.0 a2= 1011.0
a3= 49.6 a3= 1078.0
a4= 226.0 a4= 1.82
a5= 0.069 a5= 0.208
a6= -0.006 a6= 0.0
a7= 0.056 a7= -0.354
a8= 0.486 a8= 0.707

5.3.1 - Modelo del vehículo


Para simular el comportamiento del modelo del vehículo asumimos que el mismo posee
tracción delantera (i.e. torque ruedas traseras = 0 N.m) y colocamos un torque constante sobre
las delanteras.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Todas las condiciones iniciales son nulas, por lo que el vehículo arranca detenido.
Luego de transcurridos tres segundos, el vehículo alcanzó los 4 m/s ≈ 15 Km/h y allí se dobla
el vehículo para comenzar a excitar la dinámica lateral. Luego de extinguirse el fenómeno de
rolado a valores relativamente pequeños (roll ≈ 0) se lo dobla en sentido contrario pero ahora
a una velocidad de 17 m/s ≈ 60Km/h exigiendo en este punto aún más las suspensiones.
En la figura 4 vemos la evolución dinámica que se obtiene de la simulación a partir del
modelo de vehículo de 14 grados de libertad y con las entradas antes mencionadas. Se puede
observar la posición en z del centro de gravedad, la velocidad en x y en y (ejes locales) del
centro de gravedad, y el ángulo de las ruedas directrices delanteras.
La posición en z (en figura 4) comienza con un transitorio que evoluciona a un valor
negativo porque los desplazamientos iniciales de los resortes es nulo y luego la acción del
peso los comprime. En este modelo no vale la exclusión del peso ya que el mismo no se
modela como una fuente de esfuerzo constante para el sistema local. Al peso se lo actualiza
constantemente para referirlo al sistema local.
También en la figura 4 vemos que la velocidad Vx (del eje local) aumenta casi
linealmente, esto es porque no se ha alcanzado una velocidad considerable como para que la
fuerza aerodinámica produzca algún efecto importante. Si el vehículo se deja evolucionar con
torque constante durante mucho tiempo, la velocidad Vx se termina estabilizando en un valor
fijo. Ademas se puede apreciar durante la segunda curva que Vx deja de crecer pero al
terminar de doblar continúa esa tendencia de crecimiento. Esto se debe a que a esa mayor
velocidad el doblado de las ruedas produce un ωz alto y viendo la primera de las seis
ecuaciones de Euler

Fx=m.Vx+m.ωy.Vz-m.ωz.Vy
obsevamos que el tercer término (m.ωz.Vy) es el que produce esta atenuación sobre Vx ya
que el doblado de las ruedas saca del valor nulo a Vy cuya evolución también se muestra en la
figura 4.
La figura 4 muestra al final la forma del ángulo de las ruedas directrices (δ o en inglés
steering) que presenta una forma suave tal como se realiza en la realidad.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Figura 4. Posición z de la masa suspendida (chasis), Vx (en eje local), Vx (en eje local) y δ (steering)

En la figura 5 está el cabeceo (pitch), el rollido (roll) y el ángulo de guiñada (yaw).


Observamos aquí que el pitch presenta un transitorio debido a las condiciones iniciales
nulas de los desplazamientos de los resortes y luego se estabiliza pero mantiene las
oscilaciones que produce el suelo. El valor estable negativo, se debe a que el centro de
gravedad se encuentra mas cerca de la suspensión delantera que de la suspensión trasera.
La evolución del roll muestra como el vehículo se inclina durante el doblado y esta
inclinación es menor en la primera curva ya que se realiza a una menor velocidad (menor Vx).
Al final está el yaw que muestra que el auto dobla a la izquierda y luego se endereza.

Figura 5. Evolución de los tres ángulos del chasis.


CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Las entradas fueron:

Torque sobre ruedas


ruedas delanteras = 95 N.m
ruedas traseras = 0 N.m

Perfil de la calzada
Velocidad vertical rueda 1= sin(20.t) m/s
Velocidad vertical rueda 2=0.25 sin(30.t) m/s
Velocidad vertical rueda 3= 0.3 sin(25.t) m/s
Velocidad vertical rueda 4= 0 m/s

Ángulo de ruedas directrices


Curva suave que se observa en figura 4, en donde la amplitud máxima positiva de 0.2 rad, y
amplitud máxima negativa -0.13 rad.

En la figura siguiente se observa la trayectoria seguida por el centro de gravedad del


automóvil en el sistema global de coordenadas. Las entradas fueron las mismas que las usadas
para obtener la figura 4.

Figura 6. Trayectoria descripta por el vehículo.

En la figura 7 se observa como cambia el comportamiento si no se considera la


actualización de los ángulos que orientan el vector peso respecto al chasis del automóvil
debido a las rotaciones de este con respecto al sistema de coordenadas global. El vehículo
describe una trayectoria más larga pese a tener aplicado el mismo torque sobre las ruedas.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Esto se debe a que a estar siempre alineado el peso con el eje z local el vehículo nunca pierde
adherencia y se produce una fuerza hacia delante mayor de acuerdo al modelo de Bakker,
Nyborg y Pacejka [10].

Figura 7.

En la figura 8 se puede apreciar el del ángulo de guiado de las ruedas directrices


(steering) y los deslizamientos producidos en las ruedas delanteras 1 y 2 (ver figura 7 del
punto 3.4). En este caso para comparar mejor los deslizamientos el perfil de calzada entrado
es liso, las demás entradas son iguales.
Se observa la diferencia de deslizamientos que se produce al doblar debido a que una
rueda resulta más cargada que otra, es decir la rueda externa resulta más cargada que la
interna cuando se toma una curva. Si analizamos puntualmente la segunda curva que se
realiza hacia la derecha, la rueda delantera derecha (rueda 1) es la interna y por ende la menos
cargada. Al tener una normal menor, posee menos adherencia y se produce un deslizamiento
mayor. Un análisis análogo se hace para la rueda delantera izquierda (rueda 2) donde la carga
es mayor y disminuye el deslizamiento.
Este fenómeno se ve mayormente cuando el automóvil circula a más velocidad ya que la
diferencia de carga entre rueda externa e interna es mayor.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Figura 8. Steering, deslizamiento rueda 1 y deslizamiento rueda 2.

5.3.2 - Modelo de vehículo junto al sistema de detección de fallas


Las simulaciones realizadas para detectar y aislar fallas en la suspensión fueron
realizadas corriendo en forma paralela el modelo del automóvil y el modelo del sistema de
detección de fallas. Las fallas fueron provocadas cambiando los valores de los parámetros de
la suspensión del modelo del automóvil.
Las entradas fueron las siguientes:
Torque sobre ruedas

ruedas delanteras = 95 N.m


ruedas traseras = 0 N.m

Perfil de la calzada

Velocidad vertical rueda 1= sin(20.t) m/s


Velocidad vertical rueda 2=0.25 sin(30.t) m/s
Velocidad vertical rueda 3= 0.16 sin(25.t) m/s
Velocidad vertical rueda 4= 0 m/s

Ángulo de ruedas directrices

Curva suave que se observa en la figura 4, en donde la amplitud máxima positiva de 0.2 rad, y
amplitud máxima negativa -0.13 rad.

En la figura 9 vemos el comportamiento de los residuales cuando no hay falla, y cuando


aparece una falla. Si se produce una falla en el resorte de la suspensión de la rueda 1 (5%
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

reducción en Ks1) a partir de los 5 segundos hasta los 11,5 segundos vemos la aparición del
residual 1. Lo mismo ocurre si se provoca la falla en el resorte de la rueda 3 (5% aumento en
Ks3), vemos como aparece el residual desde los 15 segundos hasta los 22 segundos, en donde
vemos la aparición del residual 3.
Estos resultados concuerdan con la matriz de falla presentada en el punto 4.3.2.

Figura 9.

A continuación, vemos lo que ocurre si introducimos fallas en los amortiguadores de la


suspensión. En la figura 10 vemos lo que ocurre si se provoca una falla en el amortiguador de
la rueda 2 (15% de incremento en Bs2) desde los 5 segundos hasta los 10 segundos, donde
vemos la aparición del residual 5. Posteriormente se introduce una falla en el amortiguador de
la rueda 1 (5% de reducción en Bs1) desde los 15 segundos hasta los 21 segundos, y se
observa la aparición de los residuales 5, 6 y 7. Estos resultados también concuerdan con la
matriz de falla presentada en el punto 4.3.2.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Figura 10.

Si cambiamos algunas de las entradas como puede ser la forma del suelo y el torque del
motor, y provocamos las mismas fallas (igual cambio de parámetros) que en los casos de las
dos figuras anteriores, obtenemos los residuales de las figuras 11 y 12.

Torque sobre ruedas

ruedas delanteras = 110 N.m


ruedas traseras = 0 N.m

Perfil de la calzada

Velocidad vertical rueda 1=1.2 sin(20.t) m/s


Velocidad vertical rueda 2=0.5 sin(30.t) m/s
Velocidad vertical rueda 3= 0.3 sin(25.t) m/s
Velocidad vertical rueda 4= 0.2 m/s

Ángulo de ruedas directrices

Curva suave que se observa en la figura 4, en donde la amplitud máxima positiva de 0.2 rad, y
amplitud máxima negativa -0.13 rad.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES

Figura 11.

Figura 12.

Si comparamos la figura 11 con la 9 y la 12 con la 10 vemos que a pesar de los cambios


en las entradas los residuales surgen solamente en el momento en que se provoca la falla.
Podemos apreciar que cambian los valores de los residuales pero cualitativamente son en los
dos casos mucho mayores durante una falla que en operación normal.
CAPÍTULO 6

CONCLUSIONES
CAPÍTULO 6 - CONCLUSIONES

En este trabajo fueron implementados satisfactoriamente sistemas de diagnóstico de


fallas aplicados a la suspensión de un automóvil. La utilización de bond graph y el software
20-Sim permitió partir de modelos relativamente sencillos para luego combinarlos y generar
de esta manera modelos más complejos. El bond graph permitió incorporar en el modelo
ciertas no linealidades involucradas en la dinámica del automóvil (interacción neumático-
suelo, fuerza aerodinámica, ecuaciones de Euler, etc). Estas no linealidades deben ser
modeladas para representar y simular correctamente el comportamiento del vehículo. A partir
de ciertas simplificaciones realizadas sobre el último modelo estudiado que representa con
gran precisión la dinámica de un vehículo fue posible la obtención de un “bond graph para
diagnóstico” que permitió detectar y aislar fallas a partir de la generación de valores
residuales. Estas fallas fueron simuladas a través de la variación de los parámetros en los
componentes de la suspensión (resorte o amortiguador) del vehículo.
Un punto importante que se consiguió en este trabajo fue poder diseñar un sistema de
detección de fallas sobre un modelo que presenta más de un sistema de referencia y además se
logró que el mismo sea independiente del comportamiento de los neumáticos. Esto produce
que el mismo sea muy robusto porque sólo depende de los parámetros de la suspensión y del
chasis.
En este caso se realizó diagnóstico de fallas en la suspensión del automóvil, pero
siguiendo la metodología presentada en este proyecto, es posible enfocar el diagnóstico sobre
otras partes del vehículo, como pueden ser el sistema de frenos, barra antirrolido, etc.
Podemos decir también que esta metodología basada en modelos (generados con bond graph)
puede ser utilizada para tratar otros sistemas con dominios físicos diferentes, como el que se
presenta en el ANEXO 3.
Ya que para los tres modelos de vehículos (un cuarto de auto, medio auto y el de 14
grados de libertad) el sistema de detección de fallas funcionó satisfactoriamente, surge el
interrogante de porque utilizar el modelo más complejo. La respuesta reside en que a la hora
de implementar el sistema se realizará sobre un vehículo real y es por eso que el sistema que
debemos escoger es el que mejor represente el funcionamiento de un vehículo y no el más
simple.
El punto mencionado anteriormente se demostró aplicando sobre el BG del modelo de
14 grados de libertad el DBG correspondiente al modelo de ¼ de vehículo. Al simular el
sistema, los residuales no respondieron correctamente dando continuamente valores distintos
de cero. Una buena performance se consiguió sólo en el caso en que los cuatro perfiles de la
CAPÍTULO 6 - CONCLUSIONES

calzada eran los mismos y el auto no se dobló. Esto es debido a que bajo esas condiciones, no
existe intercambio de potencia entre una suspensión y otra y vale la suposición de que sobre
cada suspensión esta posado un cuarto del vehículo.
También aplicamos sobre el BG del modelo de 14 grados de libertad el DBG
correspondiente al modelo de ½ medio vehículo. Al simular el sistema, los residuales no
respondieron correctamente dando continuamente valores distintos de cero. Aquí se consiguió
un buen funcionamiento sólo en el caso en que los dos perfiles de la calzada delanteros eran
los mismos, los dos traseros también y el auto no se dobló. Esto es debido a que bajo esas
condiciones, no existe intercambio de potencia entre las suspensiones derechas con las
izquierdas y adquiere validez el modelo de ½ vehículo.
REFERENCIAS Y BIBLIOGRAFÍA
REFERENCIAS Y BIBLIOGRAFÍA

[1] F. E. Cellier “Continuous System Modeling”, Ed. Springer – Verlag New York, inc
pp.251-287, 1991.

[2] S. Junco, “Introducción a la modelización con Bond Graphs” Dept. Elect. Eng.
Disponible: http://www.fceia.unr.edu.ar/dsf/files/A_IntroBG.PDF

[3] Dean C. Karnopp, Donald L. Margolis, Ronald C. Rosenberg, “System dynamics:


modeling and simulation of mechatronic systems”, 3rd ed., Ed. New York: Wiley-
Interscience publication, pp.297-336, 2000.

[4] German Filipini, “Estudio del comportamiento dinámico de vehiculos terrestres


mediante bond graphs”, degree thesis in Mechanical Engineer. Dept. Mec. Eng.,
Universidad Nacional de Rosario, Argentina, 2005.

[5] J. M. Mera, C. Vera, J. Félez, J. J. Esperilla, “Influence of the Roll Axis Consideration
in Vehicle Dynamics. Bond Graph Models”, Proc. ICBGM’03, 2003, pp.203-209.

[6] C. Niesner, G.Dauphin-Tanguy, D. Margolis, F Guillemard, M. Pengov. “A 4 wheel


vehicle bond graph model including uncertainties on the car mass and the centre of mass
position”, Proc. ICBGM’05, 2005, pp.179-184.

[7] K. Medjaher, A.K. Samantaray, B. Ould Bouamama, “Diagnostic Bond Graphs for
Direct Residual Evaluation”, Proc. ICBGM’05, 2005, pp.307-312.

[8] K. Sia, A. Naamane, “Bond Graph: a suitable tool for component faults diagnosis”
Proc. ICBGM’03, 2003, pp.89-102.

[9] B. Ould Bouamama, A.K.Samantaray, M.Staroswiecki, G.Dauphin-Tanguy,


“Derivation of Constraint Relations from Bon Graph Models for Fault Detection and
Isolation”, Proc. ICBGM’03, Simulation Series Vol.35, No.2, 2003, pp.104-109.

[10] F. Aparicio Izquierdo, C.Vera Alvarez, V. Diaz López, “Teoría de los vehículos
automóviles”, Ed. Madrid: Escuela Técnica Superior de Ingenieros Industriales de
Madrid, 1995.

[11] S.K Ghoshal, A.K.Samantaray, A.Mukherjee. “Improvements to Single Fault Isolation


using Estimated Parameters”, Proc. ICBGM’05, 2005, pp.301-306.
REFERENCIAS Y BIBLIOGRAFÍA

[12] D. José David Bel Cacho, “Formulación e implementación de una metodologia de


elementos finitos para el análisis de modelos bond graph de sistemas discretos-continuos”,
Tesis doctoral, Dept. Mec. Eng., Zaragoza Univ., España.

[13] L. Felipe Blázquez, Luis J. de Miguel, “Diagnóstico automático de fallas para sistemas
dinámicos no lineales”. Dpto. Ingeniería eléctrica y electrónica. Universidad de león.
León, Septiembre 2003. Disponible:
http://www.cea-ifac.es/actividades/jornadas/XXIV/documentos/incon/78.pdf

[14] Software 20-sim versión 3.5. Información disponible: http://www.20sim.com


ANEXO 1

INTRODUCCIÓN AL MODELADO DE
SISTEMAS FÍSICOS CON BOND GRAPH
ANEXO 1

El bond graph (del inglés: gráfico de enlaces) es un lenguaje gráfico, con simbología
cuantificadora del flujo instantáneo de potencia e independiente de alinealidades.
Este formalismo se encuentra orientado a objetos y su principal aplicación se encuentra
en la modelización de sistemas físicos dinámicos. Entendemos por “sistema físico dinámico”
a un conjunto de componentes interactuantes con una determinada estructura. Esta interacción
consiste en transformación y/o transporte de materia y/o energía. La calidad de dinámico
implica la posibilidad de almacenamiento de materia y/o energía de ciertos componentes.
En el bond graph completo de un sistema físico determinado intervienen tres tipo de
entidades:
• Variables dinámicas que representan la evolución del sistema.
• Los distintos componentes que forman parte del sistema y que se encuentran
interactuando (intercambiando potencia).
• Vínculos estructurales que dependen de la disposición física y modos de
interconexión de los componentes.

