You are on page 1of 10

UNIVERSIDAD DE ORIENTE DEPARTAMENTO DE INGENIERA DE SISTEMAS CURSOS ESPECIALES DE GRADO ESTRATGIAS PARA LA AUTOMATIZACIN INDUSTRIAL MATURIN MONAGAS VENEZUELA

Deteccin de Fallas Parte I

Profesora: Judith Devia

Realizado por: Equipo DCS Cedeo W. Anthony J Lpez R. Jos A. C.I.: 20597736 C.I.: 21350912

Maturn, Marzo 2014

NDICE

INTRODUCCIN .................................................................................................................. 1 MARCO TERICO ............................................................................................................... 2 1. Falla ................................................................................................................................ 2 2. Tipos de deteccin de fallos ........................................................................................... 2 3. Sistemas SCADA y Deteccin de fallos ........................................................................ 3 4. Mtodos estadsticos de deteccin: SPC/SQC ............................................................... 3 4.1 Anlisis de Componentes Principales (PCA). .......................................................... 4 4.2 Anlisis Discriminante de Fisher (FDA). ................................................................. 4 4.3 Anlisis de pares FDA. ............................................................................................. 4 4.4 Anlisis Discriminante. ............................................................................................ 4 4.5 Anlisis Discriminante Generalizado (GDA). .......................................................... 4 DISCUSIN ........................................................................................................................... 5 CONCLUSIONES .................................................................................................................. 7 REFERENCIAS BIBLIOGRAFIAS ...................................................................................... 8

INTRODUCCIN El desarrollo actual de la instrumentacin digital, las redes industriales y los sistemas de control SCADA y control distribuido, permiten almacenar un gran volumen de data de los procesos industriales. Esta data puede ser aprovechada para desarrollar sistemas de deteccin y diagnostico de fallas, pudindose a partir de esta informacin generarse patrones que permitan identificar condiciones de falla. Venkatasubramanian (2003), presenta una clasificacin de los mtodos de diagnsticos de fallas que han sido utilizados hasta la actualidad, encontrndose una gran cantidad de mtodos basados en modelos cuantitativos y cualitativos y una tendencia actual de mtodos basados en data histrica, estos ltimos tienen una ventaja importante con respecto a los anteriores debido a que no requieren desarrollar un modelo matemtico preciso del proceso, ni conjuntos de reglas de decisin, que en muchos proceso complejos es una tarea titnica. En los mtodos basados en data histrica la deteccin y diagnstico de falla se realiza mediante el procesamiento de un gran volumen de data. Hay varias maneras que la data puede ser trasformada y presentada como un conocimiento a priori para el sistema de diagnstico, una es conocida como Extraccin de Caractersticas (Feature Extraction), el proceso de extraccin de caractersticas puede ser tanto cualitativo como cuantitativo. Para el caso de la extraccin cualitativa es comn el uso de los sistemas expertos, lgica difusa, etc. y en el caso de la extraccin cuantitativa tenemos las redes neuronales y las tcnicas estadsticas. En este trabajo nos enfocaremos en las tcnicas estadsticas multivariables para la realizacin de la deteccin, la identificacin y el diagnstico de fallas.

