El área de la detección y diagnóstico de fallos (DDF) ha recibido una especial atención en los últimos años por parte de investigadores en el campo del Control Automático, de la Inteligencia Artificial y del Procesamiento de Señales [GERTL98]; [ISERM96]. No obstante, en la actualidad, como puede verse en los trabajos más recientes publicados sobre este tema [PATTO00]; [ALONS98], el objetivo marcado no es sólo detectar y aislar los fallos que pueden acaecer en un sistema automatizado complejo sino que se pretende, además, tomar decisiones de actuación en línea de forma automática para garantizar el correcto funcionamiento del sistema global incluso en presencia de anomalías. Estas decisiones pueden variar desde una recomendación al operario para un mejor manejo de la planta hasta la reconfiguración automática del sistema de control frente a la detección y diagnóstico del fallo, en lo que suele conocerse como Control Tolerante a Fallos [PATTO93].
Diversas son las técnicas empleadas para abordar el problema de la DDF, con distintas potencialidades y dificultades. Han ido surgiendo desde varias áreas de trabajo persiguiendo el mismo propósito de poder solucionar en línea y con un mínimo costo para la producción y su calidad, las anomalías que surgen durante el funcionamiento de los procesos de cierta complejidad. Si bien muchas han demostrado ser eficaces en el tratamiento de determinados y acotados casos, aun está pendiente un trabajo unificador que explote las ideas que, bajo distintos nombres, describen situaciones similares. Las más frecuentemente usadas para funcionar en línea son:
· Sistemas basados en conocimiento. Estas técnicas son útiles en aquellos problemas en los que no se dispone de modelos fiables para utilizar técnicas analíticas pero en los que es viable codificar la experiencia [ACOST95], [STEFI95]. Su principal problema es la dependencia del dispositivo. A cambio, son de suma utilidad para la integración de información de fuentes dispersas y pueden servir para guiar otros métodos. En una primera aproximación, el esqueleto de un sistema supervisor que incluya a la DDF como una tarea básica, puede ser soportado por un sistema basado en conocimiento, que articule un conjunto de tareas básicas y las técnicas que las implementan [ACOST01].
· Diagnosis basada en consistencia. Estas técnicas utilizan conocimiento explícito sobre la estructura del sistema y el comportamiento de los componentes para realizar la diagnosis [REITE87], [DRESS96]. El gran interés de esta técnica radica en que permiten realizar la detección e identificación de fallos usando solo modelos de funcionamiento correcto, si bien la identificación del fallo exige modelar y simular en línea los distintos modos en que cada componente puede fallar. A cambio, contemplan globalmente el sistema a diagnosticar y su eficiencia en la etapa de identificación puede aumentar drásticamente si disponen de información de diagnosis adicional.
· Ecuaciones de paridad. Es una técnica de redundancia analítica en la que los residuos se obtienen a partir de modelos de entrada-salida reordenados [GERTL98]. Estos residuos son sometidos a una transformación dinámica lineal, que se diseña para intentar desacoplar las perturbaciones del sistema, incrementando la capacidad de detección e identificación de fallos.
· Estimación de parámetros. Es, al igual que la anterior, una técnica de redundancia analítica. Se trata quizás el modo más natural para detectar y aislar fallos paramétricos o multiplicativos. Para ello se obtiene el modelo sin fallos, se estiman los parámetros repetitivamente en-línea y cuando estos parámetros varían más que determinado umbral, se produce la detección. Suele ser muy confiable pero requiere mucho esfuerzo de CPU, [GERTL98].
· Redes neuronales. Éstas poseen gran capacidad de integrar información, facilitando la distinción entre fallos reales y otro tipo de anomalías [VENKA95]. Un aspecto importante es la capacidad de aprender en la medida que se tiene más información del proceso. Se emplean métodos no supervisados (redes autoasociativas) y supervisados (con redes pre y realimentadas), y sistemas neurofuzzy. Sin embargo, para usarlas en la solución de problemas de escala industrial, al igual que las técnicas de redundancia analítica, deben hacerse trabajar en forma modular incluidas en un sistema de supervisión global, para buscar una solución más integral al problema [RODRI95]; [MAKI97].
En el ámbito industrial, existe un gran campo de aplicación de estas técnicas de DDF en-línea. Específicamente se estudiará la aplicación de estas técnicas sobre dos tipos de plantas muy frecuentes en los procesos industriales.
