La detección, el aislamiento y la recuperación de fallas ( FDIR ) es un subcampo de la ingeniería de control que se ocupa de monitorear un sistema, identificar cuándo ha ocurrido una falla y señalar el tipo de falla y su ubicación. Se pueden distinguir dos enfoques: un reconocimiento de patrón directo de las lecturas del sensor que indican una falla y un análisis de la discrepancia entre las lecturas del sensor y los valores esperados, derivados de algún modelo. En el último caso, es típico que se diga que se detecta una falla si la discrepancia o el residual supera un cierto umbral. Entonces, la tarea del aislamiento de fallas es categorizar el tipo de falla y su ubicación en la maquinaria. Detección y aislamiento de fallasLas técnicas ( IED ) pueden clasificarse ampliamente en dos categorías. Estos incluyen FDI basada en modelos y FDI basada en procesamiento de señales.
Basado en modelos
En las técnicas de FDI basadas en modelos, se utiliza algún modelo del sistema para decidir sobre la ocurrencia de fallas. El modelo del sistema puede ser matemático o basado en conocimientos. Algunas de las técnicas de FDI basadas en modelos incluyen [2] métodos basados en observadores, métodos de paridad-espacio y métodos basados en identificación de parámetros. Existe otra tendencia de los esquemas de IED basados en modelos, que se denomina métodos de pertenencia a conjuntos. Estos métodos garantizan la detección de fallas en determinadas condiciones. La principal diferencia es que en lugar de encontrar el modelo más probable, estas técnicas omiten los modelos, que no son compatibles con los datos. [3] [4]
El ejemplo que se muestra en la figura de la derecha ilustra una técnica de FDI basada en modelos para un controlador reactivo de ascensor de aeronave mediante el uso de una tabla de verdad y un gráfico de estado. La tabla de verdad define cómo reacciona el controlador a las fallas detectadas, y la tabla de estado define cómo el controlador cambia entre los diferentes modos de operación (pasivo, activo, en espera, apagado y aislado) de cada actuador. Por ejemplo, si se detecta una falla en el sistema hidráulico 1, la tabla de verdad envía un evento al gráfico de estado de que el actuador interno izquierdo debe apagarse. Uno de los beneficios de esta técnica FDI basada en modelos es que este controlador reactivo también se puede conectar a un modelo de tiempo continuo de la hidráulica del actuador, lo que permite el estudio de los transitorios de conmutación. [5]
FDI basado en procesamiento de señales
En la FDI basada en el procesamiento de señales, se realizan algunas operaciones matemáticas o estadísticas sobre las mediciones, o se entrena alguna red neuronal utilizando mediciones para extraer la información sobre la falla. [6] [7] [8] [9]
Un buen ejemplo de FDI basado en el procesamiento de señales es la reflectometría en el dominio del tiempo, en la que se envía una señal por un cable o línea eléctrica y la señal reflejada se compara matemáticamente con la señal original para identificar fallas. La reflectometría de espectro extendido en el dominio del tiempo, por ejemplo, implica enviar una señal de espectro extendido por una línea de cable para detectar fallas de cable. [10] También se han propuesto varios métodos de agrupamiento para identificar la falla nueva y segmentar una señal dada en segmentos normales y defectuosos. [11]
Diagnóstico de averías de la máquina
El diagnóstico de fallas de máquinas es un campo de la ingeniería mecánica que se ocupa de encontrar fallas que surgen en las máquinas. Una parte particularmente bien desarrollada se aplica específicamente a la maquinaria rotativa, uno de los tipos más comunes que se encuentran. Para identificar las fallas más probables que conducen a fallas, se utilizan muchos métodos para la recopilación de datos, incluido el monitoreo de vibraciones , imágenes térmicas , análisis de partículas de aceite, etc. Luego, estos datos se procesan utilizando métodos como análisis espectral , análisis de ondículas, transformada de ondículas, a corto plazo Transformada de Fourier, expansión de Gabor, distribución de Wigner-Ville (WVD), cepstrum, bispectrum, método de correlación, análisis espectral de alta resolución, análisis de forma de onda (en el dominio del tiempo, porque el análisis espectral generalmente se refiere solo a la distribución de frecuencia y no a la información de fase) y otros. Los resultados de este análisis se utilizan en un análisis de la causa raíz de la falla para determinar la causa original de la falla. Por ejemplo, si se diagnostica una falla en un rodamiento, es probable que el rodamiento no se haya dañado en el momento de la instalación, sino más bien como consecuencia de otro error de instalación (p. Ej., Desalineación) que luego provocó daños en el rodamiento. Diagnosticar el estado dañado del rodamiento no es suficiente para fines de mantenimiento de precisión. Es necesario identificar y corregir la causa raíz. Si esto no se hace, el rodamiento de repuesto pronto se desgastará por la misma razón y la máquina sufrirá más daños, siendo peligrosa. Por supuesto, la causa también puede ser visible como resultado del análisis espectral realizado en la etapa de recopilación de datos, pero no siempre es así.