Variables dinámicas
Existen dos tipos de variables asociadas a todos los componentes. Ellas son: esfuerzos
generalizados y flujos generalizados. Como tratamos a lo largo de este trabajo con sistemas
mecánicos, los esfuerzos siempre serán fuerzas o torques y los flujos serán velocidades
lineales o velocidades angulares. Estos dos tipos de variables se encuentran asociados a todos
los enlaces de potencias que existen en el bond graph y su producto representa la potencia que
el componente está intercambiando. En este gráfico se considera que si este producto es
positivo, el componente de la izquierda le entrega potencia al de la derecha.

Para el caso de los componentes almacenadores de energía, se definen dos nuevos tipos
de variables: momento (p) cuya derivada instantánea es el esfuerzo y desplazamiento (q) cuya
derivada instantánea es el flujo.
ANEXO 1

Para sistemas mecánicos “p” representa el impulso (su derivada es la fuerza) o el


momento angular (su derivada es el torque) mientras que “q” representa un desplazamiento
(su derivada es la velocidad lineal) o un ángulo (su derivada es la velocidad angular).
Componentes
Se clasifican acorde al tipo de relación que existe entre sus dos variables asociadas
(flujo y esfuerzo).

Si las fuentes de esfuerzo/flujo fijan un valor variable de esfuerzo/flujo las mismas se


denominan fuentes moduladas y se las nota como MSe/MSf debiéndose indicar cual es la
señal que modula y proporciona este valor.

Vínculos estructurales
Una vez definidos todos los componentes que intervienen en el sistema, los mismos
deben interconectarse para poner de manifiesto el tipo de interacción que producen.
Un claro ejemplo se presenta a continuación donde interviene un resorte y un
amortiguador sometidos a una fuerza exterior e(t):
ANEXO 1

La evolución dinámica de las variables serán diferentes pese a existir los mismos tres
componentes (capacitor, resistor, fuente de esfuerzo modulada). Para el caso I los tres
componentes poseen la misma velocidad (flujo común) y ese vinculo se denomina de tipo uno
mientras que para el caso II los tres componentes poseen la misma fuerza en sus extremos
(esfuerzo común) y ese vinculo es tipo cero. Estos vínculos y otros se pueden observar en la
siguiente tabla con sus correspondientes ecuaciones.

Estamos en condiciones de realizar el bond graph de los sistemas presentados en ambos casos.

Se Se

CASO I CASO II
ANEXO 1

Causalidad
La causalización del bond graph se puede realizar a través de una codificación realizada
sobre el mismo gráfico. Para todos los componentes existen dos posibles causalidades. Una es
recibir del resto del sistema el flujo como información y en función del mismo “imponer” en
el sistema el esfuerzo.

Mientras que la otra posibilidad es recibir del resto del sistema el esfuerzo como
información y en función del mismo “imponer” en el sistema el flujo. En el enlace de potencia
aparece un nuevo código gráfico que representa la causalidad.

Para el caso de las fuentes, la causalidad ya está predeterminada ya que por la definición
misma de fuente, las mismas imponen al sistema un esfuerzo (fuente de esfuerzo) o un flujo
(fuente de flujo).

Para el caso de los vínculos estructurales, la causalidad se encuentra restringida como se


indica:
ANEXO 1

Para el caso de los resistores la causalidad es arbitraria y las dos posibilidades son:

Si se trata de un mismo componente, una función es la inversa de la otra.


Para el caso de los almacenadores de energía los dos tipos de causalidades generan la
siguiente relación entre flujo y esfuerzo:

Los almacenadores de energía que se utilizan en los modelos desarrollados se pueden


simplificar ya que todos poseen un comportamiento lineal.
Los capacitores serán siempre resortes con una fuerza proporcional a su desplazamiento
por lo que la relación entre el esfuerzo y el flujo es la siguiente.
ANEXO 1

 t
 1 de(t )
⇒ e ( t ) = K .  q0 +
 ∫
t0
f (τ )dτ  o equivalentemente f (t ) =
 K dt
; K es la constante del

resorte.
Mientras que las inercias serán siempre cuerpos con un momento de inercia y una masa
constante quedando una relación como la que se indica a continuación.
1  t
 df (t )
⇒ f (t ) = . p +
I  0 ∫ t0
e(τ )dτ  o equivalentemente e(t ) = I
 dt
; donde I es el momento de

inercia o la masa del componente.


Si la causalidad es tal que el componente impone una de las variables a partir del resultado de
la integral de la otra se dice que el mismo se encuentra en causalidad integral mientras que si
lo hace a partir de la derivada se encuentra en causalidad derivativa.
ANEXO 2

DIAGNÓSTICO AUTOMÁTICO DE FALLOS


PARA SISTEMAS DINÁMICOS NO LINEALES
ANEXO 2

Resumen análisis de la componente principal (PCA), [73], [74],


[76], análisis del discriminante de Fisher (FDA),
Esta comunicación presenta una visión general de mínimos cuadrados parciales (PLS) y análisis de
las principales técnicas de detección y diagnóstico de variables canónicas (CVA).
fallos basadas en el modelo de la planta que se
aplican a los sistemas dinámicos no lineales. Con el
objetivo de que el trabajo quede lo más completo
posible, se citan en la introducción otros métodos de
diagnóstico existentes, y se dedica una sección para
tratar brevemente los comportamientos y tipos de no
linealidades que más frecuentemente aparecen en los
sistemas dinámicos de control.

1 INTRODUCCIÓN
Figura 1: Redundancia física frente a redundancia
Es un hecho que los modernos sistemas de control se analítica
vuelven cada vez más complejos y que los algoritmos
de control que se implementan son cada vez más Otros métodos se basan en la redundancia analítica,
sofisticados. En consecuencia, las características de figura 1, es decir la comparación del comportamiento
fiabilidad, disponibilidad, seguridad y protección actual de la planta con el esperado obtenido mediante
medioambiental adquieren cada vez mayor un modelo matemático de la misma [29], [75], [48],
importancia. Dichas características son importantes [77]. Algunos de estos métodos tienen un marco
no solo en aquellos sistemas cuya seguridad es determinista, como las ecuaciones de paridad a partir
crítica, tales como centrales nucleares, plantas del modelo de espacio de estado [29], [75],
químicas y aeronaves, sino en cualquier tipo de ecuaciones de paridad a partir del modelo entrada
proceso de fabricación automatizado como los salida [68], [77], [40], [70], [71], y observadores [30],
implicados por ejemplo en el sector del automóvil. [48], [49], [23], [26], [154], [199]; mientras que otros
Para los sistemas en los que la seguridad es crítica, métodos se formulan en un contexto estocástico,
las consecuencias de los fallos pueden ser como los filtros de Kalman [218], [238], [127], y la
extremadamente serias en términos de vidas estimación de parámetros [91]. La teoría lineal de
humanas, impacto medioambiental y pérdidas estos métodos está bien desarrollada y sus relaciones
económicas; por lo que existe una necesidad bien establecidas. La equivalencia entre algunos de
creciente en la supervisión en línea y en el los métodos anteriores ha sido estudiada por varios
diagnóstico de fallos con el objetivo de incrementar autores, por ejemplo [69], [152], [72], [103].
la fiabilidad, teniendo en cuenta que los síntomas que Aunque desde los primeros años de la década de los
presentan fallos que se están desarrollando pueden 70 se vienen produciendo avances significativos en el
ayudar a evitar fallos irreversibles como caídas del campo del diagnóstico de fallos tanto en la teoría
sistema y catástrofes. Para aquellos sistemas donde la como en la práctica, ha sido en los últimos años
seguridad no es crítica, las técnicas de diagnóstico de cuando las investigaciones en este campo más se han
fallos en línea se pueden utilizar para mejorar la dirigido hacia los sistemas de control no lineales.
eficiencia, mantenibilidad, disponibilidad y fiabilidad Tradicionalmente, el problema del diagnóstico de
de la planta. Los métodos modernos de diagnóstico fallos en sistemas dinámicos no lineales se ha
de fallos pueden aportar información del estado del manejado en dos etapas. En la primera se linealiza el
sistema que permita implementar un mejor plan de modelo alrededor de un punto de operación, para en
mantenimiento. una segunda etapa aplicar técnicas robustas para
Los métodos tradicionales de detección y diagnóstico generar los residuos [119], [15], [14], [234]. En
de fallos se basan en la comparación de variables general, la mayoría de los sistema físicos dan lugar a
medidas del proceso con valores límite constantes y modelos prácticos y reales de alto orden, variables en
preestablecidos (chequeo de umbrales) o la aplicación el tiempo y no lineales. En sistemas de control, sin
de sensores redundantes (redundancia física). Otros embargo, es importante mantener el sistema en un
métodos más avanzados se basan en la aplicación de punto de equilibrio y se puede considerar la respuesta
test (univariables o multivariables) de hipótesis a del sistema a señales pequeñas en torno a dicho
propiedades estadísticas de las variables del proceso equilibrio. Este método solo funciona bien cuando la
[164]. Dentro de los multivariables, se encuentran linealización no causa mucha diferencia entre los
aquellos métodos basados en análisis estadísticos de modelos lineal y no lineal y el sistema opera cerca del
los datos (data-driven), especialmente indicados para punto de operación especificado. Al tratar con
grandes sistemas que producen una gran cantidad de sistemas con no linealidades altas y amplios rangos
datos, ya que reducen esa gran cantidad de de operación, el problema del diagnóstico de fallos
información quedándose con la parte más debe manejarse utilizando directamente técnicas no
significativa [28]. Entre estos métodos están el lineales.
ANEXO 2

Existen desarrollos y aplicaciones de diagnóstico de


fallos con ecuaciones de paridad no lineales [109],
[108], [14], [16]. La implementación de filtros
extendidos de Kalman para procesos no lineales fue
presentada en [22]. Resultados con observadores no
lineales fueron publicados por Frank y sus
colaboradores [62] y otros [102]. Cuando los modelos
analíticos no son lo suficientemente fiables, una red
Figura 2: Diagnóstico de fallos y lazo de control
neuronal correctamente entrenada se puede usar
como modelo dinámico no lineal de un sistema [25].
La principal ventaja del diagnóstico de fallos basado
Algunas veces se requiere información cualitativa
en el modelo de la planta [41], [25] es que no es
para que el modelo represente adecuadamente al
necesario añadir componentes hardware al proceso
sistema, y es aquí donde la lógica borrosa y las redes
para implementar un algoritmo FDI. Dicho algoritmo
neuro-borrosas tienen su papel en aplicaciones de
se puede implementar en la propia computadora que
diagnóstico de fallos [50], [64], [19]. En otros
controla el proceso. Además, las medidas necesarias
trabajos se utilizan herramientas de programación
para el control del proceso son en muchos casos
evolutiva para diseñar observadores [219] y redes
suficientes para los algoritmos FDI, por lo que no se
neuronales [142]. Recientemente en la literatura de
necesita instalar nuevos sensores. Así, solo es
diagnóstico de fallos, a estos métodos basados en
necesario una computadora más potente y aumentar
modelos analíticos que incorporan técnicas
la capacidad de almacenamiento de información para
cualitativas se les llama métodos de software
implementar un algoritmo FDI basado en el modelo
computacionales [159], [19]
de la planta. El enorme desarrollo en tecnología de
El trabajo sobre diagnóstico de fallos en la
computadores de los últimos años ha hechos factible
comunidad de la Inteligencia Artificial se enfocó
la aplicación práctica de tales métodos [48]. La figura
inicialmente sobre métodos basados en el
2 muestra la relación entre el sistema de detección y
conocimiento o sistemas expertos [203], donde se
diagnóstico de fallos con el lazo de control del
aplica la heurística para asociar explícitamente los
proceso. Se observa que el sistema de detección y
síntomas con las hipótesis de fallos. Las deficiencias
diagnóstico de fallos utiliza un modelo del proceso
de estos métodos llevaron al desarrollo de técnicas de
monitorizado en lazo abierto, aunque dicho proceso
diagnóstico de fallos basadas en modelos cualitativos
opere globalmente en lazo cerrado.
en la forma de ecuaciones diferenciales cualitativas,
La figura 3 muestra la arquitectura de un sistema de
gráficos dirigidos con signo [202], modelos
detección y diagnóstico de fallos basado en el modelo
funcionales cualitativos, modelos estructurales, etc.
de la planta. El punto de partida es el sistema de
[107], [215], [216], [179], [180], [28]. La mayoría de
adquisición de datos S.A.D., que suministra la
los trabajos de diagnóstico e fallos que utilizan
información disponible del proceso. A continuación
métodos basados en el conocimiento trabajan con
se encuentra el generador de residuos donde se van a
modelos del sistema en presencia de fallos. En
calcular dichos residuos que deberían ser cero en
general no es posible obtener un modelo del sistema
ausencia de fallo. Posteriormente se analizan los
para cada fallo en particular, ya que el sistema podría
cambios existentes en los citados residuos, cuya
dañarse debido al fallo, o bien es peligroso provocar
información va a ser indicativa de la presencia de
el fallo o porque no es posible provocar todos los
fallos [7], [9], [8]. El modulo de decisión es el que
fallos.
tiene la función de analizar dichos cambios y ofrecer
En los últimos años se han publicado algunos trabajos
un diagnóstico final. El módulo de adaptación es
que hacen uso de support vector machine [66] para
necesario para realizar la acomodación de fallos, que
detección y diagnóstico de fallos. Este método está
es la característica que define los sistemas tolerantes
basado en fundamentos similares a técnicas de
a fallos [151], [21].
inteligencia artificial con sistemas de
autoaprendizaje. Los resultados que se han obtenido
sen optimistas.
En [93] y [208] se puede encontrar la terminología
adoptada por el comité técnico del IFAC Symposium
on Fault Detection, Supervision and Safety for
Technical Processes SAFEPROCESS. Esta
conferencia de periodicidad trianual es posiblemente
el foro donde se han presentado en los últimos años
las principales tendencias en el campo de la detección
y diagnóstico de fallos, especialmente relativo a los
métodos basados en el modelo de la planta, que Figura 3: Sistema de detección y diagnóstico de fallos
constituye la comunidad FDI (FaultDetection and basado en el modelo de la planta
Isolation).
ANEXO 2

tiempo de asentimiento son dependientes del nivel de


Esta comunicación está organizada de la siguiente excitación y un sistema no lineal puede ser estable en
manera. Inicialmente se definen los comportamientos una región de operación e inestable en otra. Así, la
y propiedades de los sistemas de control no lineales, estabilidad debe especificarse como se observa en la
para posteriormente realizar una exposición ordenada vecindad de un punto de operación particular. Para
de los distintos tipos de no linealidades que analizar este concepto, la estabilidad se evalúa
frecuentemente existen en los sistemas de control, y a típicamente en la proximidad de una condición
continuación se describen brevemente las potencialmente estática conocida como un estado de
herramientas analíticas existentes para el análisis de equilibrio. Un modelo no lineal puede tener más de
los sistemas de control no lineales. Seguidamente se un estado de equilibrio y más de un modo de
presentan los principales métodos de detección y oscilación [143], [122]. El converger a uno de los
diagnóstico de fallos basados en el modelo de la puntos de equilibrio u otro va a depender de las
planta que se aplican en los sistemas de control no condiciones iniciales. Esta dependencia de las
lineales. Dichos métodos se agrupan básicamente en condiciones iniciales también puede manifestarse en
dos categorías. Por un lado se encuentran aquellos la estabilidad de los sistemas no lineales [122]. Otros
que son extensiones o generalizaciones de los comportamientos que se dan en sistemas no lineales
métodos basados en modelos lineales, aplicados a los son las respuestas de valores múltiples, las
sistemas no lineales. Por otro lado están los métodos resonancias de salto y una variedad de movimientos
que utilizan un aproximador universal como periódicos tales como oscilaciones sub o
herramienta para construir el modelo de la planta, superarmónicas.
incluso considerando la incorporación de información Normalmente, un sistema de control debe operar
cualitativa en dicho aproximador. cerca de un punto de equilibrio, por lo que cuando las
magnitudes de las señales en dicho sistema están
2 GENERALIDADES SOBRE LOS limitadas en intervalos en los cuales los componentes
SISTEMAS NO LINEALES del sistema exhiben una característica lineal, el
sistema es esencialmente lineal. En esta situación es
Se dice que un sistema es no lineal si no cumple el válida la consideración de un modelo de pequeña
principio de superposición en algún caso [112], señal o un modelo lineal a tramos que permite la
[147], [191], [120], [99]. Este hecho tan importante adaptación de una técnica lineal a un modelo de
es la causa de que no se hayan desarrollado las sistema que no es estrictamente lineal. Dependiendo
técnicas de análisis de sistemas no lineales tanto de los objetivos de un estudio de un sistema no lineal
como las de los sistemas lineales. Así, el modelo de y del carácter del modelo, el análisis puede ser
estado de un sistema no lineal debe abarcar funciones responsable de la obtención de un modelo lineal
no lineales, ecuación (1) y no es válido el modelo de aproximado que es aplicable en la vecindad de un
estado en el formato matricial vectorial con todos los estado específicamente seleccionado. Utilizando un
elementos de las matrices A y B constantes o procedimiento conocido como linealización [146], se
funciones del tiempo e independientes de x e y, puede desarrollar un modelo que es utilizable con
ecuación (2), propio de los sistemas lineales; por lo pequeñas variaciones del nivel de señal respecto de
que no se pueden aplicar las técnicas que se basen en un estado de equilibrio. Las técnicas de análisis y
dichos modelos. Además, la aplicación de la diseño lineal, incluyendo la evaluación de la
transformada de Laplace o el álgebra fasorial requiere estabilidad, son aplicables entonces cuando se operan
un modelo de sistema lineal e invariante con el con pequeñas desviaciones del equilibrio.
tiempo y una ecuación característica es una propiedad Cuando las magnitudes de las señales se extienden
de un modelo lineal. También hay que tener en más allá del intervalo de porción lineal, dependiendo
cuenta que la respuesta en estado estacionario de un de la severidad de la no linealidad, el sistema no se
sistema no lineal a una entrada sinusoidal se ve como debe seguir considerando lineal. Por ejemplo, una
una forma de onda no sinusoidal. resistencia experimentará un cambio notable en su
valor, o se fundirá, si la corriente excede un valor
x = f(x,u) · (1) razonable; un condensador se romperá si la tensión es
x = Ax + Bu · (2) demasiado alta; un resorte estará totalmente
comprimido o alcanzará su límite elástico si se estira
Una de las características más importantes de los más allá de lo permitido y una autoinducción con un
sistemas no lineales, es la dependencia en el núcleo magnético alcanzará la saturación si la
comportamiento de respuesta del sistema, de la densidad de flujo es suficientemente alta, los
magnitud y tipo de entrada, además del propio amplificadores usados en los sistemas de control a
modelo. Por ejemplo, un sistema no lineal puede menudo exhiben un efecto de saturación cuando la
comportarse de forma completamente distinta en señal de entrada es muy grande; el campo magnético
respuesta a entradas escalón de diferentes valores. en un motor normalmente tiene propiedades de
Con el carácter del comportamiento sensible al nivel saturación. Otros efectos no lineales que se
de excitación, criterios tales como sobreelongación y encuentran en sistemas de control son el juego entre
ANEXO 2

