8/18/2019 Documento Completo SI

1/5

Desarrollo de un Sistema de Diagnóstico de Fallas para Equipos deProcesos basado en Estados Anormales Caracterizados

MARTÍNEZ Sergio Luis, FRANCO DOMINGUEZ Samuel, TARIFA Enrique Eduardo,

SANCHEZ RIVERO Víctor David, AZAR Miguel AugustoGrupo de Investigación IngProAr / Facultad de Ingeniería / Universidad Nacional de JujuyAv. Italia y Av. Martearena / S. S. de Jujuy / Provincia de Jujuy / tel. 0388-4221591

smartinez@fi.unju.edu.ar, sfdominguez@arnet.com.ar, eetarifa@fi.unju.edu.arivansr100@arnet.com.ar, augux1221@gmail.com

ResumenUn incremento considerable en la com-

plejidad de los sistemas industriales moder-nos requiere de un desarrollo continuo demétodos para detección de fallas. El monito-reo de la condición operativa en máquinasadquiere gran importancia en la industria porla necesidad de incrementar la confiabilidady disminuir pérdidas de producción por fallasen los equipos.

La adquisición de conocimiento en sis-temas expertos es exhaustiva y demasiadocostosa en tiempo; la simulación mediantemodelos usualmente es demasiado lenta co-mo para operar en tiempo real. Esto explicar-

ía razonablemente el motivo por el que lastécnicas de computación en software, talescomo los algoritmos evolutivos y las redesneuronales son tan populares en aplicacionesindustriales para la identificación y aislaciónde fallas.

Los métodos más apropiados para el de-sarrollo de sistemas de diagnóstico de fallastienden a aplicar heurísticas que reflejan elrazonamiento humano e involucren técnicasde resolución de problemas complejos inspi-

radas en procesos de la naturaleza. En esesentido, la propuesta de este proyecto es jus-tamente adoptar esos criterios para desarro-llar un sistema de diagnóstico eficiente capazde operar en tiempo real, utilizando informa-ción capturada directamente de los dispositi-vos a monitorear, para afrontar adaptivamen-te las condiciones cambiantes que ocurren enlos procesos bajo supervisión.

Palabras clave : Diagnóstico de fallas, pro-

cesos, monitoreo, inteligencia artificial.

Contexto El presente proyecto se inicia a mediados

del año 2010, como un complemento de un proyecto anterior donde se desarrollaron

sistemas de diagnóstico basados en redesneuronales con datos simulados.Desde el punto de vista del proceso de

investigación, este proyecto se desarrolla enforma conjunta al proyecto de “Desarrollode Sistemas de Apoyo para la Toma de De-cisiones en Procesos Industriales”, en el ma r-co del Programa de Investigación “D esarrollode Sistemas de Soporte a la Toma de Deci-siones” dirigido por el Dr. Enr ique Tarifa.

Las actividades de investigación son lle-vadas a cabo por el grupo IngProAr en elInstituto de Tecnología Minera e Industrial(InTeMI) de la Facultad de Ingeniería de laUniversidad Nacional de Jujuy y cuenta confinanciamiento de la Secretaría de Ciencia yTécnica y Estudios Regionales de la UNJu.

Introducción Pueden identificarse dos enfoques princi-

pales para el desarrollo de sistemas de diag-

nóstico de fallas: la aplicación de la redun-dancia de hardware o la aplicación de laredundancia analítica. La redundancia dehardware utiliza la multiplicidad de disposi-tivos físicos y, por lo general, un sistema devotación para detectar la aparición de unaanomalía y su ubicación en el sistema. El principal problema de este enfoque es elcosto significativo del equipamiento adicio-nal necesario.

La redundancia analítica utiliza relacio-nes funcionales redundantes entre las varia- bles del sistema. La principal ventaja de esteenfoque frente a la redundancia de hardware

8/18/2019 Documento Completo SI

2/5

es que no requiere equipos adicionales. Lasmetodologías de detección de fallas basadasen redundancia analítica tienen en común eluso de un conjunto de relaciones de redun-dancia analítica, que representa el modelo

del sistema que describe el rendimiento de-seado del sistema de seguimiento. El siste-ma que es monitoreado por posibles digre-siones a partir de este modelo, produce in-formación que indica los casos de fallas y permite aislar los componentes defectuosos(Palade et al, 2006).