La técnica más común para detectar fallas es la técnica de análisis de tiempo-frecuencia. Para una máquina giratoria, la velocidad de rotación de la máquina (a menudo conocida como RPM ) no es una constante, especialmente durante las etapas de arranque y parada de la máquina. Incluso si la máquina está funcionando en estado estable, la velocidad de rotación variará alrededor de un valor medio de estado estable, y esta variación depende de la carga y otros factores. Dado que las señales de sonido y vibración obtenidas de una máquina giratoria están estrechamente relacionadas con su velocidad de rotación, se puede decir que son señales de naturaleza variable en el tiempo. Estas características variables en el tiempo llevan las firmas de fallas de la máquina. En consecuencia, la forma en que se extraen e interpretan estas características es importante para la investigación y las aplicaciones industriales.
El método más común utilizado en el análisis de señales es la FFT o transformada de Fourier. La transformada de Fourier y su contraparte inversa ofrecen dos perspectivas para estudiar una señal: a través del dominio del tiempo o mediante el dominio de la frecuencia. El espectro basado en FFT de una señal de tiempo nos muestra la existencia de su contenido de frecuencia. Al estudiar estos y su magnitud o relaciones de fase, podemos obtener varios tipos de información, como armónicos , bandas laterales , frecuencia de batido , frecuencia de falla de cojinete, etc. Sin embargo, la FFT solo es adecuada para señales cuyo contenido de frecuencia no cambia con el tiempo; sin embargo, como se mencionó anteriormente, el contenido de frecuencia de las señales de sonido y vibración obtenidas de una máquina giratoria depende en gran medida del tiempo. Por esta razón, los espectros basados en FFT son incapaces de detectar cómo se desarrollan los contenidos de frecuencia con el tiempo. Para ser más específicos, si las RPM de una máquina aumentan o disminuyen durante su período de inicio o apagado, su ancho de banda en el espectro FFT será mucho más amplio de lo que sería simplemente para el estado estable. Por tanto, en tal caso, los armónicos no son tan distinguibles en el espectro.
El enfoque de frecuencia de tiempo para el diagnóstico de fallas de la máquina se puede dividir en dos categorías amplias: métodos lineales y métodos cuadráticos. La diferencia es que las transformaciones lineales se pueden invertir para construir la señal de tiempo, por lo tanto, son más adecuadas para el procesamiento de señales, como la reducción de ruido y el filtrado variable en el tiempo. Aunque el método cuadrático describe la distribución de energía de una señal en el dominio de frecuencia de tiempo conjunto, que es útil para el análisis, clasificación y detección de características de la señal, la información de fase se pierde en la representación de frecuencia de tiempo cuadrática; Además, las historias de tiempo no se pueden reconstruir con este método.
La transformada de Fourier a corto plazo ( STFT ) y la transformada de Gabor son dos algoritmos comúnmente utilizados como métodos lineales de tiempo-frecuencia. Si consideramos que el análisis lineal de tiempo-frecuencia es la evolución de la FFT convencional , entonces el análisis cuadrático de tiempo-frecuencia sería la contraparte del espectro de potencia. Los algoritmos cuadráticos incluyen el espectrograma de Gabor, la clase de Cohen y el espectrograma adaptativo. La principal ventaja del análisis de frecuencia de tiempo es descubrir los patrones de cambios de frecuencia, que generalmente representan la naturaleza de la señal. Siempre que se identifique este patrón, se puede identificar la falla de la máquina asociada con este patrón. Otro uso importante del análisis de frecuencia de tiempo es la capacidad de filtrar un componente de frecuencia particular utilizando un filtro variable en el tiempo.