dos engranajes acoplados, la característica de resorte cumplir cierta función, frecuentemente es mejor
no lineal, la fuerza de fricción no lineal o par entre desde un punto de vista económico, de espacio y de
dos miembros móviles, etc. Muy a menudo las confiabilidad frente a sistemas lineales diseñados
características no lineales son introducidas en forma para cumplir la misma tarea. El ejemplo más simple
intencional en un sistema de control para mejorar su de un sistema no lineal intencional es un sistema
desempeño o proveer un control más efectivo. Por corriente accionado por un relé. Se pueden encontrar
ejemplo, para alcanzar un control de tiempo mínimo, otros ejemplos en sistemas de controlóptimo y
un tipo de controlador encendido-apagado (relevador) control adaptativo que frecuentemente emplean
se emplea en muchos misiles o sistemas de control de controles no lineales complicados. Debe notarse que
naves espaciales. Los comportamientos más típicos aunque los sistemas no lineales intencionales, pueden
encontrados en los sistemas no lineales son los mejorar el comportamiento del sistema bajo ciertas
siguientes [143], [189], [122], [31], [99]: condiciones de funcionamiento especificadas, en
• Oscilación subarmónica general degradan el comportamiento del sistema en
• Oscilación autoexcitada o ciclo límite otras condiciones defuncionamiento [143], [117]. Las
• Arrastre de frecuencia no linealidades inherentes son aquellas que vienen de
• Bifurcación forma natural en el hardware o movimiento del
• Caos sistema, por lo que son inevitables en los sistemas de
control. Las siguientes son ejemplos de tales no
2.1 TIPOS DE NO LINEALIDADES EN linealidades: saturación; zona muerta; histéresis;
SISTEMAS DE CONTROL juego; fricción estática, fricción de Coulomb y otras
fricciones no lineales; resorte no lineal;
En este apartado se van a revisar la no linealidades
compresibilidad de fluido; fuerza centrípeta en
que se encuentran en los sistemas de control. En la
movimiento rotacional. En términos generales, la
figura 4 se muestra el diagrama de bloques típico de
presencia de estas no linealidades en el sistema de
un sistema de control. Se compone de cuatro partes:
control, afecta adversamente el comportamiento del
una planta que va a ser controlada, sensores para las
sistema, por lo que dichos sistemas deben estar
medidas, actuadores para las acciones de control y
adecuadamente diseñados para compensarlas. Por
una ley de control generalmente implementada en
ejemplo, el juego puede producir inestabilidad en el
una computadora. Las no linealidades pueden ocurrir
sistema y la zona muerta a su vez puede producir
en cualquier parte del sistema, dando lugar a los
error de régimen.
sistemas de control no lineales.
También se pueden clasificar las no linealidades
como blandas o continuas y duras o discontinuas
[34], [189], [117]. Si un elemento se desvía
gradualmente de la operación lineal cuando el nivel
de excitación aumenta o la temperatura asociada
gradualmente se eleva, este hecho se puede describir
como una no linealidad blanda o continua. Hay
Figura 4: Diagrama de bloques de un sistema de también no linealidades duras o discontinuas que se
control observan cuando los elementos cambian
abruptamente en un nivel específico de excitación.
A la hora de analizar el efecto de las no linealidades Un ejemplo de este tipo de fenómeno es la limitación
inherentes en la exactitud estática, hay que tener en que ocurre cuando el nivel de salida de un
cuenta que una característica de los sistemas de amplificador operacional se aproxima a la magnitud
control es que la potencia es transmitida por el paso de la tensión de suministro de continua. La elevada
directo, mientras que la exactitud estática del sistema ganancia en el camino directo y la acción de
es determinada por los elementos en el paso de realimentación negativa del circuito tienden a
realimentación. Por esto, el elemento de medición proporcionar una operación casi lineal dentro de un
determina el límite superior de exactitud estática; la rango limitado de niveles de señal, pero hay un nivel
exactitud estática no puede ser mejor que la exactitud en el que los transistores de salida se fuerzan para
de este dispositivo de medición. Por tanto, cualquier trabajar en saturación y aparece abruptamente una
no linealidad inherente en los elementos de limitación.
realimentación debe ser mínima.
Las no linealidades pueden ser intencionadas 2.1.1 No linealidades continuas
(artificiales) y accidentales o inherentes (naturales).
Las no linealidades intencionadas se emplean para Las no linealidades continuas aparecen en las
mejorar la respuesta del sistema o para simplificar su ecuaciones del sistema en forma de términos
construcción o por ambas causas. En general, el senoidales, potencias, exponenciales de una variables,
empleo de elementos no lineales da lugar a sistemas productos de diferentes variables. Un caso particular
más pequeños y que funcionan mejor que los lineales. de sistemas con no linealidades continuas son los
Un sistema no lineal adecuadamente diseñado para sistemas bilineales, que son aquellos en los que los
ANEXO 2

únicos términos no lineales que aparecen en sus tamaño de los componentes, propiedades de los
ecuaciones de estado son productos de variables de materiales, potencia disponible.
estado con variables de entrada. Una típica no linealidad de saturación se representa
Las no linealidades continuas se eliminan usualmente en la figura 5, donde la línea gruesa es la no
de la ecuación diferencial asignando márgenes linealidad real y la línea fina es una no linealidad de
restringidos a las variables y mediante saturación ideal [122], [79].
aproximaciones lineales para representar los
coeficientes no lineales. Se reconoce,
indudablemente, que la verdadera respuesta no será
exactamente la predicha. Sin embargo, la diferencia
debe ser pequeña en tanto lo sea la perturbación. De
interés inmediato es la estabilidad del sistema.
Mediante la teoría de Lyapunov, puede llegarse a la
conclusión de que el empleo de la aproximación Figura 5: No linealidad de saturación
lineal de ecuaciones no lineales da un análisis
correcto de la estabilidad. Sin embargo, este sólo es La mayoría de los actuadores presentan
válido para pequeñas perturbaciones [34], [189], [31], características de saturación [189], [121], [116],
[116], [99]. [205]. Por ejemplo, el par de salida de un servomotor
de dos fases no puede incrementarse indefinidamente
2.1.2 No linealidades discontinuas y tiende a saturarse, debido a las propiedades del
Las no linealidades discontinuas o duras también se material magnético. Análogamente, válvulas
las conoce como no linealidades rápidas, significando controladas por servomotor hidráulico se saturan por
con ello que el modo de operar cambia rápidamente los máximo y mínimo caudales permitidos.
comparándolo con el tiempo de respuesta del sistema La saturación tiene efectos complicados sobre las
[143], [34], [189], [31], [116], [205], [99]. A prestaciones de un sistema de control. En general, la
continuación se presentan las no linealidades duras presencia de saturación tiende a reducir la ganancia
que más habitualmente se presentan en los sistemas del dispositivo (por ejemplo el amplificador) según se
de control. incrementa la entrada. Como resultado, si un sistema
es inestable en su rango lineal, este comportamiento
Fricción de Coulomb y precarga divergente se puede convertir en una oscilación
automantenida, debido a la inhibición creada por el
La fricción de Coulomb existe en todo sistema físico
componente de saturación sobre las señales del
con movimiento de deslizamiento. Así, por ejemplo,
sistema. Por otro lado, si el sistema es estable en su
está presente entre las escobillas y el colector de un
rango lineal, la saturación tiende a ralentizar la
motor, entre engranajes apretados y en cojinetes. La
respuesta del sistema, ya que reduce la ganancia
fuerza de fricción es de magnitud constante y siempre
efectiva [189].
de dirección opuesta al movimiento, por lo que
aparece una discontinuidad en el instante en que se
No linealidad todo-nada
invierte el movimiento [144], [117]. Una precarga
tiene la misma característica que una fricción de Un caso extremo de saturación es la no linealidad
Coulomb. La fuerza puede variar de más a menos el todo-nada o relé. Ocurre cuando el rango de
valor de la precarga sin producir desplazamiento. La linealidad se reduce a cero y la pendiente de dicho
precarga se emplea a menudo para eliminar el arrastre rango se hace vertical. Importantes ejemplos de no
de una posición neutral. linealidades todo-nada incluyen pares de salida de
propulsores a gas para control de naves espaciales y,
Saturación o limitación por supuesto relés eléctricos. Las no linealidades
todo-nada tienen similares efectos que los de las no
Cuando se incrementa la entrada de un dispositivo
linealidades de saturación. Además pueden provocar
físico, a menudo se observa el siguiente fenómeno:
vibraciones en sistemas físicos debido a su naturaleza
cuando la entrada es pequeña, su incremento causa un
discontinua [189].
incremento (frecuentemente proporcional)
correspondiente en la salida; pero cuando la entrada
Zona muerta
alcanza cierto nivel, su incremento posterior produce
un incremento pequeño o no produce incremento En muchos dispositivos físicos, la salida es cero hasta
alguno en la salida. La salida simplemente permanece que la magnitud de la entrada supera un determinado
alrededor de su valor máximo. Cuando esto ocurre, se valor δ, tal y como muestra la figura 6. Dicha
dice que el dispositivo está en saturación. Como relación de entrada-salida se conoce como zona
ejemplos tenemos amplificadores de transistor y muerta, umbral, trozo llano o espacio muerto [189],
amplificadores magnéticos. Una no linealidad de [112]. Si por ejemplo se considera un motor de
saturación es usualmente causada por los límites en el corriente continua, en un modelo ideal se asume que
cualquier voltaje aplicado al bobinado causará
ANEXO 2

movimiento de rotación, por lo que con pequeño los dos engranajes, el engranaje conducido sigue la
voltaje se provoca pequeño movimiento. En realidad, rotación del engranaje conductor en el sentido
debido a la fricción estática del eje del motor, la contrario (segmento CD). Así, si el engranaje
rotación ocurrirá solo si el par proporcionado por el conductor tiene movimiento periódico, el engranaje
motor es suficientemente grande. Análogamente, conducido se moverá siguiendo el camino cerrado
cuando se transmite movimiento por conexión de EBCD. Se hace notar que la altura de B, C, D, E en
componentes mecánicos, aparecen zonas muertas por esta figura depende de la amplitud de la entrada
los espacios debidos a la fabricación. Fenómenos sinusoidal [198]. Para reducir la holgura en
similares a la zona muerta ocurren en los actuadores engranajes desgastados es preciso un buen ajuste de
neumáticos de válvulas controladas y en los dientes y reducción de las excentricidades.
componentes hidráulicos [198].

Figura 7: No linealidad de holgura

Figura 6: No linealidad de zona muerta Una característica crítica de la holgura es su


naturaleza multivaluada. Correspondiente a cada
Las zonas muertas tienen un número de posibles entrada, son posibles dos valores de la salida. Que
efectos en los sistemas de control. Su efecto más uno de los dos ocurra depende de los valores pasados
común es disminuir la precisión de la salida estática. de la entrada. Se remarca que una no linealidad
También pueden dar lugar a ciclos límite o multivaluada similar es la histéresis, que se observa
inestabilidad en el sistema debido a la ausencia de frecuentemente en componentes de relé. Las no
respuesta en la zona muerta. En algunos casos, sin linealidades multivaluadas como la zona muerta y la
embargo, pueden estabilizar de hecho un sistema o histéresis generalmente dan lugar a almacenamientos
eliminar las auto-oscilaciones. Por ejemplo, si se de energía en el sistema. El almacenamiento de
añade una zona muerta a un relé ideal se reduce la energía es causa frecuente de inestabilidad y de
oscilación de los contactos del relé. Esto reduce el oscilaciones automantenidas [189].
arco eléctrico que pudiera producirse entre ellos y,
por tanto, el desgaste de los mismos, reduciéndose 2.2 TÉCNICAS DE ANÁLISIS DE SISTEMAS
también la fatiga del equipo. Es posible utilizar una NO LINEALES
técnica de zona muerta para mejorar la robustez de No hay un método general para tratar todos los
sistemas de control adaptativo con respecto al ruido sistemas no lineales, porque las ecuaciones
en la medida. diferenciales no lineales no disponen de un método
general de ataque. Se pueden hallar soluciones
Holgura e histéresis exactas solamente en ciertos tipos simples de
La holgura ocurre a menudo en sistemas de ecuaciones diferenciales no lineales. Para muchas
transmisión. Es causada por los pequeños espacios ecuaciones diferenciales no lineales de importancia
que existen en los mecanismos de transmisión. En práctica, sólo se pueden hallar soluciones
trenes de engranajes siempre hay pequeños espacios aproximadas y estas soluciones sólo mantienen su
entre un par de engranajes acoplados, debidos a los validez, aun cuando son halladas, bajo condiciones
errores inevitables en fabricación y montaje [189], limitadas. Como no hay un método general, se puede
[112]. La figura 7 muestra una situación típica. Como tomar cada ecuación no lineal o grupo de ecuaciones
resultado de los espacios, cuando el engranaje similares individualmente y tratar de desarrollar un
conductor gira un ángulo más pequeño que el espacio método de análisis que se aplique satisfactoriamente
b, el engranaje conducido no se mueve en absoluto, a ese grupo particular. Nótese que aunque es posible
que corresponde a la zona muerta (segmento OA en una generalización muy limitada dentro de un grupo
la figura 7); después que se haya establecido el de ecuaciones similares, tal generalización es
contacto entre los dos engranajes, el engranaje imposible de forma amplia a partir de una solución
conducido sigue la rotación del engranaje conductor particular.
de un modo lineal (segmento AB). Cuando el
engranaje conductor gira en sentido contrario una 2.2.1 Plano fásico
distancia de 2b, el engranaje conducido vuelve a no El análisis del plano fásico es un método gráfico para
moverse, que se corresponde con el segmento BC en estudiar sistemas no lineales de segundo orden. La
la figura 7. Después de restablecerse el contacto entre idea básica es resolver gráficamente una ecuación
ANEXO 2

diferencial de segundo orden, en vez de buscar una múltiples modelos lineales para describir los
solución analítica. El resultado es una familia de diferentes modos de operación. La simulación es
trayectorias de movimiento del sistema en un plano lineal a tramos y cada uno de los modelos lineales es
de dos dimensiones, llamado el plano fásico, en el aplicable bajo condiciones definidas cuidadosamente.
cual se puede visualizar los patrones de movimiento Cuando se detecta una condición para cambiar
del sistema. Aunque el análisis del plano fásico tiene modelos, la información que se necesita para
un número importante de ventajas, tiene como continuar la simulación es una descripción del nuevo
principal desventaja el ser aplicable solo a sistemas modelo y una descripción del estado del sistema. Si
que pueden ser bien aproximados por dinámicas de se utiliza un modelo de estado para describir cada
segundo orden. Debido a su naturaleza gráfica, se uno de los diferentes modos de operación de un
utiliza frecuentemente para proporcionar pistas sobre sistema lineal a tramos, toda la información que se
los efectos no lineales. En concreto, el plano de fase requiere está disponible. En el instante que el modelo
es útil para determinar la estabilidad y la respuesta cambia, el estado final del modelo previo se convierte
temporal de sistemas de segundo orden con no en el estado inicial del nuevo modelo [117].
linealidades [143], [189], [212], [116], [117], [205], Los modelos obtenidos a partir de linealización son
[99]. simples de manejar y permiten un estudio analítico de
los sistemas, no obstante es importante tener en
2.2.2 Teoría de Lyapunov cuenta lo siguiente:
La teoría básica de Lyapunov comprende dos • En general, los modelos lineales sólo son válidos
métodos introducidos por Lyapunov, el primer alrededor del punto de operación.
método o método indirecto y el segundo método o • Las variables implicadas en el modelo son cambios
método directo [143], [144], [145], [146], [189], [59], sobre el punto de operación.
[212], [31], [122], [116], [10], [205], [99].
• Es posible obtener modelos diferentes para
Método indirecto condiciones de operación diferentes.