MARCO TERICO 1. Falla Una falla es un evento indeseable, cuantificable o no en la operacin de un equipo. Mucho se ha discutido que una falla tiene que ver con la parada del equipo, pues no. Un equipo puede estar en falla y aunque est cumpliendo con su cometido est generando consecuencias cuantificables o no. Podemos poner el siguiente ejemplo: Imaginemos un vehculo que se est trasladando de un sitio a otro, el motor comienza a tener problemas con un pistn; el chofer decide continuar hasta el sitio de destino, lo logra, pero tard mas en llegar, gasto mas combustible y posiblemente agrav el problema del motor y ante el estado en que qued, se requiere una reparacin mayor que por dems es costosa. Claro, esto amerita una clasificacin de la falla, que segn los expertos en mantenimiento definen algunas segn su velocidad de aparicin, impacto, manera de manifestarse en: catalpticas, progresivas, crticas, sbitas, parciales, totales, externas, etc. Pero de todas estas caractersticas lo mas importante en su impacto negativo sobre las personas, equipos, ambiente y produccin.[1] 2. Tipos de deteccin de fallos Los diversos mtodos y tcnicas utilizados para detectar las situaciones de mal funcionamiento pueden clasificarse de acuerdo con la naturaleza del conocimiento disponible sobre el proceso en: Deteccin basada en mtodos analticos: Utiliza solamente herramientas matemticas o analticas (modelos matemticos precisos, procesado de seales) para realizar sus funciones. Deteccin basada en conocimiento: Incluye herramientas de la Inteligencia Artificial. Por ejemplo, representacin simblica de seales, o modelos cualitativos incluyendo imprecisin o incertidumbre. Deteccin basada en modelos: Los fallos son detectados a partir de la comparacin del funcionamiento del sistema supervisado con el de un modelo del mismo, que representa el funcionamiento normal. Deteccin basada en seales o sntomas: En este caso los fallos se detectan directamente a partir de las seales procedentes del proceso, despus de un procesado de las mismas.

A su vez, dependiendo de la organizacin del conocimiento distinguimos entre:

3. Sistemas SCADA y Deteccin de fallos El papel de los sistemas SCADA en la deteccin de fallos puede ir desde el simple disparo de alarmas hasta la utilizacin de tcnicas ms sofisticadas ya integradas o susceptibles de ser integradas. En este segundo caso existen en el mercado numerosos paquetes que incorporan tanto facilidades de control estadstico (SPC, Statistical Process Control) como tecnologa de sistemas abiertos (DDE, OLE, COM/DCOM, ActiveX y OPC) que permite una fcil integracin con otras aplicaciones. 4. Mtodos estadsticos de deteccin: SPC/SQC La utilizacin de tcnicas estadsticas para detectar variaciones de calidad o de produccin data de principios del siglo XX. La evolucin de estos trabajos iniciales ha evolucionado hacia el llamado Control Estadstico de Procesos y de calidad (SPC, Statistical Process Control y SQC, Statistical Quality Control). Diferentes herramientas han aparecido con el propsito de ayudar en estas tareas como: grficos de Control (Control Charts), mtodos de comparacin de trazas (Comparison Plot), tcnicas de dispersin (Scatter Plot) o los histogramas. Uno de los principales propsitos del SPC es el seguimiento de las variables de proceso con el objetivo de diferenciar aquellas variaciones aleatorias, y por tanto incontrolables, de las variaciones controlables, debidas a cambios en el proceso (maquinaria, personal, mtodos, entorno, sistema de medida) o en el producto y que por tanto debern ser corregidas. Se trata de un mtodo de deteccin de fallos basado en la combinacin de tcnicas estadsticas y probabilsticas para establecer un modelo de comportamiento normal del proceso caracterizado por las medidas disponibles. La base del control estadstico reside en la utilizacin de medidas pasadas para determinar los lmites de variaciones futuras de nuestro proceso en ausencia de anomalas. De esta forma, cuando las variaciones de las futuras medidas caigan dentro de los lmites previstos se dice que el proceso est controlado (o estadsticamente controlado), mientras que cuando las variaciones observadas salgan de los lmites establecidos ser sntoma de anomala en el funcionamiento del proceso. La metodologa a emplear consiste en caracterizar las variaciones presentes en medidas en rgimen permanente a partir de dos parmetros bsicos: su Localizacin (media, mediana) y su variacin (desviacin tpica, rango). La aleatoriedad de dichas variaciones se asocia a funciones de distribucin de probabilidad. En este sentido es habitual la caracterizacin de variaciones en medidas de variables continuas en rgimen estacionario (temperaturas presiones, etc.) mediante una funcin de distribucin normal mientras que las medidas sobre atributos (nmero de fallos en una pieza, piezas buenas sobre una muestra, etc.) se caracterizan a partir de funciones binomiales o de Poisson.[2]