Diagnóstico de fallas robusto
En la práctica, las incertidumbres del modelo y el ruido de medición pueden complicar la detección y el aislamiento de fallas. [12]
Como resultado, el uso de diagnósticos de fallas para satisfacer las necesidades industriales de una manera rentable y para reducir los costos de mantenimiento sin requerir más inversiones que el costo de lo que se debe evitar en primer lugar, requiere un esquema efectivo de aplicación. Este es el tema de mantenimiento, reparación y operaciones ; las diferentes estrategias incluyen:
Detección y diagnóstico de fallas mediante inteligencia artificial
Técnicas de aprendizaje automático para la detección y el diagnóstico de fallas.
En la detección y el diagnóstico de fallas, los modelos de clasificación matemática que de hecho pertenecen a métodos de aprendizaje supervisado , se entrenan en el conjunto de entrenamiento de un conjunto de datos etiquetado para identificar con precisión las redundancias, fallas y muestras anómalas. Durante las últimas décadas, existen diferentes modelos de clasificación y preprocesamiento que se han desarrollado y propuesto en esta área de investigación. [13] El algoritmo K -vecinos más cercanos ( k NN) es una de las técnicas más antiguas que se ha utilizado para resolver problemas de detección y diagnóstico de fallas. [14] A pesar de la lógica simple que tiene este algoritmo basado en instancias, existen algunos problemas con la gran dimensionalidad y el tiempo de procesamiento cuando se usa en grandes conjuntos de datos . [15] Dado que k NN no puede extraer automáticamente las características para superar la maldición de la dimensionalidad , a menudo algunas técnicas de preprocesamiento de datos como el análisis de componentes principales (PCA), el análisis discriminante lineal (LDA) o el análisis de correlación canónica (CCA) lo acompañan. para alcanzar un mejor desempeño. [16] En muchos casos industriales, la eficacia de k NN se ha comparado con otros métodos, especialmente con modelos de clasificación más complejos como Support Vector Machines (SVM), que se utiliza ampliamente en este campo. Gracias a su mapeo no lineal apropiado utilizando métodos de kernel , las SVM tienen un rendimiento impresionante en generalización, incluso con pequeños datos de entrenamiento. [17] Sin embargo, las SVM generales no tienen extracción automática de características por sí mismas y, al igual que k NN , a menudo se combinan con una técnica de preprocesamiento de datos . [18] Otro inconveniente de las SVM es que su rendimiento es muy sensible a los parámetros iniciales, particularmente a los métodos del kernel , [19] por lo que en cada conjunto de datos de señales , se requiere que se lleve a cabo primero un proceso de ajuste de parámetros. Por lo tanto, la baja velocidad de la fase de entrenamiento es una limitación de las SVM cuando se trata de su uso en casos de detección y diagnóstico de fallas. [20]
Las redes neuronales artificiales (ANN) se encuentran entre los algoritmos de clasificación matemática más maduros y ampliamente utilizados en la detección y el diagnóstico de fallas. Las RNA son bien conocidas por sus eficientes capacidades de autoaprendizaje de las relaciones complejas (que generalmente existen de manera inherente en los problemas de detección y diagnóstico de fallas) y son fáciles de operar. [18] Otra ventaja de las ANN es que realizan la extracción automática de características asignando pesos insignificantes a las características irrelevantes, lo que ayuda al sistema a evitar tener que lidiar con otro extractor de características. [21] Sin embargo, las RNA tienden a ajustarse demasiado al conjunto de entrenamiento, lo que tendrá las consecuencias de tener una precisión de validación deficiente en el conjunto de validación. Por lo tanto, a menudo, se agregan algunos términos de regularización y conocimientos previos al modelo ANN para evitar un ajuste excesivo y lograr un mayor rendimiento. Además, la determinación adecuada del tamaño de la capa oculta necesita un ajuste de parámetros exhaustivo, para evitar una mala aproximación y capacidades de generalización. [20] En general, diferentes modelos de SVM y ANN (es decir , redes neuronales de retropropagación y perceptrón multicapa ) han mostrado resultados satisfactorios en la detección y el diagnóstico de fallas en industrias como la caja de cambios , [22] piezas de maquinaria (es decir , cojinetes mecánicos [ 23] ), compresores , [24] turbinas eólicas y de gas [25] [26] y placas de acero . [27]