El método indirecto o método de linealización, • Los parámetros de los modelos lineales pierden su
establece que las propiedades de estabilidad de un significado físico original.
sistema no lineal en las proximidades de un punto de
equilibrio son esencialmente las mismas que las de su Método directo
correspondiente sistema linealizado simple [45], El segundo método de Lyapunov o método directo es
[121], [112], [79], [99]. Algunos ejemplos una herramienta poderosa para el análisis de sistemas
importantes son la técnica de análisis de pequeña no lineales, por lo que el llamado análisis de
señal que se aplica a circuitos de transistores y el Lyapunov a menudo se refiere de hecho al método
modelo de pequeña señal que se aplica al análisis del directo. El método directo es una generalización de
péndulo. los conceptos de energía asociados con un sistema
El método sirve como la justificación teórica para mecánico: el movimiento de un sistema mecánico es
usar control lineal para sistemas físicos, los cuales estable si el total de su energía mecánica disminuye
son inherentemente no lineales. Así, por ejemplo, en todo el tiempo. Al utilizar el método directo para
el diseño de sistemas de control, es práctico primero analizar la estabilidad de un sistema no lineal, la idea
diseñar el controlador con base en un modelo de un es construir una función escalar de energía (una
sistema lineal despreciando las no linealidades del función de Lyapunov) para el sistema y ver si decrece
sistema. Entonces, el controlador diseñado se aplica [31], [79], [99].
al modelo del sistema no lineal para su evaluación o La potencia de este método viene de su generalidad:
rediseño mediante simulación en computadora. En es aplicable a todos los tipos de sistemas de control,
muchos casos prácticos, el interés primario es la sean variantes o invariantes con el tiempo, de
estabilidad de los sistemas de control no lineales, y dimensión finita o infinita. La limitación de este
pueden no ser necesarias las soluciones analíticas de método recae en el hecho de que a menudo es difícil
las ecuaciones diferenciales no lineales, puesto que encontrar una función de Lyapunov para un sistema
establecer criterios de estabilidad es mucho más dado. Así, el segundo método de Lyapunov puede ser
simple que obtener soluciones analíticas. aplicado a análisis de estabilidad de cualquier sistema
Otra situación donde es aplicable la linealización es no lineal, pero su aplicación puede ser obstaculizada
cuando la operación del sistema no lineal se por la dificultad en hallar funciones de Lyapunov
caracteriza por cambios abruptos en el modelo que para sistemas no lineales complicados. Aunque el
ocurren en niveles de señales específicos. Este tipo de método directo de Lyapunov es originalmente un
peración sucede con la presencia de fenómenos tales método de análisis de estabilidad, se puede utilizar
como rozamiento estático y de Coulomb o puede para otros problemas de control no lineal.
generarse mediante la introducción a propósito de Una aplicación importante es el diseño de
una característica no lineal, tal como la acción de un controladores no lineales. La idea es de algún modo
controlador tipo relé. Es posible entonces desarrollar
ANEXO 2

formular una función escalar positiva de los estados Con las computadoras modernas, se han desarrollado
del sistema, y entonces escoger una ley de control nuevos métodos para tratar los problemas no lineales.
que haga esa función decrecer. Un sistema de control Las técnicas de simulación con el uso de
así diseñado tendrá garantizada su estabilidad. Tal computadoras analógicas y/o digitales, son muy
enfoque de diseño ha sido utilizado para resolver poderosas para analizar y diseñar sistemas de control
muchos problemas complejos de diseño en robótica y no lineales. Ahora es posible manejar sistemas no
control adaptativo. El método directo también se lineales complicados en tiempo razonable utilizando
puede utilizar para estimar las prestaciones de un computadoras. Cuando la complejidad de un sistema
sistema de control y estudiar su robustez. impide el uso de cualquier método analítico, las
simulaciones en computadora pueden ser una forma
2.2.3 Función descriptiva ventajosa de obtener la información necesaria a los
fines del diseño [143], [162], [32], [33], [34], [116],
El método de la función descriptiva es una técnica
[117], [67], [131], [205].
aproximada para estudiar los sistemas no lineales. La
idea básica del método es aproximar los componentes
no lineales en los sistemas de control no lineales por 3 DIAGNÓSTICO DE FALLOS EN
sus sistemas lineales equivalentes, y así utilizar SISTEMAS NO LINEALES
técnicas del dominio de la frecuencia para analizar
La mayoría de los métodos de diagnóstico de fallos
los sistemas resultantes. El método de la función
basados en modelos consideran modelos lineales de
descriptiva da información respecto a la estabilidad
los sistemas. Para sistemas no lineales, el problema
del sistema no lineal, pero no da información exacta
del diagnóstico de fallos se ha abordado en dos pasos.
respecto a las características de respuesta temporal
Un primer lugar se linealiza el modelo alrededor de
[143], [34], [189], [212], [31], [116], [117], [205],
un punto de operación, y posteriormente se aplican
[99].
técnicas robustas para generar los residuos que sean
Al contrario que el plano fásico, no se restringe a los
insensibles a variaciones en los parámetros del
sistemas de segundo orden. Al contrario que los
modelo dentro de un pequeño intervalo en la
métodos de Lyapunov, en los cuales su aplicabilidad
vecindad del citado punto de operación [119], [15],
a un sistema específico depende del éxito en una
[234], [14]. Las técnicas robustas que se aplican son
búsqueda basada en prueba y error de una función de
las desarrolladas para modelos lineales [35], [71],
Lyapunov, la aplicabilidad de la función descriptiva
[25], [158]. Esta estrategia sólo funciona bien si el
es directa para los sistemas no lineales que satisfagan
modelo linealizado no se comporta muy diferente del
ciertas condiciones fáciles de comprobar. Este
propio sistema no lineal, pues los residuos se han
método es utilizado principalmente para predecir
diseñado para ser lo suficientemente robustos para
ciclos límite en sistemas no lineales dando una
tolerar pequeñas perturbaciones del modelo alrededor
medida aproximada de la magnitud y de la
de su punto de operación, y el sistema opera cerca del
frecuencia. Otras aplicaciones incluyen la predicción
punto de operación especificado. Sin embargo, para
de generación de subarmónicos, fenómenos de salto y
sistemas con grandes no linealidades y amplios
la determinación de la respuesta del sistema frente a
rangos de operación dinámica, la técnica de
una excitación sinusoidal. El método de la función
linealización no puede dar resultados satisfactorios.
descriptiva presenta ciertas ventajas:
Un modelo linealizado es una descripción
• Se puede aplicar a sistemas de bajo orden y a
aproximada de un sistema dinámico no lineal
sistemas de alto orden siguiendo el mismo
alrededor de su punto de operación. Sin embargo,
procedimiento directo.
cuando el rango de operación se hace más amplio, el
• Debido a su similitud con el análisis en el dominio
modelo linealizado no es capaz de representar la
de la frecuencia de sistemas lineales, es
dinámica del sistema. Una posible solución es utilizar
conceptualmente simple y físicamente atractivo,
varios modelos linealizados que se corresponden con
permitiendo al usuario manejar conceptos de física e
varios puntos de operación. Sin embargo, esto
ingeniería en sistemas de control.
implicaría un gran número de sistemas de
• Puede manejar las no linealidades duras que
diagnóstico, uno por cada punto de operación, cosa
frecuentemente se encuentran en sistemas de control
que no es muy práctica para aplicaciones en tiempo
sin dificultad alguna.
real.
Las desventajas del método están ligadas a su
Así, para sistemas dinámicos con grandes no
naturaleza aproximativa e incluyen la posibilidad de
linealidades y amplios rangos de operación, es
predicciones inexactas (falsas predicciones pueden
necesario utilizar métodos de diagnóstico de fallos
ser hechas si ciertas condiciones no se satisfacen) y
que manejen modelos dinámicos no lineales
restricciones en los sistemas a los cuales se aplica,
directamente. Ha habido varios intentos de utilización
por ejemplo, es complicado de aplicar a sistemas con
de observadores no lineales para resolver problemas
múltiples no linealidades.
de diagnóstico de fallos en sistemas no lineales. El
primer trabajo fue [87] donde se utilizó un
2.2.4 Simulación
observador no lineal identidad. Este método fue
ANEXO 2

posteriormente considerado por [1]. Sin embargo, un modelos analíticos, en los que se basan las técnicas
método de diseño de la matriz de ganancias que de observador no lineal, no son fáciles de obtener en
asegure la estabilidad del observador no ha sido la práctica. Algunas veces el sistema no se puede
desarrollado. En [51] y [110] se revisan, desde modelar mediante modelos matemáticos explícitos.
diferentes perspectivas, los desarrollos de los Sin un modelo, el diagnóstico de fallos basado en
métodos de diagnóstico de fallos en sistemas no observador es imposible. Para resolver este problema,
lineales anteriores a 1994. La técnica de observador es deseable encontrar un modelo aproximado
de entrada desconocida fue extendida para incluir universal que pueda usarse para representar cualquier
términos no lineales [222], [58], [173], [54], [158], sistema no lineal de forma aproximada. Además,
[96], [97]. Se han propuesto varios métodos de debería haber un mecanismo que pueda identificar
diagnóstico de fallos basados en un observador automáticamente ese modelo universal. La red
adaptativo para ciertas clases de sistemas no lineales neuronal puede ser tal poderosa herramienta para
[44], [165], [213], [39], [236], [201], [119], [164], manejar problemas no lineales. Una de las más
[163], [13], [232]. En [209] se propone un observador importantes ventajas de las redes neuronales es su
adaptativo para el diagnóstico robusto de fallos en capacidad para implementar transformaciones no
sensor aplicado a una clase de modelos no lineales en lineales por problemas de aproximación funcional.
tiempo discreto. En [42] se propone un método Así, las redes neuronales son capaces de generar una
geométrico para caracterizar el problema de la aproximación arbitrariamente cercana a cualquier
detección y aislamiento de fallos para una clase de función continua no lineal, dando los factores de peso
modelos no lineales, estableciendo la condición y una arquitectura de red adecuada [141], [90], [140].
necesaria y suficiente (expresada en términos de Hay muchos modos sistemáticos de establecer
distribuciones no observables) de existencia de un modelos de red neuronal basados en la poderosa
observador que se puede utilizar como generador de habilidad de aprender de las redes neuronales. Hay un
residuos. En [210] se propone un método gran número de publicaciones sobre diagnóstico de
numéricamente factible para el diagnóstico robusto y fallos basado en redes neuronales [214], [137], [88],
estable de fallos en sistemas modelados mediante [194], [217], [193], [98], [115], [139], [138], [126],
ecuaciones combinadas algebraicas y diferenciales no [157], [104], [153], [56], [129], [38], [37], [150],
lineales. [36], [130], [135], [149], [125], [61].
Desde un punto de vista puramente matemático, el La red neuronal, como herramienta de aproximación
diagnóstico preciso de fallos en sistemas dinámicos óptima para manejar problemas no lineales, se puede
no lineales es algo muy ambicioso. Este objetivo se usar para superar las dificultades de las técnicas
vuelve considerablemente más difícil cuando existe tradicionales a la hora de tratar con no linealidades.
incertidumbre en el sistema. Así, es necesario Según Chen y Patton [25], hay poco que ganar
restringirse a una clase de sistemas no lineales en el mediante la aplicación de redes neuronales a sistemas
estudio de los métodos de diagnóstico de fallos [211], lineales invariantes con el tiempo. Las redes
[232], [183]. Una clase de sistemas no lineales que ha neuronales están propiamente dirigidas a procesos
sido ampliamente estudiada son los sistemas de mal definidos, complejos, no lineales y estocásticos.
dinámica bilineal. Estudios importantes de Las redes neuronales tienen muchas ventajas y se
diagnóstico de fallos es sistemas bilineales se pueden pueden utilizar de varias maneras para abordar
encontrar en [230], [226], [229], [227], [177], [224], problemas de diagnóstico de fallos en sistemas
[228], [132], [4], [171], [84], [235]. La idea principal dinámicos no lineales.
es tratar los términos no lineales como perturbaciones En el uso de las redes neuronales para el diagnóstico
y desacoplar sus efectos del residuo utilizando un de fallos, hay dos problemas principales que
observador de entrada desconocida. Esta idea se acompañan la mayorías de las primeras
demuestra en un ejemplo práctico en [25]. El publicaciones. El primer problema es que la mayoría
observador de modo deslizante (sliding mode de los estudios solo tratan con procesos en estado
observer) [188], [46], también se ha aplicado a estacionario. Para alcanzar el diagnóstico en línea de
diagnóstico de fallos en sistemas no lineales [176], fallos en presencia de comportamientos transitorios,
[47], [100], [101], [2], [197], [95], [27]. hay que considerar la dinámica del sistema. El
Hay estudios que extienden el método de las segundo problema es que la red neuronal solo se usa
relaciones de paridad a sistemas no lineales [109], como un clasificador del fallo y otras ventajas de las
[108], [111], [80], [14], [16]. Al contrario que en los redes neuronales no han sido totalmente explotadas.
sistemas lineales, en los sistemas no lineales no hay En estas aplicaciones, las redes neuronales son
una relación directa entre los métodos de diagnóstico simplemente utilizadas para examinar la posibilidad
de fallos basados en relaciones de paridad y los de fallo o comportamiento anormal de las salidas del
basados en observadores. Debido a nuevos sistema y dar una señal de clasificación del fallo que
desarrollos en observadores no lineales [167], [223], declare si el sistema tiene o no tiene fallo. Puede ser
el problema del diagnóstico de fallos se ha válido para algunos sistemas estáticos utilizar solo
investigado para sistemas no lineales más generales salidas del sistema para diagnosticar fallos, sin
[172], [62], [82], [83], [25], [158], [12], [178]. Los embargo este no es el caso de los sistemas dinámicos
ANEXO 2

porque el cambio en las entradas del sistema puede observadores borrosos cualitativos [237] y los
también afectar a las salidas el sistema. Un método de basados en algoritmos genéticos [155]. Actualmente
diagnóstico que solo utilice información de las hay algunos estudios que combinan las redes
salidas podría dar información incorrecta sobre los neuronales con la lógica borrosa para formar el
fallos en el sistema cuando cambian las entradas de llamado método neuro-borroso para diagnóstico de
dicho sistema. Esto es especialmente cierto para fallos en sistemas dinámicos no lineales [11], [231],
sistemas no lineales. Hay que señalar que este [5], [160], [57], [6], [19], [168], [207]. Con un
problema ya ha sido resuelto en diagnóstico de fallos método combinado, las ventajas de ambos métodos
basado en modelos utilizando el concepto de pueden ser totalmente explotadas.
generación de residuos en el que tanto las entradas
como las salidas del sistema monitorizado se utilizan 4 COMENTARIOS FINALES
para generar un indicador del fallo. Se puede
desacoplar el efecto de la entrada del residuo y así el En este se presenta la aplicación de los principales
residuo solo contiene información del fallo. El métodos de detección y diagnóstico de fallos basados
diagnóstico de fallo basado en este residuo en el modelo de la planta a los sistemas dinámicos no
adecuadamente diseñado puede dar información del lineales. Dicha aplicación se puede realizar
diagnóstico fiable. básicamente de dos formas:
Recientemente, los conceptos de generación y • Extendiendo los métodos de diagnóstico de fallos
evaluación del residuo han sido combinados con de sistemas lineales a los sistemas no lineales, como
redes neuronales para formar una poderosa son los observadores y las ecuaciones de paridad.
herramienta de diagnóstico de fallos para sistemas Dichas extensiones solo pueden hacerse si se
dinámicos no lineales. En [157] se estudiaron restringe a su vez los sistemas no lineales a los que se
procesos dinámicos en lugar de estáticos y se les aplica (por ejemplo los sistemas bilineales), a
propusieron modos de utilizar las redes neuronales partir del cual se realiza el desarrollo analítico
para la generación y evaluación del residuo. En ese correspondiente, con la limitación que ello supone.
estudio se utilizaron las poderosas propiedades de las • Mediante la utilización de una herramienta de
redes neuronales para modelar y clasificar. Estas modelado universal que incorpore información
ideas se desarrollaron posteriormente en [104], [153], cualitativa del sistema dinámico. Dicha herramienta
[56],[25], [19]. de modelado universal puede ser una red neuronal
Para abordar el problema de la precisión y exactitud que a su vez incorpore información cualitativa del
en el diagnóstico de fallos, se han desarrollado sistema mediante lógica borrosa. La aplicación de
métodos basados en lógica borrosa [43], [55], [94], esta herramienta es adecuada cuando la información
[204], [169], [50], [92]. Sin embargo, la técnica de la del sistema o el conocimiento de las variables del
lógica borrosa en el diagnóstico de fallos no es por su mismo no tienen precisión cuantitativa suficiente para
propia naturaleza eficiente para detectar fallos utilizar otro tipo de métodos.
incipientes. También por su propia naturaleza, la
técnica de la lógica borrosa está limitada a sistemas Referencias
relativamente simples, ya que en otro caso daría lugar
a un número extenso e inmanejable de reglas. [1] K. Adjallah, D. Maquin and J. Ragot. “Nonlinear
Además tales esquemas son difíciles de relacionar bserver-based fault detection”. Proc. of the 3rd IEEE
con las técnicas clásicas de diagnóstico de fallos, las Conf. on Control Applications, Glasgow, Scotland,
cuales proporcionan una herramienta poderosa de pp. 1115-1120, 1994.
diseño y análisis y no están limitadas tan severamente [2] A. Alessandri, G. Bruzzone, M. Cacia, P. Coletta
por la complejidad del sistema. Hay mucho beneficio and G. Veruggio. “Fault detection through dynamics
que ganar al combinar lógica borrosa con los monitoring for unmanned underwater vehicles”.
conceptos de diagnóstico de fallos basado en modelos Preprints of the 4th IFAC Symposium on Fault
[11], [55], [94], [169], [114], [170], [124], [64], Detection, Supervision and Safety for Technical
[136], [105]. Sin embargo la mayoría de los estudios Processes SAFEPROCESS’2000, Budapest, Hungary,
de diagnóstico de fallos basados en lógica borrosa Vol.2, pp. 973-978, June 2000.
utilizan solamente las capacidades de interpretación y [3] S. Altug, M. Y. Chow and H. J. Trussell. “Fuzzy
razonamiento de la lógica borrosa. Takagi y Sugeno Inference Systems Implemented on Neural
probaron en [196] que lógica borrosa se puede Architectures for Motor Fault Detection and
utilizar para formar el modelo borroso, el cual es muy Diagnosis”. IEEE Transactions on Industrial
poderoso a la hora de modelar sistemas dinámicos no Electronics, 46(6), pp. 1069-1079,December 1999.
lineales. Esta habilidad de modelado ha sido utilizada [4] S. A. Ashton, D. N. Shields and S. Daley.
en el diseño de observadores borrosos para “Design of a robust fault detection observer for
diagnóstico de fallos en sistemas dinámicos no polynomial nonlinearities”. Preprints of the 14th
lineales [124], [25], [19], [192]. Dentro de los IFAC World Congress, Beijing, P. R. China, Vol.P,
observadores borrosos se encuentran los basados en pp. 49-54, July 1999.
el modelo borroso de Takagi-Sugeno [192], los
ANEXO 2