4.1 Anlisis de Componentes Principales (PCA). PCA es una tcnica lineal de reduccin de dimensionalidad, ptima en trminos de capturar la variabilidad de la data y aplicada para realizar la etapa de Extraccin de Caractersticas. PCA determina un conjunto de vectores ortogonales, que son combinaciones lineales de las variables originales, estos son ordenados por la cantidad de varianza explicada en las direcciones de dichos componentes. Una completa descripcin terica de PCA puede ser obtenida de (Chiang et al., 2001). 4.2 Anlisis Discriminante de Fisher (FDA). FDA es una tcnica lineal ampliamente usada para la clasificacin de patrones, permite reducir la dimensionalidad de la data, es ptima en el trmino de maximizar la separacin entre las clases y aplicada para realizar la Extraccin de Caractersticas. Esta tcnica determina un conjunto de vectores FDA a partir de transformaciones lineales, con el fin de maximizar la dispersin entre las clases mientras se minimiza la dispersin de cada clase. Con los vectores FDA determinados, las observaciones son luego clasificadas en el espacio reducido usando Anlisis Discriminante, el mismo ser analizado ms adelante. Una descripcin matemtica del FDA se puede obtener de (Chiang et al., 2001). 4.3 Anlisis de pares FDA. En este mtodo propuesto por He, Peter. et al.,(2004) las fallas son identificadas aplicando el anlisis de pares FDA a la data en condiciones normales, que denotaremos como X0 y la data en presencia de cada clase de falla, que denotaremos como Xi. 4.4 Anlisis Discriminante. El diagnostico de las fallas es realizado a partir del anlisis discriminante, donde la clasificacin de las fallas se efecta asignando una observacin a la clase o falla i si esta presenta el mximo valor de la funcin discriminante: gi (x) > gj(x) Donde gi(x) es la funcin discriminante para la clase j dado un vector de data m xR. 4.5 Anlisis Discriminante Generalizado (GDA). Para el caso en que la data requiere de un clasificador nolineal, el clsico FDA ha sido generalizado a su versin kernel y llamado GDA. De manera similar que lo hace FDA, GDA determina un conjunto ptimo de vectores discriminantes tal que se maximice la matriz de dispersin entre las clases mientras se minimiza la matriz de dispersin de cada clase.[3]

DISCUSIN La fallas son el termino usado para referirse a los sucesos que no son deseados, o que no estaban programados en funcin de una actividad, estos pueden ser de maquinaria, equipos, o falta de coordinacin y mantenimiento. La mayora de las veces, por no decir que siempre que se encuentra una falla por primera vez en un proceso determinado es difcil saber cual es la razn por la cual el sistema no opera de la manera esperada y generalmente para solucionar esto significa detener la produccin, ya que si se continua en operatividad con esta falla se corre el riesgo de que desencadene una secuencia de fallas a mayor escalas y que sea mas difcil encontrarle solucin. Por ejemplo si nos encontramos con un ruido inadecuado en una de las maquinarias de produccin es imprescindible notificar esto a un supervisor por varias razones, primero, un simple ruido anmalo no debe pasarse por alto, puesto que no forma parte de la funcionalidad rutinaria de la maquina y de no atenderse a tiempo podra llevar a la falla total de la maquina que implicara reemplazar por completo la maquina para que siga la produccin y esto acarreara muchos gastos que no estaban predispuestos para este propsito. Segundo, de pasarse por alto esta anomala no solamente podra perjudicar la produccin sino que podra atentar contra las vidas de otros empleados dependiendo del tipo de produccin que se realice y los componentes con los que se trabajen en esa rea podran ser de alto riesgo. La deteccin de las fallas es un tema muy importante dentro de lo que son los distintos procesos en una industria, ya que todo esta relacionado se necesita de una completa coordinacin entre cada uno de los elementos y esto no puede ser as si se detiene uno de los procesos por una falla, es imprescindible que para esto existan mantenimientos y rutinas de supervisin que permitan el continuo control y monitoreo de las instalaciones y de cada uno de sus procesos as como de sus maquinarias. Una manera muy particular de detectar fallas se obtiene a travs de la experiencia la cual es un indicador nato que se basa en la percepcin de los sucesos y la costumbre al trabajar da a da con la misma produccin, un ejemplo claro seria el de un taller mecnico, el encargado de reparar los autos generalmente solo necesita escuchar cual es el ruido que produce el auto para dar en el blanco con el problema, este tipo de conocimientos se adquiere solo con la experiencia. Pero ciertamente cuando se trata de otros tipos de procesos que son industriales no todo se puede detectar con la experiencia, ya hablamos de procesos masivos, y no es que la experiencia no sirva en estos casos, al contrario sigue aportando gran cantidad de informacin, pero se necesitan tcnicas estadsticas que agilicen la manera en la que se

