UNIVERSIDAD DE ORIENTE

DEPARTAMENTO DE INGENIERÍA DE SISTEMAS

CURSOS ESPECIALES DE GRADO

ESTRATÉGIAS PARA LA AUTOMATIZACIÓN INDUSTRIAL

MATURIN MONAGAS VENEZUELA

Detección de Fallas

Parte I

Profesora:

Judith Devia

Realizado por:

Equipo DCS

Cedeño W. Anthony J C.I.: 20597736

López R. José A. C.I.: 21350912

Maturín, Marzo 2014

ÍNDICE

INTRODUCCIÓN..................................................................................................................1

MARCO TEÓRICO................................................................................................................2

1. Falla.................................................................................................................................2

3. Tipos de detección de fallos............................................................................................2

4. Sistemas SCADA y Detección de fallos.........................................................................3

5. Métodos estadísticos de detección: SPC/SQC................................................................3

5.1 Análisis de Componentes Principales (PCA)............................................................4

5.2 Análisis Discriminante de Fisher (FDA)..................................................................4

5.3 Análisis de pares FDA..............................................................................................4

5.4 Análisis Discriminante..............................................................................................5

5.5 Análisis Discriminante Generalizado (GDA)...........................................................5

DISCUSIÓN...........................................................................................................................6

CONCLUSIONES..................................................................................................................8

REFERENCIAS BIBLIOGRAFIAS......................................................................................9

INTRODUCCIÓN

El desarrollo actual de la instrumentación 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 detección y diagnostico de fallas, pudiéndose a partir de esta información generarse patrones que permitan identificar condiciones de falla.

Venkatasubramanian (2003), presenta una clasificación de los métodos de diagnósticos de fallas que han sido utilizados hasta la actualidad, encontrándose una gran cantidad de métodos basados en modelos cuantitativos y cualitativos y una tendencia actual de métodos basados en data histórica, estos últimos tienen una ventaja importante con respecto a los anteriores debido a que no requieren desarrollar un modelo matemático preciso del proceso, ni conjuntos de reglas de decisión, que en muchos proceso complejos es una tarea titánica.

En los métodos basados en data histórica la detección y diagnóstico 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 diagnóstico, una es conocida como Extracción de Características (Feature Extraction), el proceso de extracción de características puede ser tanto cualitativo como cuantitativo. Para el caso de la extracción cualitativa es común el uso de los sistemas expertos, lógica difusa, etc. y en el caso de la extracción cuantitativa tenemos las redes neuronales y las técnicas estadísticas. En este trabajo nos enfocaremos en las técnicas estadísticas multivariables para la realización de la detección, la identificación y el diagnóstico de fallas.

1

MARCO TEÓRICO

1. Falla

Una falla es un evento indeseable, cuantificable o no en la operación 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 está cumpliendo con su cometido está generando consecuencias cuantificables o no.

Podemos poner el siguiente ejemplo: Imaginemos un vehículo que se está trasladando de un sitio a otro, el motor comienza  a tener problemas con un pistón; el chofer decide continuar hasta el sitio de destino, lo logra, pero tardó mas en llegar, gasto mas combustible y posiblemente agravó el problema del motor y ante el estado en que quedó, se requiere una reparación mayor que por demás es costosa.

Claro, esto amerita una clasificación de la falla, que según los expertos en mantenimiento definen algunas según su velocidad de aparición, impacto, manera de manifestarse en: catalépticas, progresivas, críticas, súbitas, parciales, totales, externas, etc. Pero de todas estas características lo mas importante  en su impacto negativo sobre las personas, equipos, ambiente y producción.[1]

2. Tipos de Fallas

Fallas Totales: causan incapacidad total del tiempo. Fallas Parciales: causan degradación del servicio, pero no incapacidad total del

equipo Fallas súbitas: ocurren imprevistamente. Fallas progresivas: El equipo presenta síntomas y la falla se presenta

gradualmente. Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales. Fallas por deriva: Son progresivas y parciales.[4]

3. Tipos de detección de fallos

Los diversos métodos y técnicas utilizados para detectar las situaciones de mal funcionamiento pueden clasificarse de acuerdo con la naturaleza del conocimiento disponible sobre el proceso en:

Detección basada en métodos analíticos: Utiliza solamente herramientas matemáticas o analíticas (modelos matemáticos precisos, procesado de señales) para realizar sus funciones.

Detección basada en conocimiento: Incluye herramientas de la Inteligencia Artificial. Por ejemplo, representación simbólica de señales, o modelos cualitativos incluyendo imprecisión o incertidumbre.