[5] M. Ayoubi and R. Isermann. “Neuro-fuzzy Approaches to Fault Diagnosis for Dynamic
systems for diagnosis”. Fuzzy Sets and Systems, Systems”. European Journal of Control, 7, pp. 248-
89(3), pp. 289-307, 1997. 286, 2001.
[6] P. Ballé, M. Fischer, D. Füssel, O. Nelles and R. [20] J. M. F. Calado, M. J. G. C. Mendes, J. M. G. Sá
Isermann. “Integrated Control, Diagnosis and da Costa and J. Korbicz. “Neuro and neurofuzzy
Reconfiguration of a Heat Exchanger”. IEEE Control hierarchical structures comparision in FDI: case
Systems Magazine, 18(3), pp. 52-63, June 1998. study”. Preprints of the 15th IFAC World Congress,
[7] M. Basseville. “Detecting Changes in Signals and Barcelona, Spain, 1246, July 2002.
Systems – A Survey”. Automatica, 24(3), pp. 309- [21] J. Candau. “Sistemas de Control con Tolerancia
326, 1988. a Fallos Activa”. Tesis doctoral, Dpto. Ingeniería de
[8] M. Basseville. “Information Criteria for Residual Sistemas y Automática, Universidad de Valladolid,
Generation and Fault Detection and Isolation”. España, 2001.
Automatica, 33(5), pp. 783-803, 1997. [22] C. T. Chang and J. W. Chen. “Implementation
[9] M. Basseville and I. Nikiforov. “Detection of issues concerning the EKF-based faultdiagnosis
Abrupt Changes: Theory and Application”. Prentice- techniques”. Chemical Engineering Science, 50(18),
Hall Information and System Sciences Series, New pp. 2861-2882, 1995.
York, 1993. [23] S. K. Chang and P. L. Hsu. “A novel design for
[10] J. S. Bay. “Fundamentals of Linear State Space the unknown input fault-detection observer”.
Systems”. The McGraw-Hill Companies, Inc., 1999. Control-Theory and Advanced Technology, 10(4
[11] H. Benkhedda and R. J. Patton. “B-spline Pt2), pp. 1029-1051, 1995.
network integrated qualitative and quantitative fault [24] J. Chen and R. J. Patton. “Optimal filtering and
detection”. Preprints of the 13th IFAC World robust fault-diagnosis of stochastic-systems with
Congress, San Francisco, USA, 1996. unknown disturbances”. IEE Proc-D.: Contr. Theory
[12] G. Besançon. “On high gain observer based & Appl., 143(1), pp. 31-36, 1996.
robust fault detection in nonlinear systems”. [25] J. Chen and R. J. Patton. “Robust Model-Based
Preprints of the 4th IFAC Symp. on Fault Detection, Fault Diagnosis for Dynamic Systems”. Kluwer
Supervision and Safety for Technical Processes Academic Publishers, 1999.
SAFEPROCESS’2000, Budapest, Hungary, Vol.1, pp. [26] J. Chen, R. J. Patton and H. Y. Zhang. “Design
215-220, June 2000. of unknown input observers and robust faultdetection
[13] G. Besançon and Q. Zhang. “Further filters”. Int. J. Contr., 63(1), pp. 85- 105, 1996.
developments on adaptive observers for nonlinear [27] W. Chen and M. Saif. “Robust fault detection
systems with application in fault detection”. and isolation in constrained nonlinear systems via a
Preprints of the 15th IFAC World Congress, second order sliding mode observer”. Preprints of the
Barcelona, Spain, 2085, July 2002. 15th IFAC World Congress, Barcelona, Spain, 1498,
[14] L. F. Blázquez. “Diagnosticabilidad de fallos en July 2002.
sistemas de control no lineales con saturación”. Tesis [28] L. H. Chiang, E. L. Russell and R. D. Braatz.
doctoral, Dpto. Ingeniería de Sistemas y Automática, “Fault Detection and Diagnosis in Industrial
Universidad de Valladolid, España, 2003. Systems”. Springer, 2001.
[15] L. F. Blázquez and L. J. de Miguel. “Saturation [29] E. Y. Chow and A. S. Willsky. “Analytical
effects detecting additive faults”. Proceedings of the Redundancy and the Design of Robust Failure
European Control Conference ECC2001, pp. 2340- Detection Systems”. IEEE Transactions on
2345, September 2001. Automatic Control, AC-29(7), pp. 603-614, July
[16] L. F. Blázquez, J. M. Foces and L. J. de Miguel. 1984.
“Additive fault detection in a real nonlinear system [30] R. N. Clark. “The dedicated observer approach
with saturation”. Preprints of the 5th IFAC to instrument failure detection”. Proc. of the 18th
Symposium on Fault Detection, Supervision and IEEE Conf. on Decision & Control, Fort Lauderdale,
Safety for Technical Processes Fla., pp. 237-241, 1979.
SAFEPROCESS’2003, Washington, D.C., USA, pp. [31] P. A. Cook. “Nonlinear Dynamical System, 2nd
1119-1124, June 2003. edition”. Prentice Hall International Series in
[17] J. Bouattour and J. J. Gertler. “Diagnosis Systems and Control Engineering, UK, 1994.
parametric faults in induction motors with nonlinear [32] A. Creus. “Simulación y control de procesos por
parity relations”. Preprints of the 4th IFAC ordenador”. Marcombo Boixareu Editores, España,
Symposium on Fault Detection, Supervision and 1987.
Safety for Technical Processes SAFEPROCESS 2000, [33] A. Creus. “Simulación de procesos con PC”.
Budapest, Hungary, Vol.2, pp. 992-997, June 2000. Marcombo Boixareu Editores, España, 1989. [34] J.
[18] M. Brown and C. J. Harris. “Neurofuzzy J. D’Azzo y C. H. Houpis. “Sistemas
Adaptive Modelling and Control”. Prentice Hall, realimentados de control: análisis y síntesis, 4ª
New York, 1994. edición”. Paraninfo S.A., 1989.
[19] J. M. F. Calado, J. Korbick, K. Patan, R. J. [35] M. J. de la Fuente. “Técnicas Robustas de
Patton and J. M. G. Sá da Costa. “Soft Computing Detección y Diagnóstico de Fallos basadas en
ANEXO 2

Modelos”. Tesis doctoral, Dpto. Ingeniería de TOOLDIAG’93, Toulouse, France, pp. 817-836,
Sistemas y Automática, Universidad de Valladolid, April 1993.
España 1994. [50] P. M. Frank. “Application of fuzzy logic to
[36] M. J. de la Fuente. “Detección y diagnóstico de process supervision and fault diagnosis”. Preprints of
fallos usando redes neuronales”. Primeras Jornadas the 2nd IFAC Symposium on Fault Detection,
de Trabajo sobre Diagnosis, Valladolid, España, pp. Supervision and Safety for Technical Processes
61-70, Julio 2001. SAFEPROCESS’94, Espoo, Finland, pp. 531-538,
[37] M. J. de la Fuente and S. Saludes. 1994.
“Faultdetection and isolation in a non-linear plant via [51] P. M. Frank. “On-line fault-detection in
neural networks”. Preprints of the 4th IFAC uncertain nonlinear-systems using diagnostic
Symposium on Fault Detection, Supervision and observers: a survey”. Int. J. Systems Sci., 25(12), pp.
Safety for Technical Processes SAFEPROCESS 2129-2154, 1994.
’2000, Budapest, Hungary, pp. 472-477, 2000. [52] P. M. Frank and X. Ding. “Survey of robust
[38] M. J. de la Fuente and P. Vega. “Neural residual generation and evaluation methods in
networks applied to fault detection of a observer-based fault detection systems”. J. Proc.
biotechnological process”. Eng. Applications of Cont., 7(6), pp. 403-424, 1997.
Artificial Intelligence, 12(5), pp. 569-584, 1999. [53] P. M. Frank, S. X. Ding and B. Köppen-Seliger.
[39] M. A. Demetriou and M. M. Polycarpou. “Current developments in the theory of FDI”.
“Incipient Fault Diagnosis of Dynamical Systems Preprints of the 4th IFAC Symposium on Fault
Using Online Approximators”. IEEE Transactions on Detection, Supervision and Safety for Technical
Automatic Control, 43(11), pp. 1612-1617, Processes SAFEPROCESS’2000, Budapest, Hungary,
November 1998. Vol.1, pp. 16-27, June 2000.
[40] L. J. de Miguel. “Diagnóstico Automático de [54] P. M. Frank, X. Ding and J. Wochnik.
Fallos basado en Ecuaciones de Paridad”. Tesis “Modelbased fault detection in diesel-hydraulically
doctoral, Dpto. Ingeniería de Sistemas y Automática, driven industrial trucks”. Proc. of 1991 American
Universidad de Valladolid, España, 1994. Control Conference, Boston, pp. 1528-1533, 1991.
[41] L. J. de Miguel y J. R. Perán. “Métodos de [55] P. M. Frank and N. Kiupel. “Fuzzy supervision
detección y diagnóstico de fallos basados en el and application to lean production”. Int. J. Sys. Sci.,
modelo de la planta”. Informática y Automática, 24(10), pp. 1935-1944, 1993.
29(1), pp. 3-29, Junio 1997. [56] P. M. Frank and B. Köppen-Seliger. “Fuzzy
[42] C. de Persis and A. Isidori. “A Geometric Logic and Neural Network Applications to Fault
Approach to Nonlinear Fault Detection and Diagnosis”. International Journal of Approximate
Isolation”. IEEE Transactions on Automatic Control, Reasoning, 16(1), pp. 67-88, 1997.
46(6), pp. 853-865, June 2001. [57] P. M. Frank and B. Köppen-Seliger. “New
[43] A. L. Dexter. “Fuzzy model-based Developments Using AI in Fault Diagnosis”. Engng.
faultdiagnosis”. IEEE Proc.-D: Contr. Theory & Applic. Artif. Intell., 10(1), pp. 3-14, 1997.
Appl., 142(6), pp. 545-550, 1995. [58] P. M. Frank and R. Seliger. “Fault detection and
[44] X. Ding and P. M. Frank. “An adaptive isolation in automatic process”. En C. Leondes (ed.),
observer-based fault detection scheme for nonlinear Control and Dynamics Systems, 49, pp. 241-287,
dynamic systems”. Preprints of the 12th IFAC World 1991.
Congress, Australia, 7, pp. 307-310, 1993. [59] G. F. Franklin, J. D. Powell and A. Emami-
[45] R. C. Dorf. “Sistemas Modernos de Contro, 2ª Naeini. “Control de sistemas dinámicos con
edición”. Addison-Wesley Iberoamericana, S.A., retroalimentación”. Addison-Wesley Iberoamericana,
USA, 1989. S.A., USA, 1991.
[46] C. Edwards and S. K. Spurgeon. “On the [60] Y. Funahashi. “State stable estimator for bilinear
development of discontinuous observers”. Int. J. systems”. Int. J. Contr., 29(2), pp. 181-188, 1976.
Contr., 59(5), pp. 1211-1229, 1994. [61] C. Gan, K. Danai. “Fault diagnosis with a
[47] C. Edwards, S. K. Spurgeon, R. J. Patton and P. model-based recurrent neural network”. Preprints of
Klotzek. “Sliding mode observers for fault the 5th IFAC Symposium on Fault Detection,
detection”. Preprints of the 3rd IFAC Symposium on Supervision and Safety for Technical Processes
Fault Detection, Supervision and Safety for Technical SAFEPROCESS’2003, Washington, D. C., USA, pp.
Processes SAFEPROCESS’97, Hull, UK, pp. 507- 747-752, 2003.
512, August 1997. [62] E. A. García and P. M. Frank. “Deterministic
[48] P. M. Frank. “Fault Diagnosis in Dynamic nonlinear observer-based approaches to fault
Systems using Analytical and Knowledge- Based diagnosis: a survey”. Control Eng. Practice, 5(5), pp.
Redundancy – A Survey and Some New Results”. 663-670, 1997.
Automatica, 26(3), pp. 459-474, 1990. [63] F. J. García, A. J. García, J. Candau and J. R.
[49] P. M. Frank. “Advances in observer-based fault Perán. “Fault diagnosis systems using neural
diagnosis”. Proc. of Int. Conf. on Fault Diagnosis networks models”. Preprints of the 4th IFAC
Symposium on Fault Detection, Supervision and
ANEXO 2