Por un lado se pretende abordar su aplicación sobre máquinas eléctricas (ME), dinámicas como estáticas. Cualquier instalación industrial que se proponga una producción de sostenida calidad debe contar con sistemas de conversión electromecánica y de distribución de calidad y robustez garantizada. En relación particular a las máquinas de inducción, ver [CHOW00]. Algunos de los fallos comunes que es de interés diagnosticar en-línea son fallas mecánicas tales como rodamientos defectuosos, ejes desalineados, pérdida de aceite ó fallas eléctricas, como cortocircuito entre espiras o bobinas, etc. Además de los fallos intrínsecos de la ME, existen otros tales como algún problema en su alimentación o en la red, rotor bloqueado, y sobrecargas, que es de interés diagnosticar para poder solucionar tratando de que la ME no salga de operación, con la consiguiente interrupción que esto provocaría. Las variables que deben monitorizarse en-línea para ello suelen ser el nivel de vibraciones, la temperatura, el flujo electromagnético, la velocidad de rotación (para el caso de motores), y las tensiones y corrientes, siendo estas últimas las preferidas por sencillez y economía. De este modo, las ME se transforman así en plantas sumamente interesantes para la aplicación del estado del arte en la DDF en-línea, especialmente porque la técnica seleccionada deberá ser lo suficientemente eficiente desde el punto de vista de esfuerzo de CPU. El equipamiento necesario para validaciones experimentales se encuentra disponible en el Departamento de Ingeniería Electromecánica de la UNCPBA, Argentina.
Por otra parte, es de interés aplicar estas técnicas sobre un proceso continuo, debido a que los resultados obtenidos experimentalmente sobre un prototipo, puede ser rápidamente extrapolados a diferentes secciones de un proceso industrial. En este sentido, en el grupo de la Universidad de Valladolid se está estudiando una planta que refleje uno de los problemas asociados al diagnóstico y supervisión de procesos continuos y, posiblemente, uno de los menos estudiados: la presencia de distintos modos de operación en la planta. Para ello se ha diseñado un conjunto de tanques y bombas, conectadas entre sí. El sistema podrá estar en distintos estados, y para cada estado puede haber uno o más modos de operación (conforme a la propuesta de [ACOS01]). En la planta existirán controladores de nivel y resistencias, con el fin de disponer de distintos flujos de información útiles para el diagnóstico y la supervisión. Se dispondrían interruptores y válvulas en el sistema que podrían activarse de forma automática y/o manual. Su activación o desactivación implicará que aparezcan nuevos elementos en el sistema y que, por lo tanto, sea necesario cambiar los modelos utilizados del sistema.
Objetivo general
· Proponer una metodología integrada y eficiente desde el punto de vista del esfuerzo de cómputo para hallar, en forma automática, el origen de situaciones de anomalía (DDF) en ambientes industriales. Este objetivo pretende establecer un marco genérico que sirva como guía para el desarrollo de sistemas de supervisión y diagnosis.
Objetivos particulares
· Establecer la funcionalidad mínima que debería incluir un sistema de supervisión y diagnosis, así como las técnicas con las que pueden abordarse. El resultado de este objetivo será una especificación de las tareas a realizar por el sistema supervisor junto a las técnicas que las soportan.
· Comparar métodos de DDF de diferentes vertientes, tratando de encontrar una solución ecléctica para aplicaciones de tipo industrial.
· Formar de recurso humano en el tema con alta capacitación para la resolución de problemas técnicos relacionados.
Resultados esperados
· Se espera hacer una propuesta científicamente probada y técnicamente factible (en cuanto a posibilidad de una realización económicamente justificable) de aplicación de una técnica de DDF en-línea o una combinación de ellas. Se evaluarán resultados experimentales y se utilizará también modelos de los prototipos experimentales a modo de ‘benchmark’ [CHAMP00], [PULI01].
· Es asimismo de gran interés para este proyecto estudiar la viabilidad de aplicación de las técnicas de redundancia analítica basadas en modelos cuantitativos, particularmente la de Ecuaciones de Paridad y de Estimación de Parámetros, provenientes del campo del control y compararlas con las propuestas de la comunidad de IA [PULI00,FILIP00], particularmente la de Diagnosis Basada en Consistencia. Lejos aún de alcanzar una teoría general para la diagnosis automática en-línea, se esperan obtener sin embargo resultados sobre similitudes entre las diferentes técnicas mencionadas.