2

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

Detección basada en modelos: Los fallos son detectados a partir de la comparación del funcionamiento del sistema supervisado con el de un modelo del mismo, que representa el funcionamiento normal.

Detección basada en señales o síntomas: En este caso los fallos se detectan directamente a partir de las señales procedentes del proceso, después de un procesado de las mismas.

4. Sistemas SCADA y Detección de fallos

El papel de los sistemas SCADA en la detección de fallos puede ir desde el simple disparo de alarmas hasta la utilización de técnicas más sofisticadas ya integradas o susceptibles de ser integradas. En este segundo caso existen en el mercado numerosos paquetes que incorporan tanto facilidades de control estadístico (SPC, Statistical Process Control) como tecnología de sistemas abiertos (DDE, OLE, COM/DCOM, ActiveX y OPC) que permite una fácil integración con otras aplicaciones.

5. Métodos estadísticos de detección: SPC/SQC

La utilización de técnicas estadísticas para detectar variaciones de calidad o de producción data de principios del siglo XX. La evolución de estos trabajos iniciales ha evolucionado hacia el llamado Control Estadístico de Procesos y de calidad (SPC, Statistical Process Control y SQC, Statistical Quality Control). Diferentes herramientas han aparecido con el propósito de ayudar en estas tareas como: gráficos de Control (Control Charts), métodos de comparación de trazas (Comparison Plot), técnicas de dispersión (Scatter Plot) o los histogramas.

Uno de los principales propósitos 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, métodos, entorno, sistema de medida) o en el producto y que por tanto deberán ser corregidas. Se trata de un método de detección de fallos basado en la combinación de técnicas estadísticas y probabilísticas para establecer un modelo de comportamiento normal del proceso caracterizado por las medidas disponibles.

La base del control estadístico reside en la utilización de medidas pasadas para determinar los límites de variaciones futuras de nuestro proceso en ausencia de anomalías. De esta forma, cuando las variaciones de las futuras medidas caigan dentro de los límites previstos se dice que el proceso está controlado (o estadísticamente controlado), mientras que cuando las variaciones observadas salgan de los límites establecidos será síntoma de anomalía en el funcionamiento del proceso.

3

La metodología a emplear consiste en caracterizar las variaciones presentes en medidas en régimen permanente a partir de dos parámetros básicos: su Localización (media, mediana) y su variación (desviación típica, rango). La aleatoriedad de dichas variaciones se asocia a funciones de distribución de probabilidad. En este sentido es habitual la caracterización de variaciones en medidas de variables continuas en régimen estacionario (temperaturas presiones, etc.) mediante una función de distribución normal mientras que las medidas sobre atributos (número de fallos en una pieza, piezas buenas sobre una muestra, etc.) se caracterizan a partir de funciones binomiales o de Poisson.[2]

5.1 Análisis de Componentes Principales (PCA).

PCA es una técnica lineal de reducción de dimensionalidad, óptima en términos de capturar la variabilidad de la data y aplicada para realizar la etapa de Extracción de Características. 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 descripción teórica de PCA puede ser obtenida de (Chiang et al., 2001).

5.2 Análisis Discriminante de Fisher (FDA).

FDA es una técnica lineal ampliamente usada para la clasificación de patrones, permite reducir la dimensionalidad de la data, es óptima en el término de maximizar la separación entre las clases y aplicada para realizar la Extracción de Características. Esta técnica determina un conjunto de vectores FDA a partir de transformaciones lineales, con el fin de maximizar la dispersión entre las clases mientras se minimiza la dispersión de cada clase. Con los vectores FDA determinados, las observaciones son luego clasificadas en el espacio reducido usando Análisis Discriminante, el mismo será analizado más adelante. Una descripción matemática del FDA se puede obtener de (Chiang et al., 2001).

5.3 Análisis de pares FDA.

En este método propuesto por He, Peter. et al.,(2004) las fallas son identificadas aplicando el análisis 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.[3]

5.4 Análisis Discriminante.

El análisis discriminante es una técnica estadística multivariante cuya finalidad es describir (si existen) las diferencias entre g grupos de objetos sobre los que se observan p variables (variables discriminantes). Más concretamente, se comparan y describen las medias de las p variables clasificadoras a través de los g grupos.[5]

4

El diagnostico de las fallas es realizado a partir del análisis discriminante, donde la clasificación de las fallas se efectúa asignando una observación a la clase o falla i si esta presenta el máximo valor de la función discriminante:

gi (x) > gj(x)

Donde gi(x) es la función discriminante para la clase j dado un vector de data m x∈R.