Safety for Technical Processes SAFEPROCESS 2000, Detection and Isolation”. Automatica, 26(2), pp. 381-
Budapest, Hungary, Vol.1, pp. 467-471, 2000. 388, 1990.
[64] F. J. García, V. Izquierdo, L. J. de Miguel and J. [78] J. J. Gertler and M. Staroswiecki. “Structured
R. Perán. “Fault-diagnostic system using analytical fault diagnosis in mildly nonlinear systems: parity
fuzzy redundancy”. Engineering Applications of space and input-output formulations”. Preprints of
Artificial Intelligence, 13(4), pp. 441-450, August the 15th IFAC World Congress, Barcelona, Spain,
2000. 439, July 2002.
[65] V. Garg and J. K. Hedrick. “Fault detection filter [79] G. C. Goodwin, S. F. Graebe and M. E. Salgado.
for a class of non-linear systems”. Proc. Of the 1995 “Control System Design”. Prentice Hall Inc., New
American Control Conf., Seatlle, USA, pp. 1647- Jersey, USA, 2001.
1651, 1995. [80] C. Guernez, J. P. Cassar and M. Staroswiecki.
[66] M. Ge, G. Zhang, R. Du and Y. Xu. “Extension of parity space to nonlinear polynominal
“Application of support vector machine based fault dynamic systems”. Preprints. Of the 3rd IFAC
diagnosis”. Preprints of the 15th IFAC World Symposium on Fault Detection, Supervision and
Congress, Barcelona, Spain, 962, July 2002. Safety for Technical Processes SAFEPROCESS’97,
[67] C. F. Gerald y P. O. Wheatley. “Análisis Hull, UK, pp. 861-866, August 1997.
numérico con aplicaciones, 6ª edición”. Pearson [81] A. Hać. “Design of disturbance decoupled
Educación S.A., México, 2000. observer for bilinear systems”. J. Dyn. Sys. Meas. &
[68] J. J. Gertler. “Survey of Model-Based Failure Contr. – Trans. of the ASME, 114(4), pp. 556-562,
Detection and Isolation in Complex Plants”. IEEE 1992.
Control Systems Magazine, 8(6), pp. 3-11, December [82] H. Hammouri, M. Kinnaert and E. H. El
1988. Yaagoubi. “Fault detection and isolation for
[69] J. J. Gertler. “Analytical redundancy methods in state affine systems”. European J. Control,
fault detection and isolation”. Preprints of 4(1), pp. 2-16, 1998.
IFAC/IMACS Symposium on Fault Detection, [83] H. Hammouri, M. Kinnaert and E. H. El
Supervision and Safety for Technical Processes Yaagoubi. “Observer-Based Approach to Fault
SAFEPROCESS’91, Baden-Baden, Germany, pp. 9- Detection and Isolation for Nonlinear Systems”.
21, 1991. IEEE Transactions on Automatic Control, 44(10), pp.
[70] J. J. Gertler. “Fault detection and isolation using 1879-1884, October 1999.
parity relations”. Contr. Eng. Practice, 5(5), pp. 653- [84] H. Hammouri, P. Kabore and M. Kinnaert. “A
661, 1997. Geometric Approach to Fault Detection and Isolation
[71] J. J. Gertler. “Fault Detection and Diagnosis in for Bilinear Systems”. IEEE Transactions on
Engineering Systems”. Marcel Dekker, 1998. Automatic Control, 46(9), pp. 1451-1455, September
[72] J. J. Gertler. “All linear methods are equal – 2001.
andextendible to nonlinearities”. Preprints of the 4th [85] A. Hara and K. Furuta. “Minimal order state
IFAC Symposium on Fault Detection, Supervision observers for bilinear systems”. Int. J. Contr., 24(5),
and Safety for Technical Processes SAFEPROCESS pp. 705-718, 1976.
2000, Budapest, Hungary, Vol.1, pp. 52-63, June [86] Y. Hayashi, J. J. Buckley and E. Czogala.
2000. “Systems engineering applications of fuzzy neural
[73] J. J. Gertler, Y. Hu, Y. Huang and T. McAvoy. networks”. J. of Systems Eng., 2(4), pp. 232-236,
“Structured partial component analysis: extension to 1992.
polynomial nonlinearities”. Preprints of the 4th IFAC [87] D. Hengy and P. M. Frank. “Component failure
Symposium on Fault Detection, Supervision and detection via nonlinear state observers”. Proc. of
Safety for Technical Processes SAFEPROCESS2000, IFAC Workshop on Fault Detection and Safety in
Budapest,Hungary, Vol.2, pp. 1004-1009, June 2000. Chemical Plants, Kyoto, Japan, pp. 153-157, 1986.
[74] J. J. Gertler, W. Li, Y. Huang and T. J. McAvoy. [88] D. M. Himmelblau, R. W. Barker and W.
“Isolation enhanced principal component analysis”. Suewatanakul. “Fault classification with the aid of
AIChE J., 45, pp. 323- 332, 1999. artificial neural networks”. Preprints of IFAC/IMACS
[75] J. J. Gertler and Q. Luo. “Robust isolable models Symposium on Fault Detection, Supervision and
for failure diagnosis”. AIChE J., 35(11), pp. 1856- Safety for Technical Processes SAFEPROCESS’91,
1868, 1989. Baden-Baden, Germany, Vol.2, pp. 369-373, 1991.
[76] J. J. Gertler and T. J. McAvoy. “Principal [89] M. Hou and A. C. Pugh. “Observing state in
component analysis and parity relations – a strong bilinear systems: a UIO approach”. Preprints of the
duality”. Preprints. of the 3rd IFAC Symposium on 3rd IFAC Symposium on Fault Detection,
Fault Detection, Supervision and Safety for Technical Supervision and Safety for Technical Processes
Processes SAFEPROCESS’97, Hull, UK, pp. 837- SAFEPROCESS’97, Hull, UK, pp. 783-788, August
842, August 1997. 1997.
[77] J. J. Gertler and D. Singer. “A New Structural [90] K. J. Hunt, D. Sbarbaro, R. Zbikowski and P. J.
Framework for Parity Equation-based Failure Gawthrop. “Neural networks for control systems – a
survey”. Automatica, 28(6), pp. 1083-1112, 1992.
ANEXO 2

[91] R. Isermann. “Fault Diagnosis of Machines via [105]J. M. Kościelny, M. Syfert. “Fuzzy logic
Parameter Estimation and Knowledge Processing – application to diagnostics of industrial processes”.
Tutorial Paper”. Automatica, 29(4), pp. 815-835, Preprints of the 5th IFAC Symposium on Fault
1993. Detection, Supervision and Safety for Technical
[92] R. Isermann. “On fuzzy logic applications for Processes SAFEPROCESS’2003, Washington, D. C.,
automatic control, supervision and fault diagnosis”. USA, pp. 771-776, 2003.
IEEE Trans. on Sys. Man and Cyber. Part A-Sys. & [106]J. R. Koza. “Genetic programming”. Cambridge
Humans, 28(8), pp. 221-235, 1998. MIT, The MIT Press 1992. [107]M. A. Kramer and
[93] R. Isermann and P. Ballé. “Trends in the B. M. Palowitch Jr. “A Rule- Based Approach to
application of model-based fault detection and Fault Diagnosis using the Signed Directed Graph”.
diagnosis of technical processes”. Control Eng. AIChE Journal, 33(7), pp. 1067-1078, 1989.
Practice, 5(5), pp. 709-719, 1997. [108]V. Krishnaswami, G. Luh and G. Rizzoni.
[94] R. Isermann and M. Ulieru. “Integrated fault “Nonlinear parity equation based residual generation
detection and diagnosis”. Proc. of the 1993 IEEE for diagnosis of automotive engine faults”. Contr.
Conference on Systems, Man & Cybernetics, Le Eng. Practice, 3(10), pp. 1385- 1392, 1995.
Touquet, France, pp. 743-748, 1993. [109]V. Krishnaswami and G. Rizzoni. “Nonlinear
[95] B. Jiang, V. Cocquempot and C. Christophe. parity equation residual generation for fault detection
“Fault diagnosis using sliding mode observer for and isolation”. Preprints of the 2nd IFAC Symposium
nonlinear systems”. Preprints of the 15th IFAC World on Fault Detection, Supervision and Safety for
Congress, Barcelona, Spain, 674, July 2002. Technical Processes SAFEPROCESS’94, Espoo,
[96] P. Kabore, S. Toman, T. F. Mckenna and H. Finland, Vol.1, pp. 317-322, 1994.
Hammouri. “Observer based fault diagnosis for a [110]V. Krishnaswami and G. Rizzoni. “A survey of
class of nonlinear system – application to a free observer based residual generation for FDI”.
radical copolymerisation reaction”. Int. J. Control, Preprints of the 2nd IFAC Symposium on Fault
73, pp. 787-803, 2000. Detection, Supervision and Safety for Technical
[97] P. Kabore and H. Wang. “Design of Fault Processes SAFEPROCESS’94, Espoo, Finland,
Diagnosis Filters and Fault-Tolerant Control for a Vol.1, pp. 34-39, 1994.
Class of Nonlinear Systems”. IEEE Transactions on [111]V. Krishnaswami and G. Rizzoni. “Robust
Automatic Control, 46(11), pp. 1805-1810, residual generation for nonlinear system fault
November 2001. detection and isolation”. Preprints of the 3rd IFAC
[98] S. N. Kavuri and V. Venkatasubramanian. Sympo. on Fault Detection, Supervision and Safety
“Neural network decomposition strategies for large- for Technical Processes SAFEPROCESS’97, Hull,
scale fault diagnosis”. Int. J. Contr., 59(3), pp. 767- UK, pp. 154-159, August 1997.
792, 1994. [112]B. C. Kuo. “Sistemas de Control Automático, 7ª
[99] H. K. Khalil. “Nonlinear Systems, third edition”. edición”. Prentice Hall Hispanoamericana, S.A.,
Prentice Hall Inc., New Jersey, USA, 2002. México, 1996.
[100]Y. W. Kim, G. Rizzoni, A. Soliman, P. Azzoni [113]S. H. Lane, D. A. Handelman and J. J. Gelfand.
and D. Moro. “Powertrain diagnostics using “Theory and development of higher-order CMAC
nonlinear sliding-mode observers”. Preprints of the neural-networks”. IEEE Contr. Syst. Mag., 12(2), pp.
3rd IFAC Symposium on Fault Detection, 23-30, 1992.
Supervision and Safety for Technical Processes [114]E. G. Laukonen, K. M. Passino, V.
SAFEPROCESS’97, Hull, UK, pp. 825-830, August Krishnaswami, G.-C. Luh and G. Rizzoni. “Fault
1997. Detection and Isolation for an Experimental Internal
[101]Y.-W. Kim, G. Rizzoni and V. Utkin. Combustion Engine via Fuzzy Identification”. IEEE
“Automotive Engine Diagnosis and Control via Transactions on Control Systems Technology, 3(3),
Nonlinear Estimation”. IEEE Control Systems pp. 347-355, September 1995.
Magazine, 18(5), pp. 84-99, October 1998. [115]J. A. Leonard and M. A. Kramer. “Diagnosing
[102]M. Kinnaert. “Robust fault detection based on dynamic faults using modular neural-nets”. IEEE
observers for bilinear systems”. Automatica, 35, pp. Expert-Intelligent Systems & Their Applications,
1829-1842, 1999. 8(2), pp. 44-53, 1993.
[103]M. Kinnaert. “Fault diagnosis based on [116]W. S. Levine. “The Control Handbook”. CRC
analytical models for linear and nonlinear systems. A Press Inc., 1996.
tutorial”. Preprints of the 5th IFAC Symposium on [117]P. H. Lewis y C. Yang. “Sistemas de control en
Fault Detection, Supervision and Safety for Technical ingeniería”. Prentice Hall Iberia, S.R.L., España,
Processes SAFEPROCESS’2003, Washington, D. C., 1999.
USA, pp. 37-50, 2003. [118]C. J. Li and Y. M. Fan. “Recurrent neural
[104]B. Köppen-Seliger and P. M. Frank. “Fault networks for fault diagnosis and severity assessment
detection and isolation in technical processes with of a screw compresor”. J. Dynamic Sys. Measurement
neural networks”. Proc. of the 34th Conf. on Decision & Control, Trans. of the ASME 121(4), pp. 724-729,
& Control, New Orleans, USA, pp. 2414-2419, 1995 1999.
ANEXO 2

[119]W. Lin and H. Wang. “Linearization techniques [134]D. P. Morgan and C. L. Scofield. “Neural
in fault diagnosis of non-linear systems”. Journal of Networks and Speech Processing”. Kluwer Academic
Systems and Control Engineering Part I, 214(4), pp. Publishers, 1991.
241-245, March 2000. [135]E. Moya, G. I. Sainz, B. Grande, M. J. de la
[120]D. K. Lindner. “Introduction to Signals and Fuente and J. R. Perán. “Neural PCA based fault
Systems”. The McGraw-Hill Companies, Inc., 1999. diagnosis”. Proceedings of the European Control
[121]B. G. Lipták. “Process Control, 3rd edition”. Conference ECC2001, pp. 809-813, September 2001.
Butterworth-Heinemann, 1995. [136]E. Moya, G. I. Sainz, J. Juez, J. Candau and J.
[122]D. Liu and A. N. Michel. “Dynamical Systems R. Perán. “Fault diagnosis and automatic extraction
with Saturation Nonlinearities. Analysis and Design”. of fuzzy rules in AC motors”. Preprints of the 15th
Springer-Verlag, 1994. IFAC World Congress, Barcelona, Spain, 1026, July
[123]L. Ljung. “System identification: Theory for the 2002.
user, 2nd edition”. Prentice Hall, New Jersey, 1999. [137]S. Naidu, E. Zafiriou and T. J. McAvoy. “Use
[124]C. J. Lopez-Toribio, R. J. Patton and J. Chen. of neural networks for failure detection in a control
“Fuzzy Observers for Non-linear Dynamic Systems system”. IEEE Contr. Syst. Mag., 10, pp. 49-55,
Fault Diagnosis”. Proc. of the 27th IEEE Conf. on 1990.
Decision and Control, Tampa, Florida, pp. 16-18, [138]M. R. Napolitano, V. Casdorph, C. Neppach, S.
1998. Naylor, M. Innocenti and G. Silvestri. “Online
[125]L. Ma, Y. Yang, F. Wang and N. Lu. “A neural learning neural architectures and crosscorrelation
network observer approach for actuator fault dtection analysis for actuator failuredetection and
and diagnosis in nonlinear systems”. Preprints of the identification”. Int. J. Contr., 63(3), pp. 433-455,
15th IFAC World Congress, Barcelona, Spain, 642, 1996.
July 2002. [139]M. R. Napolitano, C. Neppach, V. Casdorph, S.
[126]Y. Maki and K. A. Loparo. “A Neural-Network Naylor, M. Innocenti and G. Silvestri.
Approach to Fault Detection and Diagnosis in “Neuralnetwork- based scheme for sensor
Industrial Processes”. IEEE Transactions on Control failuredetection, identification and accommodation”.
Systems Technology, 5(6), pp. 529-541, November J. of Guidance, Contr. & Dynamics, 18(6), pp. 1280-
1997. 1286, 1995.
[127]R. S. Mangoubi. “Robust Estimation and [140]K. S. Narendra. “Neural networks for control:
Failure Detection. A Concise Treatment”. Springer- Theory and practice”. Proc. IEEE, 84(10), pp. 1385-
Verlag, 1998. 1406, 1996.
[128]M. Männle. “FSTM – Fast Takagi-Sugeno [141]K. S. Narendra and K. Parthasarathy.
fuzzy modeling”. Preprints of the 4th IFAC “Identification and Control of Dynamic Systems
Symposium on Fault Detection, Supervision and Using Neural Networks”. IEEE Transactions on
Safety for Technical Processes SAFEPROCESS2000, Neural Networks, 1(1), pp. 4- 27, March 1990.
Budapest, Hungary, Vol.2, pp. 663-668, June 2000. [142]A. Obuchowicz and K. Patan. “An algorithm of
[129]T. Marcu and L. Mirea. “Robust Detection and evolutionary search with soft selection for training
Isolation of Process Faults Using Neural Networks”. multi-layer feedforward NNs”. Proceedings of 3er
IEEE Control Systems Magazine, 17(5), pp. 72-79, Conference NN & their applications, Kule, Poland,
October 1997. pp. 123-128, 1997.
[130]T. Marcu, L. Mirea, P. M. Frank and H. D. [143]K. Ogata. “Ingeniería de Control Moderna”.
Kochs. “System identification and fault diagnosis Prentice Hall Hispanoamericana, S.A., México,
using dynamic functional-link neural networks”. 1980.
Proceedings of the European Control Conference [144]K. Ogata. “Dinámica de Sistemas”. Prentice
ECC2001, pp. 1618-1623, September 2001. Hall Hispanoamericana, S.A., México, 1987.
[131]J. H. Mathews y K. D. Fink. “Métodos [145]K. Ogata. “Sistemas de Control en Tiempo
Numéricos con MatLab, 3ª edición”. Pearson Discreto, 2ª edición”. Prentice may
Educación S.A., España, 2000. Hispanoamericana, S.A., México, 1996.
[132]C. Mechmeche and S. Nowakowski. “Residual [146]K. Ogata. “Ingeniería de Control Moderna, 3ª
generator synthesis for bilinear systems with edición”. Prentice Hall Hispanoamericana, S.A.,
unknown inputs”. Preprints of the 3rd IFAC México, 1998.
Symposium on Fault Detection, Supervision and [147]A. V. Oppenheim, A. S. Willsky y S. H. Nawad.
Safety for Technical Processes SAFEPROCESS’97, “Señales y Sistemas, 2ª edición”. Prentice Hall
Hull, UK, pp. 765-770, August 1997. Hispanoamericana, S.A., México, 1998.
[133]M. J. G. C. Mendes, M. Kowal, J. Korbicz and [148]I. B. Özyurt, L. O. Hall and A. K. Sunol.
J. M. G. Sá da Costa. “Neuro-fuzzy structures in FDI “SQFDiag: Semiquantitative Model-Based Fault
systems”. Preprints of the 15th IFAC World Monitoring and Diagnosis via Episodic Fuzzy
Congress, Barcelona, Spain, 2024, July 2002. Rules”. IEEE Transactions on Systems, Man and
Cybernetics-Part A: Systems and Humans, 29(3), pp.
294-306, May 1999.
ANEXO 2

[149]M. A. Pacheco, R. Arnanz, A. Mendoza, L. J. de [162]C. L. Phillips y H. T. Nagle. “Sistemas de