Desafortunadamente, los métodos analí-ticos clásicos utilizados en los sistemas dediagnóstico de fallas usualmente no propor-cionan soluciones aceptables para estas tare-as. Uno de los métodos más aplicados al problema de diagnóstico de fallas en meca-nismos y sistemas en general es la construc-ción de heurísticas. Este método genera sis-temas basados en reglas que requieren de laexperiencia y conocimientos de un expertohumano o la simulación del proceso a travésde modelos complejos. Los sistemas gene-rados de esta forma realizan el diagnósticomediante el mapeo de los síntomas de fallasa hipótesis previamente definidas para esta- blecer conclusiones coherentes de la opera-tividad de los procesos o mecanismos enconsideración.

Líneas de Investigación y Desarrollo

Para abordar la temática del proyecto,tendiente al cumplimiento de los objetivos propuestos, fue necesario incursionar endiversos campos del conocimiento. A partirde ellos se pueden desglosar algunas líneasde investigación que deben ser exploradascon mayor o menor profundidad, según serequiera. Por ejemplo: Análisis de series temporales: Análisis

y predicción de series temporales. Ex-tracción de características. Estimación de parámetros y variables no medidas. Esti-mación de tendencias. Caracterización deestados normales de operación. Detec-ción y caracterización de situacionesanómalas. Definición de índices de ren-dimiento. Datamining.

Técnicas de adquisición de datos: Estu-dio de procesos y sistemas típicos. Identi-ficación de equipos y máquinas principa-les. Análisis de sensores y producción dedatos. Utilización de placas DSP ( DigitalSignal Processor ). Toma de muestras ba- jo condiciones normales y bajo condicio-nes de fallas. Análisis de registros histó-ricos disponibles.

Procesamiento de datos: Detección desensores fallados. Eliminación de ruidos.Conciliación de lecturas. Procesamientoestadístico.

Análisis y procesamiento de señales: Herramientas de análisis: Investigación ydesarrollo de métodos y procedimientoseficientes para análisis y caracterizaciónde secuencias de datos. Aplicación deherramientas específicas para procesa-miento de señales: transformada de Fou-rier, transformada wavelet, análisis multi-resolución. Métodos ICA (IndependentComponents Analysis) y PCA (PrincipalComponents Analysis).

Sistemas de diagnóstico inteligentes: Análisis de sistemas candidatos basados

en IA. Sistemas típicos: Redes Neurona-les (ANN), Sistemas de Control Fuzzy(FCS), sistemas híbridos neuro – fuzzy yneuro – wavelet. Determinación de pro- piedades, alcances y limitaciones. Im- plementación sobre entorno de procesa-miento y simulación matemático.

Diagnóstico de fallas: Reconocimientode patrones. Monitoreo e identificaciónde fallas. Verificación de respuestas sinruido y con ruido. Análisis de tolerancias

para variables de proceso.Objetivos y Resultados

Este proyecto se ha planificado en cuatroaños de duración (2010-2013) para el desa-rrollo de los siguientes objetivos:

Objetivo GeneralDesarrollar un sistema de diagnóstico de

fallas para equipos de procesos, basado en

estados anormales caracterizados. La im- plementación del sistema se realizará con la

8/18/2019 Documento Completo SI

3/5

aplicación de técnicas, procedimientos ysistemas de inteligencia artificial.

Objetivos Parti culares Estudiar y caracterizar secuencias tempo-

rales de señales correspondientes a pará-metros característicos de equipos utiliza-dos en procesos industriales.

Capturar, en tiempo real, secuencias tem- porales de parámetros de funcionamientode equipos clásicos utilizados en proce-sos industriales, representativas de esta-dos normales y anormales.

Investigar e implementar métodos con-venientes que permitan determinar elconjunto de variables que deben ser mo-nitoreadas para detectar y caracterizaradecuadamente estados anormales.

Definir índices de rendimiento para lacaracterización de estados anormales.

Implementar técnicas de análisis necesa-rias para caracterizar estados anormales a partir del análisis del conjunto de varia- bles medidas.

De las diferentes actividades desarrolla-

das durante el año 2010, se destacan:Acti vidades de investigación Adquisición de material bibliográfico y

obtención de documentos científicosrelacionados.