Técnicas de aprendizaje profundo para la detección y el diagnóstico de fallas
Con los avances de la investigación en las RNA y el advenimiento de los algoritmos de aprendizaje profundo que utilizan capas profundas y complejas, se han desarrollado modelos de clasificación novedosos para hacer frente a la detección y el diagnóstico de fallas. [28] La mayoría de los modelos de aprendizaje superficial extraen algunos valores de características de las señales, lo que provoca una reducción de la dimensionalidad de la señal original . Mediante el uso de redes neuronales convolucionales , el escalograma de transformada de ondas continuas se puede clasificar directamente en clases normales y defectuosas. Esta técnica evita omitir cualquier mensaje de falla importante y da como resultado un mejor rendimiento de la detección y el diagnóstico de fallas. [29] Además, al transformar señales en construcciones de imágenes, se pueden implementar redes neuronales convolucionales 2D para identificar señales defectuosas a partir de características de imágenes de vibración. [30]
Las redes de creencias profundas , [31] las máquinas de Boltzmann restringidas [32] y los codificadores automáticos [33] son otras arquitecturas de redes neuronales profundas que se han utilizado con éxito en este campo de investigación. En comparación con el aprendizaje automático tradicional , debido a su arquitectura profunda, los modelos de aprendizaje profundo pueden aprender estructuras más complejas a partir de conjuntos de datos ; sin embargo, necesitan muestras más grandes y un tiempo de procesamiento más largo para lograr una mayor precisión. [18]
Recuperación de fallas
Ver también
- Control de reconfiguración
- Teoría de control
- Modo de Fallos y Análisis de Efectos
- Sistema tolerante a fallas
- Mantenimiento predictivo
- Reflectometría de espectro ensanchado en el dominio del tiempo
- Identificación del sistema
Referencias
- ^ Jason R. Ghidella y Pieter J. Mosterman, "Pruebas basadas en requisitos en el diseño de control de aeronaves", ID de documento AIAA 2005-5886 en la Conferencia y exhibición de tecnologías de simulación y modelado AIAA 2005, 15-18 de agosto, San Francisco, California, 2005 .
- ^ Ding, SX, técnicas de diagnóstico de fallas basadas en modelos, Springer 2008
- ^ Harirchi, Farshad; Ozay, Necmiye (2015). "Invalidación de modelo para sistemas afines conmutados con aplicaciones para detección de fallas y anomalías ** Este trabajo está respaldado en parte por la concesión de DARPA N66001-14-1-4045" . IFAC-PapersOnLine . 48 (27): 260–266. doi : 10.1016 / j.ifacol.2015.11.185 .
- ^ Farshad Harirchi y Necmiye Ozay, "Detección de fallas garantizada basada en modelos en sistemas ciberfísicos: un enfoque de invalidación de modelos", arXiv
- ^ Pieter J. Mosterman y Jason Ghidella, "Model Reuse for the Training of Fault Scenarios in Aerospace", en Proceedings of the AIAA Modeling and Simulation Technologies Conference, CD-ROM, documento 2004-4931, 16-19 de agosto, Convención de Rhode Island Center, Providence, RI, 2004.
- ^ Liu, Jie (2012). "Análisis del espectro de ondas de Shannon en señales de vibración truncadas para la detección de fallas incipientes de la máquina". Ciencia y Tecnología de la Medición . 23 (5): 1–11. Código bibliográfico : 2012MeScT..23e5604L . doi : 10.1088 / 0957-0233 / 23/5/055604 .
- ^ Ahmadimanesh, Alireza y S. Mohammad Shahrtash. "Método de localización de fallas basado en transitorios para líneas multiterminales que emplean transformada S". Transacciones IEEE sobre suministro de energía 28.3 (2013): 1373-1380.
- ^ Ahmadimanesh, Alireza y Seyyed Mohammad Shahrtash. "Algoritmo de localización de fallas basado en transformación de tiempo-tiempo para líneas de transmisión de tres terminales". Generación, transmisión y distribución de IET 7.5 (2013): 464-473.