5.5 Análisis Discriminante Generalizado (GDA).

Para el caso en que la data requiere de un clasificador nolineal, el clásico FDA ha sido generalizado a su versión kernel y llamado GDA. De manera similar que lo hace FDA, GDA determina un conjunto óptimo de vectores discriminantes tal que se maximice la matriz de dispersión entre las clases mientras se minimiza la matriz de dispersión de cada clase.[3]

5

DISCUSIÓN

La fallas son el termino usado para referirse a los sucesos que no son deseados, o que no estaban programados en función de una actividad, estos pueden ser de maquinaria, equipos, o falta de coordinación y mantenimiento. La mayoría de las veces, por no decir que siempre que se encuentra una falla por primera vez en un proceso determinado es difícil saber cual es la razón por la cual el sistema no opera de la manera esperada y generalmente para solucionar esto significa detener la producción, 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 difícil encontrarle solución.

Por ejemplo si nos encontramos con un ruido inadecuado en una de las maquinarias de producción es imprescindible notificar esto a un supervisor por varias razones, primero, un simple ruido anómalo no debe pasarse por alto, puesto que no forma parte de la funcionalidad rutinaria de la maquina y de no atenderse a tiempo podría llevar a la falla total de la maquina que implicaría reemplazar por completo la maquina para que siga la producción y esto acarreara muchos gastos que no estaban predispuestos para este propósito. Segundo, de pasarse por alto esta anomalía no solamente podría perjudicar la producción sino que podría atentar contra las vidas de otros empleados dependiendo del tipo de producción que se realice y los componentes con los que se trabajen en esa área podrían ser de alto riesgo.

La detección 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 coordinación entre cada uno de los elementos y esto no puede ser así si se detiene uno de los procesos por una falla, es imprescindible que para esto existan mantenimientos y rutinas de supervisión que permitan el continuo control y monitoreo de las instalaciones y de cada uno de sus procesos así como de sus maquinarias.

Una manera muy particular de detectar fallas se obtiene a través de la experiencia la cual es un indicador nato que se basa en la percepción de los sucesos y la costumbre al trabajar día a día con la misma producción, un ejemplo claro seria el de un taller mecánico, 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 información, pero se necesitan técnicas estadísticas que agilicen la manera en la que se

6

estudian los diferentes casos en los que se podría encontrar la falla inicial, estas técnicas cuentan con bases matemáticas 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 módulos de detección de fallas pero que generalmente disparan alarmas cuando ciertas variables se salen de los estándares predeterminados mas no indican la razón principal de porque ocurre este fallo en el sistema, es para esto que existen estos modelos de detección mas sofisticados, que no dejan por fuera ninguna variable relacionada con el proceso para su estudio entre los posibles componentes que iniciaron el fallo.

7

CONCLUSIONES

Las aplicaciones de la estadística dentro de la detección de fallas es completamente aceptable, permite la eficiencia en cuanto a la veracidad de la información y cálculos muy acertados a la realidad de la problemática, indiferentemente del numero de variables que se manejen siempre se puede acoplar a los distintos métodos de cálculos. Se demostró la aplicabilidad del Análisis Discriminante Generalizado (GDA) para mejorar el diagnostico de las fallas en aquellos casos donde las técnicas de clasificación lineales tales como el FDA no presentan buenos resultados.

Para el diagnostico de fallas el uso del Análisis Discriminante de Fisher (FDA) se presenta como una técnica lineal muy efectiva en la clasificación de fallas (Chiang et al., 2001), ella permite también reducir el número de variables que son obtenidas de la instrumentación del proceso en un grupo menor que son realmente las que poseen información importante de las fallas ocurridas, hecho que es muy común en los procesos industriales donde generalmente se miden y almacenan decenas de variables del proceso.

8

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 Meléndez, Jordi Ayza. Sistemas de Supervisión. http://www.ceautomatica.es/sites/default/files/upload/10/files/sistemas%20de%20supervision.pdf (Mar 29, 2014)

[3]-José 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)

[4]  C2CGOMEZ. Marzo 2012. Mantenimiento Industrial. http://www.buenastareas.com/ensayos/Mantenimiento-Industrial/3764045.html (Mar 29, 2014)

[5] Analisis Discriminante.  Mar 23, 2013. http://es.wikipedia.org/wiki/An%C3%A1lisis_discriminante (Mar 29, 2014)

9