Deteccin de fallas basado en modelo para la planta piloto.

La deteccin de fallas es el primer paso para el diagnstico de fallas. La deteccin de fallas

bsicamente detecta la presencia de fallas en el sistema. Es importante notar que la deteccin
de fallas incipientes (o deteccin de fallas temprana) es importante para la seguridad del
sistema as como la eficiente implementacin de un sistema de mantenimiento basado en
condicin (CBM).

La deteccin de fallas basado en modelo se centra en la generacin de residuos, los residuos

cuantifican la inconsistencia entre el comportamiento actual del sistema y su modelo
matemtico.

La generacin de residuos en un marco determinstico, como en el caso de los cuatro tanques,

puede analizar los siguientes estudios: Frank et al. [1] provee un estudio del uso de
observadores no lineales para deteccin y aislamiento de fallas. Ms especficamente,
Hmmouri et al. [2, 3] discuten el uso de observadores con alta ganancia para la deteccin de
fallos y control de sistemas no lineales. Besancon y Hammouri [4] estudia el diseo del
observador utilizando le ecuacin de Riccati para sistemas no lienales. Selinger y Frank [5]
propusieron un observador de entradas desconocidas (UIO) como una clase de sistema no
lineal. Ding y Frank [6] adems de Yang y Saif [7] propusieron el uso de observadores no
lineales adaptativos para la deteccin de fallos. Sreedbar et.al [8] disearon un sistema de
deteccin de fallos basado en un observador en modo deslizante.

El segundo mtodo clsico en generacin de residuos para la deteccin de fallos es el enfoque

del espacio de paridad, que se basa en las relaciones de redundancia analticos (ARR) que
enlazan un subconjunto de variables seleccionadas del sistema considerado. Las ARRs pueden
obtenerse automticamente de las ecuaciones del modelo utilizando varios algoritmos de
eliminacin [9]. Los ARRs se pueden separar en dos partes. La primera parte slo depende de
variables conocidas (mediciones), mientras que la segunda, es decir, llamada parte de
evaluacin, depende de los componentes de fallo. El valor residual puede ser interpretado
como la parte de evaluacin del ARR [9]. El valor residual puede ser interpretado como la parte
de evaluacin de la ARR [9]. Christophe et al. [9, 10] ha demostrado que para un sistema no
lineal multi-entrada y salida nica (MISO) existe una relacin entre residuos de paridad y los
residuos generados por los observadores de alta ganancia.

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

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

Los mtodos de diagnstico de fallos basados en el modelo se basan en el modelo matemtico

analtico del proceso siendo monitoreado. Esto implica que la exactitud del modelo tiene
impacto directo en el rendimiento del sistema de diagnstico y fiabilidad. Sin embargo, para
sistemas complejos e inciertos, la derivacin de modelos matemticos de alta fidelidad a partir
de principios fsicos puede llegar a ser muy complicado, tardarse demasiado, e incluso a veces
inviable (por ejemplo, algunos sistemas no pueden ser representados con precisin suficiente
por un sistema de parmetros concentrados). Adems, incluso con la posibilidad de derivar un
modelo matemtico, la obtencin de valores de los parmetros del modelo puede llegar a ser
un trabajo muy tedioso o incluso prcticamente imposible debido a problemas de propiedad
impuesta regularmente por los fabricantes de equipos y/o integradores de sistemas. Por
ltimo, pero no menos importante, algunos sistemas exhiben comportamientos inciertos como
dinmicas de orden superior y oscilaciones de alta frecuencia, colectivamente llamados
dinmicas no modeladas, que no pueden ser modelados con precisin

En nuestra planta piloto, si bien las ecuaciones que modelan el sistema son conocidos,
podemos aplicar tambin mtodos basados en inteligencia computacional como los que se
mencionan en el siguiente prrafo, con el objeto de comparar resultados y apreciar las
caractersticas esenciales de cada uno de ellos.

Los mtodos matemticos en inteligencia computacional, la teora del aprendizaje en redes

neuronales, lgica difusa, sistemas neuro-difusos y algoritmos genticos, representan una
forma prometedora de eludir los problemas de modelado de precisin antes mencionados en
el diagnstico de fallos basado en modelos. De hecho, durante la ltima dcada los mtodos
de diagnstico de fallas basados en inteligencia computacional (IC) se han desarrollado
extensamente y aplicado con xito a diversos sistemas de ingeniera. Entre los pioneros Patton
et al. [11] que describe algunos de los mtodos de generacin de residuales basados en
tcnicas de inteligencia artificial, que integran los conocimientos tanto cuantitativos como
cualitativos del sistema de diagnstico de fallas.

Sistemas hbridos.

Los sistemas hbridos consisten en utilizar mtodos basados en diferentes enfoques

simultneamente como la informacin del modelo matemtico del sistema y la capacidad de
adaptacin de las redes neuronales.

1. P. M. Frank, G. Schrier, and E. Alcorta Garcia, Nonlinear observers for fault detection and
isolation, A book chapter in New Directions in Nonlinear Observer Design, Springer,
Berlin/Heidelberg, 1999.
2. 43. H. Hammouri, M. Kinnaert, and E. H. El Yaagoubi, Application of nonlinear observers
to fault detection and isolation, A book chapter in New Directions in Nonlinear Observer
Design, Springer, Berlin/Heidelberg, 1999.
3. H. Hammouri, M. Kinnaert, and E. H. El Yaagoubi, Observer-based approach to fault
detection and isolation for nonlinear systems, IEEE Transactions on Automatic Control,
vol. 44, no. 10, 1999.
4. G. Besancon and H. Hammouri, On uniform observation of nonuniformly observable
systems, Systems & Control Letters, vol. 29, 1996.
5. R. Seliger and P. M. Frank, Robust component fault detection and isolation in nonlinear
dynamic systems using nonlinear unknown input observers, in Proceedings of the
IFAC/IMAC Symposium SAFERPROCESS91, Baden-Baden, Germany, 1991.
6. X. Ding and P. M. Frank, An adaptive observer-based fault detection scheme for nonlinear
systems, in Proceedings of the 12th IFAC World Congress, Sydney, Australia, 1993.
7. H. Yang and M. Saif, Nonlinear adaptive observer design for fault detection, in
Proceedings of the American Control Conference, Seattle, 1995.
8. R. Sreedhar, B. Fernandez, and G. Y. Masada, Robust fault detection in nonlinear systems
using sliding mode observers, in Proceedings of the 2nd IEEE Conference on Control
Applications, Vancouver, BC, Canada, 1993.
9. C. Christophe, V. Cocquempot, and B. Jiang, Link between high gain observer-based
residual and parity space one, in Proceedings of the American Control Conference,
Anchorage, AK, 2002.
10. C. Christophe, Link between high-gain observer-based and parity space residuals for FDI,
Transactions of the Institute of Measurement and Control, vol. 26, no. 4, 2004.
11. R. J. Patton, C. Lopez-Toribio, and F. J. Uppal, Artificial intelligence approaches to fault
diagnosis, IEE Colloquium on Condition Monitoring: Machinery, External Structures and
Health, vol. 5, 1999.