- ^ Ahmadimanesh, A. y SM Shahrtash. "Empleando transformada S para la localización de fallas en tres líneas terminales". Medio Ambiente e Ingeniería Eléctrica (EEEIC), 2011 X Congreso Internacional de. IEEE, 2011.
- ^ Furse, Cynthia; Smith, Paul; Lo, Chet. "Spread Spectrum Sensors for Critical Fault Location Archived 2010-05-01 at archive.today on Live Wire Networks" Control estructural y monitoreo de la salud 6 de junio de 2005.
- ^ Bahrampour, Soheil; Moshiri, Behzad; Salahshour, Karim. "Agrupación de medios C-posibilistas ponderados y restringidos para la detección y el aislamiento de fallas en línea [1] " Applied Intelligence, Vol 35, pp. 269-284, 6 de junio de 2011 , 2005.
- ^ "Selección residual robusta para detección de fallas", 2014.
- ^ Chen, Kunjin; Huang, Caowei; Él, Jinliang (1 de abril de 2016). "Detección, clasificación y ubicación de fallas para líneas de transmisión y sistemas de distribución: una revisión de los métodos" . Alto voltaje . 1 (1): 25–33. doi : 10.1049 / hve.2016.0005 .
- ^ Verdier, Ghislain; Ferreira, Ariane (febrero de 2011). "Adaptive Mahalanobis Distance y $ k $ -regla de vecino más cercano para la detección de fallas en la fabricación de semiconductores". Transacciones IEEE sobre fabricación de semiconductores . 24 (1): 59–68. doi : 10.1109 / TSM.2010.2065531 .
- ^ Tian, Jing; Morillo, Carlos; Azarian, Michael H .; Pecht, Michael (marzo de 2016). "Detección de fallas de cojinetes de motor utilizando extracción de características basada en curtosis espectral junto con análisis de distancia de vecino más cercano K". Transacciones IEEE sobre electrónica industrial . 63 (3): 1793–1803. doi : 10.1109 / TIE.2015.2509913 .
- ^ Safizadeh, MS; Latifi, SK (julio de 2014). "Utilización de la fusión de datos de sensores múltiples para el diagnóstico de fallas de vibración de rodamientos mediante acelerómetro y celda de carga". Fusión de información . 18 : 1–8. doi : 10.1016 / j.inffus.2013.10.002 .
- ^ Liu, Jie; Zio, Enrico (diciembre de 2016). "Característica de regresión vectorial con ajuste eficiente de hiperparámetros e interpretación geométrica". Neurocomputación . 218 : 411–422. doi : 10.1016 / j.neucom.2016.08.093 .
- ^ a b c Liu, Ruonan; Yang, Boyuan; Zio, Enrico; Chen, Xuefeng (agosto de 2018). "Inteligencia artificial para el diagnóstico de fallos de maquinaria rotativa: una revisión". Sistemas mecánicos y procesamiento de señales . 108 : 33–47. Código Bibliográfico : 2018MSSP..108 ... 33L . doi : 10.1016 / j.ymssp.2018.02.016 .
- ^ Genton, Marc G. (2001). "Clases de núcleos para el aprendizaje automático: una perspectiva estadística". Revista de investigación sobre aprendizaje automático . 2 : 299–312. doi : 10.1162 / 15324430260185646 .
- ^ a b Kotsiantis, SB; Zaharakis, ID; Pintelas, PE (2006). "Machine learning: una revisión de las técnicas de clasificación y combinación". Revisión de inteligencia artificial . 26 (3): 159-190. doi : 10.1007 / s10462-007-9052-3 .
- ^ Vercellis, Carlo (2008). Inteligencia empresarial: minería de datos y optimización para la toma de decisiones ([Online-Ausg.]. Ed.). Hoboken, Nueva Jersey: Wiley. pag. 436. ISBN 978-0-470-51138-1.
- ^ Saravanan, N .; Siddabattuni, VNS Kumar; Ramachandran, KI (enero de 2010). "Diagnóstico de fallas de la caja de engranajes cónicos rectos utilizando una red neuronal artificial (ANN) y una máquina de vectores de soporte proximal (PSVM)". Soft Computing aplicado . 10 (1): 344–360. doi : 10.1016 / j.asoc.2009.08.006 .