estudian los diferentes casos en los que se podra encontrar la falla inicial, estas tcnicas cuentan con bases matemticas bien estructuradas y puestas aprueba con modelos que demuestran su funcionalidad, aunque ciertamente son trabajos muy rigurosos ayudan a detectar de manera mas exacta donde esta la posible falla en un sistema, incluso sin necesidad de que esta falla se encuentre visible. Los sistemas SCADA ciertamente tiene mdulos de deteccin de fallas pero que generalmente disparan alarmas cuando ciertas variables se salen de los estndares predeterminados mas no indican la razn principal de porque ocurre este fallo en el sistema, es para esto que existen estos modelos de deteccin mas sofisticados, que no dejan por fuera ninguna variable relacionada con el proceso para su estudio entre los posibles componentes que iniciaron el fallo.

CONCLUSIONES Las aplicaciones de la estadstica dentro de la deteccin de fallas es completamente aceptable, permite la eficiencia en cuanto a la veracidad de la informacin y clculos muy acertados a la realidad de la problemtica, indiferentemente del numero de variables que se manejen siempre se puede acoplar a los distintos mtodos de clculos. Se demostr la aplicabilidad del Anlisis Discriminante Generalizado (GDA) para mejorar el diagnostico de las fallas en aquellos casos donde las tcnicas de clasificacin lineales tales como el FDA no presentan buenos resultados. Para el diagnostico de fallas el uso del Anlisis Discriminante de Fisher (FDA) se presenta como una tcnica lineal muy efectiva en la clasificacin de fallas (Chiang et al., 2001), ella permite tambin reducir el nmero de variables que son obtenidas de la instrumentacin del proceso en un grupo menor que son realmente las que poseen informacin importante de las fallas ocurridas, hecho que es muy comn en los procesos industriales donde generalmente se miden y almacenan decenas de variables del proceso.

REFERENCIAS BIBLIOGRAFIAS [1]-Brau Clemanza. (Sep 12, 2011). Las fallas de los equipos y sus consecuencias. http://www.sistemademantenimiento.com/2011/09/las-fallas-de-los-equipos-y-sus.html (Mar 29, 2014) [2]-Joan Colomer, Joaquim Melndez, Jordi Ayza. Sistemas de Supervisin. http://www.ceautomatica.es/sites/default/files/upload/10/files/sistemas%20de%20supervisi on.pdf (Mar 29, 2014) [3]-Jos L. Gouveia, Delfina Padilla, Oscar Camacho. DETECCION Y DIAGNOSTICO DE FALLAS UTILIZANDO TECNICAS ESTADISTICAS MULTIVARIABLES A PARTIR DE DATA HISTORICA. http://gibup.files.wordpress.com/2009/11/gda.pdf (Mar 29, 2014)