Miguel and J. R. Perán. “Diagnosis of AC motors Control Digital. Análisis y Diseño”. Gustavo Gili,
with parity equations and neural networks”. S.A., España, 1987.
Proceedings of the European Control Conference [163]M. M. Polycarpou. “Fault Accommodation of a
ECC2001, pp. 499-503, September 2001. Class of Multivariable Nonlinear Dynamical Systems
[150]K. P. Patan and J. Korbicz. “Application of Using a Learning Approach”. IEEE Transactions on
dynamic neural networks in an industrial plant”. Automatic Control, 46(5), pp. 736-742, May 2001.
Preprints of the 4th IFAC Symposium on Fault [164]M. M. Polycarpou and A. B. Trunov. “Learning
Detection, Supervision and Safety for Technical Approach to Nonlinear Fault Diagnosis: Detectability
Processes SAFEPROCESS’2000, Budapest, Hungary, Analysis”. IEEE Transactions on Automatic Control,
Vol.1, pp. 186-191, June 2000. 45(4), pp. 806-812, April 2000.
[151]R. J. Patton. “Fault-Tolerant control: the 1997 [165]M. M. Polycarpou and A. T. Vemuri. “Learning
situation (survey)”. En Preprints of the 3rd IFAC Methodology for Failure Detection and
Symposium on Fault Detection, Supervision and Accommodation”. IEEE Control Systems Magazine,
Safety for Technical Processes SAFEPROCESS’97, 15(3), pp. 16-24, June 1995.
Hull, UK, pp. 1029-1052, August 1997. [166]A. D. Pouliezos and G. S. Stavrakakis. “Real-
[152]R. J. Patton and J. Chen. “A review of parity Time Fault Monitoring of Industrial Processes”.
space approaches to fault diagnosis”. Preprints of Kluwer Academic Publishers, 1994.
IFAC/IMACS Symposium on Fault Detection, [167]S. Raghavan and J. K. Hedrick. “Observer
Supervision and Safety for Technical Processes design for a class of nonlinear systems”. Int. J.
SAFEPROCESS’91, Baden-Baden, Germany, Vol.1, Contr., 59(2), pp. 515-528, 1994. [168]G. I. Sainz,
pp. 239-255, 1991. M. J. de la Fuente and P. Vega. “Recurrent neuro-
[153]R. J. Patton and J. Chen. “Neural networks in fuzzy modelling of a biotechnological process”.
nonlinear dynamic systems fault diagnosis”. Proceedings of the European Control Conference
Engineering Simulation, (13)6, pp. 905-924, 1996. ECC2001, pp. 3822-3827, September 2001.
[154]R. J. Patton and J. Chen. “Observer-based fault [169]H. Schneider and P. M. Frank. “Fuzzy logic
detection and isolation: robustness and applications”. based threshold adaptation for fault detection in
Control Eng. Practice, 5(5), pp. 671-682, 1997. robots”. Proc. of the third IEEE Conf. On Control
[155]R. J. Patton, J. Chen and G. P. Liu. “Robust Applications, Glasgow, Scotland, pp. 1127-1132,
fault detection of dynamic systems via genetic 1994.
algorithms”. Proc. of IMechE Part I-J. of Syst. & [170]H. Schneider and P. M. Frank. “Observer-Based
Contr. Eng., 211(5), pp. 357-364, 1997. Supervision and Fault-Detection in Robots Using
[156]R. J. Patton, J. Chen and C. J. Lopez-Toribio. Nonlinear and Fuzzy Logic Residual Evaluation”.
“Fuzzy observers for non-linear dynamic systems IEEE Transactions on Control Systems Technology,
fault diagnosis”. Proc. of the 37th IEEE Conf. on 4(3), pp. 274-282, May 1996.
Decision and Control, pp. 84-89, 1998. [171]G. Schreier, E.A. García and P. M. Frank.
[157]R. J. Patton, J. Chen and T. M. Siew. “Fault “Observer-Based Residual Generation for a Class of
diagnosis in nonlinear dynamic systems via neural Nonlinear Systems”. Preprints of the 4th IFAC
networks”. Proc. of the IEE Int. Conf.: Control’94, Symposium on Fault Detection, Supervision and
Peregrinus Press, Conf. Pub. Nº 389, Warwick, UK, Safety for Technical Processes SAFEPROCESS2000,
pp. 1346-1351, 1994. Budapest, Hungary, Vol.2, pp. 727-732, June 2000.
[158]R. J. Patton, P. M. Frank and R. N. Clark. [172]G. Schreier, J. Ragot, R. J. Patton and P. M.
“Issues of Fault Diagnosis for Dynamic Systems”. Frank. “Observer design for a class of nonlinear
Springer-Verlag, 2000. systems”. Preprints of the 3rd IFAC Symposium on
[159]R. J. Patton, F. J. Uppal and C. J. Lopez- Fault Detection, Supervision and Safety for Technical
Toribio. “Soft computing approaches to fault Processes SAFEPROCESS’97, Hull, UK, pp. 483-
diagnosis for dynamic systems: a survey”. Preprints 488, August 1997.
of the 4th IFAC Symposium on Fault Detection, [173]R. Seliger and P. M. Frank. “Fault diagnosis by
Supervision and Safety for Technical Processes disturbance decoupled nonlinear observers”. Proc. of
SAFEPROCESS’2000, Budapest, Hungary, Vol.1, pp. the 30th IEEE Conf. on Decision & Control,
298-311, June 2000. Brighton, UK, pp. 2248-2253, 1991.
[160]T. Pfeufer and M. Ayoubi. “Application or a [174]R. Seliger and P. M. Frank. “Robust component
hybrid neuro-fuzzy system to the fault diagnosis on fault detection and isolation in nonlinear dynamic
an automotive electromechanical actuator”. Fuzzy systems using nonlinear unknown input observers”.
Sets and Systems, 89(3), pp. 351-360, 1997. Preprints of IFAC/IMACS Symposium on Fault
[161]D. T. Pham and S. J. Oh. “A recurrent Detection, Supervision and Safety for Technical
backpropagation neural network for dynamic system Processes SAFEPROCESS’91, Baden-Baden,
identification”. J. of Systems Eng., 2(4), pp. 213-223, Germany, Vol.1, pp. 313-318, 1991.
1992. [175]R. Seliger and P. M. Frank. “Robust residual
evaluation by threshold selection and a performance
ANEXO 2

index for nonlinear observer-based fault diagnosis”. chemical processes”. Preprints of the 15th IFAC
Proc. of Int. Conf. on Fault Diagnosis: World Congress, Barcelona, Spain, 294, July 2002.
TOOLDIAG’93, Toulouse, France, pp. 496-504, [188]J.-J. E. Slotine, J. K. Hedrick and E. A. Misawa.
April 1993. “On sliding observers for nonlinear systems”. J. Dyn.
[176]Y. Shiao and J. J. Moskwa. “Cylinder Pressure Sys. Meas. & Contr. – Trans. of the ASME, 109(2),
and Combustion Heat Realease Estimation for SI pp. 245-252, 1987.
Engine Diagnostics Using Nonlinear Sliding [189]J.-J. E. Slotine and W. Li. “Applied Nonlinear
Observers”. IEEE Transactions on Control Systems Control”. Prentice Hall, Englewood Cliffs, New
Technology, 3(1), pp. 70-78, March 1995. Jersey, 1991.
[177]D. N. Shields. “Observer design and detection [190]T. Söderström and P. Stoica. “System
for nonlinear descriptor systems”. Int. J. Contr., identification”. Prentice Hall, UK, 1989. [191]S. S.
67(2), pp. 153-168, 1997. [178]D. N. Shields and S. Soliman y M. D. Srinath. “Señales y Sistemas
Ashton. “A fault detection observer method for continuos y discretos, 2ª edición”. Prentice Hall
nonlinear systems”. Preprints of the 4th IFAC Iberia, S.R.L., España, 1999.
Symposium on Fault Detection, Supervision and [192]H. Song, H.-Y. Zhang. “Fault diagnosis based
Safety for Technical Processes on fuzzy observer for uncertain nonlinear systems”.
SAFEPROCESS’2000, Budapest, Hungary, Vol.1, pp. Preprints of the 5th IFAC Symposium on Fault
226-231, June 2000. Detection, Supervision and Safety for Technical
[179]R. Shih and L. Lee. “Use of fuzzy cause-effect Processes SAFEPROCESS’2003, Washington, D. C.,
digraph for resolution fault diagnosis for process USA, pp. 759-764, 2003.
plants I. Fuzzy cause-effect digraph”. Industrial [193]T. Sorsa and H. N. Koivo. “Application of
Engineering and Chemical Research 34, 1688-1702, artificial neural networks in process faultdiagnosis”.
1995. Automatica, 29(4), pp. 843-849, 1993.
[180]R. Shih and L. Lee. “Use of fuzzy cause-effect [194]T. Sorsa, H. N. Koivo and H. Koivisto. “Neural
digraph for resolution fault diagnosis for process networks in process fault diagnosis”. IEEE Trans.
plants II. Diagnostic algorithm and applications”. Systems, Man & Cybernetics, 21(4), pp. 815-825,
Industrial Engineering and Chemical Research 34, 1991.
1703-1717, 1995. [195]M. Syfert and J. M. Kościelny. “Fuzzy neural
[181]A. Y. Shumsky. “Robust residual generation for network based diagnosis system application for three-
diagnosis of nonlinear systems: parity relation tank system”. Proceedings of the European Control
approach”. Preprints of the 3rd IFAC Symposium on Conference ECC2001, pp. 1631-1636, September
Fault Detection, Supervision and Safety for Technical 2001.
Processes SAFEPROCESS’97, Hull, UK, pp. 867- [196]T. Takagi and M. Sugeno. “Fuzzy identification
872, August 1997. of systems and its applications to modelling and
[182]A. Y. Shumsky. “Continuous-time parity control”. IEEE Trans. Sys. Man. & Cyber., 15(1), pp.
relation method for fault diagnosis in nonlinear 116-132, 1985.
uncertain systems”. Preprints of the 4th IFAC [197]C. P. Tan and C. Edwards. “An LMI approach
Symposium on Fault Detection, Supervision and for designing sliding mode observers for fault
Safety for Technical Processes SAFEPROCESS2000, detection and isolation”. Proceedings of the
Budapest, Hungary, Vol.2, pp. 998-1103, June 2000. European Control Conference ECC2001, pp. 481-
[183]A. Shumsky. “Diagnostic observer design for 486, September 2001.
one class of nonlinear systems”. Preprints of the 5th [198]G. Tao and P. V. Kokotović. “Adaptive Control
IFAC Symposium on Fault Detection, Supervision of Systems with Actuators and Sensor
and Safety for Technical Processes SAFEPROCESS Nonlinearities”. John Wiley & Sons Inc., 1996.
2003, Washington, D. C., USA, pp. 807-812, 2003. [199]R. Tarantino, F. Szigeti and E. Colina-Morles.
[184]A. Shumsky and D. Savransky. “Quasi-linear “Generalized Luenberger observer-based filter
parity relations for fault detection in nonlinear design: an industrial application”. Control
uncertain systems”. Preprints of the 14th IFAC World Engineering Practice, 8(6), pp. 665-671, 2000.
Congress, Beijing, P. R. China, Vol.P, pp. 151-156, [200]F. E. Thau. “Observing the state of non-linear
July 1999. dynamic systems”. Int. J. Contr., 17(3), pp. 471-479,
[185]S. Simani, C. Fantuzzi and S. Beghelli. “Fuzzy 1973.
system identification and fault diagnosis of industrial [201]A. B. Trunov and M. M. Polycarpou.
processes”. Proceedings of the European Control “Automated Fault Diagnosis in Nonlinear
Conference ECC2001, pp. 1642-1629, September Multivariable Systems Using a Learning
2001. Methodology”. IEEE Transactions on Neural
[186]S. Simani, C. Fantuzzi and R. J. Patton. “Model- Networks, 11(1), pp. 91-101, January 2000.
based Fault Diagnosis in Dynamic Systems Using [202]Y. Tsuge, J. Shiozaki, H. Masuyama and E.
Identification Techniques”. Springer, 2003. O’Shima. “Fault Diagnosis Algorithms based on the
[187]S. Simani and R. J. Patton. “Model-based Signed Directed Graph and its modifications”. I.
datadriven approach to robust fault diagnosis in Chem. Eng. Symp. Ser., 92, 133, 1985.
ANEXO 2

[203]S. G. Tzafestas, M. Singh and G. Schmidt. networks in process engineering”. IEE Proc.-D:
“System Fault Diagnostics, Reliability and Related Contr. Theory & Appl., 138(3), pp. 256-266, 1991.
Knowledge-Based Approaches”. Dordrecht [218]A. S. Willsky. “A Survey of Design Methods
(Holland): Reidel, 1987. for Failure Detection in Dynamic Systems”.
[204]M. Ulieru. “A fuzzy logic based computer Automatica, 12(6), pp. 601-611, 1976.
assisted fault diagnosis system”. Proc. of Int. Conf. [219]M. Witczak and J. Korvicz. “Genetic
on Fault Diagnosis: TOOLDIAG’93, Toulouse, programming based observers for non-linear
France, pp. 689-699, (Vol.2), April 1993. systems”. Preprints of the 4th IFAC Symposium on
[205]E. Umez-Eronini. “Dinámica de sistemas y Fault Detection, Supervision and Safety for Technical
control”. Thomson Learning, Inc., México, 2001. Processes SAFEPROCESS’2000, Budapest, Hungary,
[206]F. J. Uppal and R. J. Patton. “Application of Vol.2, pp. 967-972, June 2000.
Bspline neuro fuzzy networks to identification, fault [220]M. Witczak, A. Obuchowicz and J. Korvicz.
detection and isolation”. Preprints of the 4th IFAC “Design of nonlinear state observers using genetic
Symposium on Fault Detection, Supervision and programming”. Proc. of the 3rd National Conference
Safety for Technical Processes SAFEPROCESS2000, on Evolutionary Algorithms and Global
Budapest, Hungary, Vol.1, pp. 358-363, June 2000. Optimization, Potok Zloty, Poland, pp. 345-352,
[207]F. J. Uppal, R. J. Patton, M. Witczak. “A hybrid 1999.
neuro-fuzzy and de-coupling approach applied to the [221]M. Witczak, R. J. Patton, J. Korbicz. “Fault
DAMADICS benchmark problem”. Preprints of the detection with observers and genetic programming:
5th IFAC Symposium on Fault Detection, Supervision Application to the DAMADICS benchmark
and Safety for Technical Processes SAFEPROCESS problem”. Preprints of the 5th IFAC Symposium on
2003, Washington, D. C., USA, pp. 1059-1064, 2003. Fault Detection, Supervision and Safety for Technical
[208]D. van Schrick. “Remarks on terminology in the Processes SAFEPROCESS’2003, Washington, D. C.,
field of supervision, fault detection and diagnosis”. USA, pp. 1203-1208, 2003.
Preprints of the 3rd IFAC Symposium on Fault [222]J. Wünnenberg. “Observer-based Fault
Detection, Supervision and Safety for Technical Detection in Dynamic Systems”. PhD thesis,
Processes SAFEPROCESS’97, Hull, UK, pp. 959- University of Duisburg, Germany, 1990. [223]X. Xia
964, August 1997. and M. Zeitz. “On nonlinear continuous observers”.
[209]A. T. Vemuri. “Sensor Bias Fault Diagnosis in a Int. J. Contr., 66(6), pp. 943-954, 1997.
Class of Nonlinear Systems”. IEEE Transactions on [224]H. L. Yang and M. Saif. “State observation,
Automatic Control, 46(6), pp. 949-954, June 2001. failure detection and isolation (FDI) in bilinear
[210]A. T. Vemuri, M. M. Polycarpou and A. R. systems”. Int. J. Contr., 67(6), pp. 901-920, 1997.
Ciric. “Fault Diagnosis of Differential- Algebraic [225]D. L. Yu, J. B. Gomm and D. Williams. “Sensor
Systems”. IEEE Transactions on Systems, Man and fault diagnosis in a chemical process via RBF neural
Cybernetics-Part A: Systems and Humans, 31(2), pp. networks”. Control Engineering Practice, 7(1), pp.
143-152, March 2001. 79-55, 1999.
[211]C. Verde. “Fault diagnosis for nonlinear [226]D. L. Yu and D. N. Shields. “A fault detection
Hessenberg systems”. Preprints of the 15th IFAC method for a nonlinear system and its application to a
World Congress, Barcelona, Spain, 1708, July 2002. hydraulic test rig”. Preprints of the 2nd IFAC
[212]M. Vidyasagar. “Nonlinear System Analysis, Symposium on Fault Detection, Supervision and
2nd edition”. Prentice Hall, Englewood Cliffs, New Safety for Technical Processes SAFEPROCESS’94,
Jersey, 1993. Espoo, Finland, Vol.1, pp. 305-310, 1994.
[213]H. Wang and S. Daley. “Actuator Fault [227]D. L. Yu and D. N. Shields. “A bilinear fault
Diagnosis: An Adaptive Observer-Based Technique”. detection observer”. Automatica, 32(11), pp. 1597-
IEEE Transactions on Automatic Control, 41(7), pp. 1602, 1996.
1073-1078, July 1996. [228]D. L. Yu and D. N. Shields. “A bilinear fault
[214]K. Watanabe, I. Matsuura, M. Abe, M. Kubota detection filter”. Int. J. Contr., 68(3), pp. 417- 430,
and D. M. Himmelblau. “Incipient fault diagnosis of 1997.
chemical processes via artificial neural networks”. [229]D. L. Yu, D. N. Shields and S. Daley. “A
AIChE J., 35(11), pp. 1803- 1812, 1989. bilinear fault-detection observer and its application to
[215]N. A. Wilcox and D. M. Himmelblau. “The a hydraulic drive system”. Int. J. Contr., 64(6), pp.
possible cause and effect graphs (PCEG) model for 1023-1047, 1996.
fault diagnosis I. Methodology”. Computers and [230]D. L. Yu, D. N. Shields and J. L. Mahtani. “A
Chemical Engineering 18, 103-116, 1994. nonlinear fault detection method for a hydraulic
[216]N. A. Wilcox and D. M. Himmelblau. “The system”. Proc. of the IEE Int. Conf.: Control’94,
possible cause and effect graphs (PCEG) model for Peregrinus Press, Conf. Pub. Nº 389, Warwick, UK,
fault diagnosis II. Applications”. Computers and pp. 1318-1322, 1994.
Chemical Engineering 18, 117-127, 1994. [231]J. Zhang and J. Morris. “Process modelling and
[217]M. J. Willis, C. D. Massino, G. A. Montague, fault-diagnosis using fuzzy neural networks”. Fuzzy
M. T. Tham and A. J. Morris. “Artificial neural Sets and Systems, 79(1), 127-140, 1996.
ANEXO 2