- ^ Hui, Kar Hoou; Ooi, Ching Sheng; Lim, Meng Hee; Leong, Mohd Salman (15 de noviembre de 2016). "Una red neuronal artificial híbrida con la teoría de Dempster-Shafer para el diagnóstico automático de fallas de cojinetes" . Revista de Vibroingeniería . 18 (7): 4409–4418. doi : 10.21595 / jve.2016.17024 .
- ^ Qi, Guanqiu; Zhu, Zhiqin; Erqinhu, Ke; Chen, Yinong; Chai, Yi; Sun, Jian (enero de 2018). "Diagnóstico de fallas para compresores alternativos mediante big data y aprendizaje automático". Práctica y teoría del modelado de simulación . 80 : 104-127. doi : 10.1016 / j.simpat.2017.10.005 .
- ^ Santos, Pedro; Villa, Luisa; Reñones, Aníbal; Bustillo, Andrés; Maudes, Jesús (9 de marzo de 2015). "Una solución basada en SVM para la detección de fallas en aerogeneradores" . Sensores . 15 (3): 5627–5648. doi : 10.3390 / s150305627 . PMC 4435112 . PMID 25760051 .
- ^ Wong, Pak Kin; Yang, Zhixin; Vong, Chi Man; Zhong, Jianhua (marzo de 2014). "Diagnóstico de fallas en tiempo real para sistemas generadores de turbinas de gas utilizando una máquina de aprendizaje extrema". Neurocomputación . 128 : 249-257. doi : 10.1016 / j.neucom.2013.03.059 .
- ^ Tian, Yang; Fu, Mengyu; Wu, Fang (marzo de 2015). "Diagnóstico de fallos de chapas de acero sobre la base de máquinas de vectores de soporte". Neurocomputación . 151 : 296-303. doi : 10.1016 / j.neucom.2014.09.036 .
- ^ Lv, Feiya; Wen, Chenglin; Bao, Zejing; Liu, Meiqin (julio de 2016). Diagnóstico de fallas basado en deep learning . Conferencia de Control Estadounidense de 2016 (ACC) . págs. 6851–6856. doi : 10.1109 / ACC.2016.7526751 . ISBN 978-1-4673-8682-1.
- ^ Guo, Sheng; Yang, Tao; Gao, Wei; Zhang, Chen (4 de mayo de 2018). "Un nuevo método de diagnóstico de fallas para maquinaria giratoria basado en una red neuronal convolucional" . Sensores . 18 (5): 1429. doi : 10.3390 / s18051429 . PMC 5982639 . PMID 29734704 .
- ^ Hoang, Duy-Tang; Kang, Hee-Jun (2019). "Diagnóstico de fallas de cojinetes de elementos rodantes mediante red neuronal convolucional e imagen de vibración". Investigación de sistemas cognitivos . 53 : 42–50. doi : 10.1016 / j.cogsys.2018.03.002 .
- ^ Lei, Yaguo; Jia, Feng; Lin, Jing; Xing, Saibo; Ding, Steven X. (mayo de 2016). "Un método inteligente de diagnóstico de fallas mediante el aprendizaje de funciones no supervisadas hacia Big Data mecánico". Transacciones IEEE sobre electrónica industrial . 63 (5): 3137–3147. doi : 10.1109 / TIE.2016.2519325 .
- ^ Shao, Haidong; Jiang, Hongkai; Zhang, Xun; Niu, Maogui (1 de noviembre de 2015). "Diagnóstico de fallas de rodamientos mediante una red de optimización de creencias profundas". Ciencia y Tecnología de la Medición . 26 (11): 115002. Código Bibliográfico : 2015MeScT..26k5002S . doi : 10.1088 / 0957-0233 / 26/11/115002 .
- ^ Jia, Feng; Lei, Yaguo; Lin, Jing; Zhou, Xin; Lu, Na (mayo de 2016). "Redes neuronales profundas: una herramienta prometedora para la minería característica de fallas y el diagnóstico inteligente de maquinaria rotativa con datos masivos". Sistemas mecánicos y procesamiento de señales . 72–73: 303–315. Código bibliográfico : 2016MSSP ... 72..303J . doi : 10.1016 / j.ymssp.2015.10.025 .