· Este proyecto también ayudará en la formación de recurso humano altamente calificado, ya que es tema de una tesis de doctorado de uno de los miembros del equipo argentino (Ing. Benger), cuya formación se perfeccionará a partir del intercambio entre ambos grupos.
· Se espera poder difundir resultados de I+D vinculados al proyecto en forma de publicaciones conjuntas en congresos y revistas científicas.
Referencias bibliográficas
[ACOST95] ‘Sistemas Basados en Conocimiento para la Supervisión y Diagnosis de Procesos Continuos’, G.G. Acosta, Tesis Doctoral, Dto. de Informática, Fac. de Ciencias, Univ. de Valladolid, España, 1995.
[ACOST01] ‘Basic Tasks for Knowledge Based Supervision in Process Control’, G.G. Acosta, C. Alonso, and B. Pulido, a ser publicado en Eng. App. of Artificial Intelligence, Elsevier Science Ltd/IFAC, 2001.
[ALONS98] ‘On Line Industrial Diagnosis : an attempt to apply Artificial Intelligence techniques to process control’, C. Alonso, B. Pulido, y G. G. Acosta. Springer Lecture Notes in Artificial Intelligence 1415, Ed. Springer-Verlag, 1998, pp. 804-813.
[CHAMP00] ‘Diagnosis Benchmark of Induction Machine’, Champenois et al, Proc. IFAC/SICICA 2000 pp. 201-206.
[CHOW00] ‘Guest Editorial of the Special Section on Motor Fault Detection and Diagnosis’, IEEE Trans. on Industrial Electronics, Vol 47, N 5, pp. 982-983, October 2000.
[DRESS96] ‘The Consistency-based Approach to Automated Diagnosis of Devices’, Dressler, O., and Struss, P. In Principles of Knowledge Representation. Gerhard Brewka, ed. CSLI Publications, 1996.
[FILIP00] ‘Recent Developments of Induction Motor Drives Fault Diagnosis Using AI Techniques’, Filippetti F., Franceschini G., Tassoni C., Vas P., IEEE Trans. on Industrial Electronics, Vol 47, N 5, pp. 994-1004, October 2000.
[GERTL98] ‘Fault Detection and Diagnosis in Engineering Systems’, J. Gertler, Ed. Marcel Dekker, Inc., 1998
[ISERM96] ‘Trends in the application of model based fault detection and diagnosis of technical processes’, Isermann R, and P. Balle (1996), 13th World Congress of IFAC, San Francisco, CA, June 30, N, pp. 1-12.
[MAKI97] ‘A Neural Network Approach to Fault Detection and Diagnosis in Industrial Processes’, Maki, Y. and Loparo, K., IEEE Trans. on Control System Technology, Vol 5, N 6, 1997, pp. 529-541.
[PATTO93] ‘Robustness Issues in Fault-Tolerant Control’, Plenary paper, International Conference on Fault Diagnosis: Tooldiag’93, Patton R.J (1993), Tolouse, France.
[PATTO00] ‘Sensor fault-tolerant control of an Induction motor drive system’, Patton R. J. and López Toribio, Proc. of IFAC SICICA 2000, Buenos Aires, Argentina, pp. 375-381.
[PULI00] ‘An alternative approach to dependency-recording engines in Consistency-based diagnosis’. B. Pulido, C. Alonso. En Artificial Intelligence: Methodology, Systems and Applications. Lectures Notes in Artificial Intelligence. Volumen: 1904. Páginas 111-121. Sept. 2000.
[PULI01] ‘Lessons learned from diagnosing dynamic systems using possible conflicts and quantitative models’. B. Pulido, C. Alonso, F. Acebes. En Engineering of Intelligent Systems. Lecture Notes in Artificial Intelligence. Volumen: 2070. Páginas 135- 144. Junio, 2001.
[REITE87] ‘A Theory of Diagnosis from First Principles’, Reiter, R., Artificial Intelligence 32, 1987, pp. 57-95.
[RODRI95] ‘A modular neural network approach to fault diagnosis’. Rodriguez, C. et al., IEEE Transaction on Neural Networks, 7(2), pp. 326-34´.
[STEFI95] ‘Introduction to Knowledge Systems’, Stefik M. (1995), Morgan Kaufmann Pub.
[VENKA95] ‘A neural network methodology for process fault diagnosis’. Venkatusugramanian, V. and Chan, K., AIChE J. 35(12), 1993-2001. 1995.