[232]X. Zhang, T. Parisini, M. M. Polycarpou. Symposium on Fault Detection, Supervision and


“Sensor bias fault isolation in a class of nonlinear Safety for Technical Processes SAFEPROCESS2003,
systems”. Preprints of the 5th IFAC Symposium on Washington, D. C., USA, pp. 669-674, 2003.
Fault Detection, Supervision and Safety for Technical [236]D. H. Zhou and P. M. Frank. “Nonlinear
Processes SAFEPROCESS’2003, Washington, D. C., adaptive observer based component fault diagnosis of
USA, pp. 657-662, 2003. nonlinear systems in closed-loops”. Preprints of the
[233]X. Zhang, M. M. Polycarpou and T. Parisini. “A 14th IFAC World Congress, Beijing, P. R. China,
Robust Detection and Isolation Scheme for abrupt Vol.P, pp. 25-30, July 1999.
and Incipient Faults in Nonlinear Systems”. IEEE [237]Z. Zhuang and P. M. Frank. “Qualitative
Transactions on Automatic Control, 47(4), pp. 576- observer and its application to fault detection and
593, April 2002. isolation systems”. Proc. IMechE Part I-J. of Sys.
[234]A. N. Zhirabok and S. A. Usoltsev. “Fault And Contr. Eng., 211(4), pp. 253-262, 1997.
diagnosis in nonlinear dynamic systems via linear [238]A. Zolghadri. “An Algorithm for Real-Time
methods”. Preprints of the 15th IFAC World Failure Detection in Kalman Filters”. IEEE
Congress, Barcelona, Spain, 270, July 2002. Transactions on Automatic Control, 41(10), pp.
[235]M. Zhong, S. X. Ding, L. Jia, T. Jeinsch, M. 1537-1539, October 1996.
Sader. “An optimization approach to fault detection
for bilinear systems”. Preprints of the 5th IFAC
ANEXO 3

DISEÑO (E IMPLEMENTACIÓN OFF-LINE) BASADO EN


BOND GRAPH DE UN SISTEMA DE DETECCIÓN Y
AISLAMIENTO DE FALLAS EN UN SISTEMA FÍSICO REAL
ANEXO 3

Introducción
El principal objetivo de este anexo es presentar un método para detección y aislamiento
de fallas sobre un sistema real modelado con bond graph. El sistema real está formado por dos
tanques T1 y T2 abiertos a la atmósfera e interconectados por una válvula V1. El tanque T2
descarga su propio contenido a presión atmosférica a través de la válvula V2. Ambas válvulas
se encuentran completamente abiertas en condición normal de operación. En los dos tanques
hay sensores de presión P1 y P2. El sistema completo se muestra en la figura 1.

Figura 1. Sistema físico idealizado.

En primer lugar se realizó la identificación de parámetros del sistema real: las


capacidades C1 y C2 y la relación no-lineal de las válvulas V1 y V2. Con esta información se
obtuvo el bond graph del sistema y a partir del mismo el “bond graph para diagnóstico”
(DBG) y la matriz de fallas.
El sistema real se operó en condiciones normales y a partir de un tiempo conocido se
introdujeron fallas en los diferentes componentes. Los valores experimentales obtenidos en
los sensores P1 y P2 fueron las entradas al DBG que se simuló a posteriori. El objetivo es que
el DBG genere para cada falla los residuos predichos por la matriz de fallas.
Asumimos dos cosas para realizar el análisis: las fallas ocurren sólo en un componente
por vez y que los sensores no fallan nunca.

Identificación de parámetros
En el sistema hay dos almacenadores de energía, T1 y T2 cuya relación “caudal-delta
presión” se puede escribir como:
t
1
C i t∫0
∆p (t ) = ⋅ Q(τ ).dτ + ∆p (t 0 ) (1)

Ai
donde Ci = para i=1,2
ρ⋅g
Nota: entendemos por ∆p a la presión diferencial (presión de entrada menos la de salida) de la válvula.
ANEXO 3

Por lo tanto el valor de Ci se obtiene midiendo la sección transversal del tanque Ai (que es
constante). En el bond graph, cada tanque estará representado por el correspondiente elemento
C.
También hay dos elementos, V1 y V2 donde no existe una relación dinámica entre
caudal y delta presión y esta relación estática es invertible (i.e. dada una de las dos variables,
la otra se puede obtener en forma instantánea). La relación general para este elemento es:
Q = R . f NL (∆p )
Cuando el elemento es una restricción en un flujo hidráulico, la relación se aproxima de la
siguiente manera:
1/ x
Q = C d ∆p .sign(∆p ) ; x∈ N Λ C = R (2)
d

donde debemos identificar los dos parámetros Cd y x.


Para identificar V1, se dejó T1 lleno y T2 vacío con V1 y V2 cerradas. Luego se abrió
V1 dejando que el sistema evolucione. El sub-sistema resultante se indica en la figura 2.

Figura 2. Sub-sistema para identificar V1.

El sub-sistema se dejó evolucionar y se obtuvieron las evoluciones de P1 y P2. Con esa


información se obtuvo la relación Q-∆p experimental. Donde los pares (Qi;∆pi) se obtienen de
las siguientes ecuaciones:

[ ]
∆ pK = ( P1K − P2 K ) + ( P1K +1 − P2 K +1 ) / 2 ; P1K, P2K representa la K-ésima muestra temporal
( P1K − P1K +1 ) A1
QK = ⋅ ; que es el equivalente en forma diferencial y discreta de la ec. (1)
∆T ρ.g

Las evoluciones de P1 y P2 debieron ser filtradas digitalmente con un filtro tipo


“moving average” debido a la presencia de un alto ruido de medición. La curva resultante se
muestra en la figura 3.
Esta curva se ajustó con la propuesta en la ec. (2) con un criterio de mínimo error
cuadrático resultando la siguiente relación:
ANEXO 3

1/ 2
Q = C d 1 ∆p .sign(∆p )

La curva ajustada es una cuadrática y también se indica en la figura 3.

Figura 3. Relación Q-Dp experimental (ruidosa) y curva ajustada (no ruidosa) para V1.

Para la identificación de V2, se llenó T2 y se cerró la válvula V1. El sub-sistema


resultante se muestra en la figura 4.

Figura 4. Sub-sistema para identificar V2.

Una vez que el sistema se dejó evolucionar, se siguió el mismo procedimiento que en la
identificación de V1. En este caso los pares (Qi;∆pi) se obtienen con:
( P2 K − P2 K +1 ) A1
[ ]
∆ pK = P 2 K + P 2 K + 1 / 2 ; QK =
∆T

ρ.g
La curva Q-∆p experimental se grafica en la figura 5. En este caso la curva que minimiza el
error cuadrático entre la curva experimental y la propuesta en la ec. (2) es una relación del
tipo raíz cuarta:
1/ 4
Q = C d 2 ∆p .sign(∆p ) ≡ Cd 2 .4 P 2
ANEXO 3

Pese a ser V1 y V2 válvulas similares (mismo diámetro y diseño) se obtuvo una relación
diferente ya que lo que estamos modelando no es sólo la válvula sino también las conexiones
(incluyendo varios caños y curvas) que son diferentes en cada caso.
La curva ajustada para V2 también se muestra en la figura 5.

Figura 5. Relación Q-∆p experimental (ruidosa) y curva ajustada (no ruidosa) para V2.

Del modelo bond graph al DBG


El modelo en bond graph se muestra en la figura 6 donde aún conserva la causalidad
integral.

Figura 6. Modelo Bond Graph en causalidad integral.

Del modelo en causalidad integral se realiza inversión causal comenzando por los
sensores tal como se propone en [1]. De esta manera se genera el DBG indicado en la figura 7
para evaluar directamente los residuos [2]. En el DBG, los dos almacenadores se encuentran
en causalidad derivativa. Esta propiedad hace al sistema independiente de las condiciones
iniciales.
ANEXO 3

Figura 7.Bond Graph para diagnóstico y análisis causal hacia los residuos.

Se consideran cuatro posibles fallas (una por cada elemento), estas son: pérdidas en
cualquiera de los dos tanques y bloqueo de cualquier válvula.
En la figura 7 se muestra el análisis causal de cada elemento hacia los residuos. Esto es,
la incidencia (o no) de la variable “fijada” por este elemento sobre el cómputo del residuo.
Los resultados son:
RV1→R1: residuo 1
CT1→R1: residuo 1

RV1→R2: residuo 2
CT2→R2: residuo 2
RV2→R2: residuo 2
A partir de las ecuaciones diferenciales se pueden obtener las Relaciones Redundantes
Analíticas (ARR’s) [1][2][3].
dP1
ARR1 = C1. + Cd 1. P1 − P 2 .sign( P1 − P 2)
dt

dP 2
ARR 2 = C2 . − Cd 1. P1 − P 2 .sign( P1 − P 2) + Cd 2 . P 2
dt

Estas ARR’s también se pueden obtener directamente del bond graph.


La expresión de ARR1 implica la ley de conservación de la materia (agua en nuestro
caso) aplicada sobre T1 pero calculada por un lado con información del sistema real (P1 y P2)
y por otro lado con los valores nominales del sistema (C1 y Cd1). Cuando una falla ocurra en
C1 o Cd1, su relación constitutiva entre Q y ∆p cambiará y la nueva ecuación que implica. la
ley de conservación de la materia se deberá calcular con la nueva relación de C1 o Cd1.Como
en nuestro caso nosotros seguimos teniendo la ecuación con la relación del componente sin
falla, esto produce que el valor de ARR1 deje de ser igual a cero.
ANEXO 3

El mismo análisis vale para ARR2 que dejará de ser igual a cero cuando ocurra una falla
en T2 (cuyo parámetro es C2), V1 (cuyo parámetro es Cd1) o V2 (cuyo parámetro es Cd2)
Se puede apreciar que el análisis causal de cada elemento hacia los residuos y las
Relaciones Redundantes conducen a la misma matriz de fallas.

Matriz de fallas
A partir del análisis causal de cada elemento hacia los residuos (o de las ARR’s) se
puede construir la matriz de fallas, donde la presencia de un “1” indica que la variable
“fijada” por este elemento afecta al calculo de ese residuo. Mas específicamente, indica que
cuando una falla ocurra en ese elemento, el residuo dejará de valer cero como ocurre durante
la operación normal.
Esta matriz se muestra en la tabla I.

Componente Residual 1 Residual 2 Mb Ib


T1 1 0 1 1
T2 0 1 1 0
V1 1 1 1 1
V2 0 1 1 0
Tabla I. Matriz de fallas del sistema de dos tanques

Si la falla del componente se manifiesta en al menos un residuo, la falla se dice que es


detectable o Monitoreable (Mb=1). Si la combinación de residuos es única, la falla se dice que
es aislable (Ib=1; del inglés Isolable) ya que podemos saber cual es el elemento que produce
el funcionamiento defectuoso del sistema.

Procedimiento para evaluar off-line el sistema FDI diseñado


El procedimiento general consistió en operar el sistema sin fallas y luego de un instante
conocido producir ex profeso una falla. Con los datos obtenidos en P1 y P2 se generaron
archivos compatibles con el software 20-SIM. Estos archivos fueron las entradas al DBG para
evaluar directamente los residuos tal como se muestra en la figura 8.
ANEXO 3

Figura 8. Bond Graph para diagnóstico generado con 20-SIM.

De acuerdo a la teoría, durante operación normal, ambos residuos deben permanecer en


cero. Cuando ocurra una falla, habrá al menos un residuo que deje este valor. La combinación
de residuos debe responder al elemento que hicimos fallar de acuerdo a la matriz de fallas.
Para cada falla se generaron dos gráficas con las presiones y residuos. La primer gráfica
corresponde a la evaluación off-line y se realizó con el DBG mostrado en la figura 8 a partir
de las evoluciones experimentales. Para la segunda obtuvimos las presiones simulando el
sistema a partir de su modelo en bond graph como se indica en la figura 9, simulando incluso
la misma falla en el mismo instante.
Para reproducir exactamente el modelo ensayado se incorporaron en los tanques las
mismas condiciones iniciales con las que se realizaron los experimentos.

Figura 9. Representación del sistema real y su DBG en 20-sim


ANEXO 3

Las fallas introducidas fueron tres:


• Pérdida en T1
• Bloqueo en V1
• Bloqueo en V2
De acuerdo a la teoría, las evoluciones de las presiones y los residuos deben ser las mismas en
los dos casos y la combinación de residuos la indicada por la matriz de fallas de acuerdo al
elemento que se hizo fallar. Los valores de los parámetros para la simulación fueron los
obtenidos en la sección “Identificación de parámetros” y los valores se indican en la tabla II.

Parámetro Descripción Valor


ρ Densidad del agua 1000 Kg/m3
g Constante gravitatoria 9.81 m/s2
A1,A2 Sección del tanque T1,T2 15.9x10-3 m2
C1,C2 Capacidad del tanque T1,T2 1.62x10-6 m3/Pa
Cd1 Coeficiente de descarga V1 7.16x10-6 m7/2/Kg1/2
Cd2 Coeficiente de descarga V2 5.12x10-5 m13/4/(Kg1/4s1/2)
Tabla II. Parámetros del sistema.

Resultados de las simulaciones


Falla número 1: Pérdida en T1 luego de 14.5 segundos de operación normal.
Esta primer simulación fue generada a partir de los datos experimentales. Las evoluciones de
los residuos y los datos de P1 y P2 se muestran en la figura 10.
Luego, en la figura 11 se muestran las evoluciones de las mismas variables pero con el
sistema modelado en bond graph.

Figura 10. Evoluciones de los residuos y las presiones con pérdida en T1 a los=14,5 seg.
Evaluación off-line con DBG de la figura 8.
ANEXO 3

Figura 11. Evoluciones de los residuos y las presiones con pérdida en T1 a los=14.5 seg.
El sistema utilizado para la simulación es el de la figura 9.

Tanto en la evaluación off-line como en la simulación, la combinación de residuos es la


esperada de acuerdo a la tabla I.

Falla número 2: Bloqueo en V1 luego de 13 segundos de operación normal.


Nuevamente evaluación off-line fue generada a partir de los datos experimentales. Las
evoluciones de los residuos y los datos de P1 y P2 se muestran en la figura 12.
Luego, en la figura 13 se muestran las evoluciones de las mismas variables pero con el
sistema modelado en bond graph.

Figura 12. Evoluciones de los residuos y las presiones con bloqueo en V1 a los=13 seg.
Evaluación off-line con DBG de la figura 8.
ANEXO 3

Figura 13. Evoluciones de los residuos y las presiones con bloqueo en V1 a los=13 seg.
El sistema utilizado para la simulación es el de la figura 9.

Aquí también las combinaciones de residuos es la esperada de acuerdo a la tabla I.

Falla número 3: Bloqueo en V2 luego de 12 segundos de operación normal.


Continuando con el mismo criterio, la primera fue generada a partir de los datos
experimentales. Las evoluciones de los residuos y los datos de P1 y P2 se muestran en la
figura 14.
Luego, en la figura 15 se muestran las evoluciones de las mismas variables pero con el
sistema modelado en bond graph.

Figura 14. Evoluciones de los residuos y las presiones con bloqueo en V2 a los=12 seg.
Evaluación off-line con DBG de la figura 8.
ANEXO 3

Figura 15. Evoluciones de los residuos y las presiones con bloqueo en V2 a los=12 seg.
El sistema utilizado para la simulación es el de la figura 9.

Una vez más las evoluciones de los residuos es la esperada de acuerdo a la tabla I. En
esta ocasión la falla sólo puede ser monitoreada ya que una falla en T2 hubiese producido la
misma combinación de residuos.

Conclusiones
Los resultados de las simulaciones verifican la utilidad del “bond graph para
diagnóstico” en la detección y aislamiento de fallas en sistemas reales.
La causalidad derivativa del DBG le permite operar sin necesidad de conocer las
condiciones iniciales. Esto es una ventaja porque muchas veces son difíciles o imposibles de
conocer. Como contrapartida esto produce que los residuos sean muy sensibles al ruido como
puede apreciarse en todas las simulaciones realizadas a partir de los datos experimentales.
Para el caso de las simulaciones con el bond graph del sistema en lugar de las
evoluciones experimentales, los residuos no presentaron ese alto contenido de ruido ya que
los sensores están también simulados y por lo tanto libres de ruido.
Se observa que a medida que el sistema físico se hace más complejo (relaciones no
lineales, gran número de componentes, etc.) el modelado en bond graph se torna más útil a la
hora de confeccionar un sistema de detección y aislamiento de fallas.

Referencias

[1] B. Ould Bouamama, A.K.Samantaray, M.Staroswiecki, G.Dauphin-Tanguy. 2003


“Derivation of Constraint Relations from Bond Graph Models for Fault Detection and
Isolation”, Proc. ICBGM’03, Simulation Series Vol.35, No.2, pp.104-109.
ANEXO 3

[2] K.Medjaher, A.K.Samantaray, B. Ould Bouamama. 2005. “Diagnostic Bond Graphs for
Direct Residual Evaluation”, Proc. ICBGM’05, pp.307-312.

[3] S.K Ghoshal, A.K.Samantaray, A.Mukherjee. “Improvements to Single Fault Isolation


using Estimated Parameters”, Proc ICBGM05, pp.301-6.