Acondicionamiento de un equipo decómputo ad-hoc. Instalación, configura-ción y programación de un módulo DSPde 8 bits, analógico – digital.

Publicaciones

Martínez S. L., Tarifa E. E., FrancoDomínguez S. Processing Ambiguous FaultSignals with Three Models of Feedforward

Neural Networks . Anales WorkshopCACIC 2010, ISBN 978-950-9474-49-9, 1ºed., Universidad de Morón. Bs. As., 2010.

Martínez S. L., Tarifa E. E., Núñez A. F.“Controladores Fuzzy vs. ControladoresConvencionales – Un Caso de Estudio”.Investigaciones en Facultades de Inge-niería del NOA, ISSN 3367-5072,EdiUNJu. Jujuy, 2010.

Vanesa G. Velásquez V. G., Martínez S.L., Sánchez RiveroV. D. “ Clasificador Neuronal Implementado con RedesSOM”. Investigaciones en Facultades deIngeniería del NOA, ISSN 3367-5072,

EdiUNJu. Jujuy, 2010. Tarifa E. E., Franco S., Martínez S. L.“Simulación Dinámica en una DimensiónUtilizando Volúmenes Finitos Móviles”.Investigaciones en Facultades de Inge-niería del NOA, ISSN 3367-5072,EdiUNJu. Jujuy, 2010.

Tarifa E.E., Núñez Á.F., Franco S., Mus-sati S., “Fault Diagnosis for a MSF des a-lination plant by using Bayesian Net-work”, Desalination and Water Trea t-ment, ISSN 1944-3994, 2010.

Presentaciones en Congresos VI Jornadas de Ciencia y Tecnología de

las Facultades de Ingeniería del NOA.Tema: “Controladores Fuzzy vs. Contr o-ladores Convencionales – Un Caso deEstudio”. Disertante: S. Martínez. Jujuy,noviembre/2010.

VI Jornadas de Ciencia y Tecnología de

las Facultades de Ingeniería del NOA.Tema: “Simulación Dinámi ca en UnaDimensión utilizando Volúmenes FinitosMóviles”. Disertante: S. Franco Domí n-guez. Jujuy, noviembre/2010.

XVI Congreso Argentino de Ciencias dela Computación, Workshop Procesamien-to de Señales y Sistemas de Tiempo Real.Tema: “Procesamiento de Se ñales de Fa-llas Ambiguas con Tres Modelos de Re-des Neuronales”. Disertante: S. Martínez.

Bs. As., octubre/2010. VIII Semana Nacional de la Ciencia y laTecnología. Tema: “El Papel del Paper enIngeniería”. Facultad de Ingeniería – UN-Ju. Disertante: S. Martínez. Jujuy, ju-nio/2010.

Formación de recursos humanos En el contexto de la formación de recursos

humanos se desarrollan diferentes activida-

des a cargo de los integrantes del proyecto.

8/18/2019 Documento Completo SI

4/5

F ormación de docentes investigadores Formador: Enrique E. Tarifa. Investi-

gador: S. Franco, Profesor Adjunto DE.,Categoría IV, desde 1996. Investigador:S. Martínez, Profesor Adjunto DE., Cate-

goría IV, desde 1999. Investigador: S.Chalabe, Profesora Adjunta, CategoríaIII, desde 2006. Investigador: Á. Núñez,Ayudante de primera DS., desde 1996.

Formador: Sergio L. Martínez. Investiga-dor: N. Pérez Otero, Profesora Adjunta, Ca-tegoría V, desde 2007. Investigador: V.Sánchez Rivero, Profesor Adjunto DE., des-de 2009. Investigador: L. Ituarte, ProfesorAdjunto, 2005/07. Investigador: F. Castillo,Profesor Adjunto DSE., 2005/07.

Formador: Samuel F. Domínguez. In-vestigador: D. Humana, JTP Exclusivo,Categoría V, desde 2007.

F ormación de becari os de investigación Becario de Investigación: Ángel E. Casaso-

la. Proyecto: “Identificación d e SecuenciasTemporales con RNA basada en la Teoríade Resonancia Adaptiva”. Facultad de I n-geniería – UNJu. Director: S. Martínez.

Res. CAFI Nº 171/08. Finalizada 12/09. Becario de Investigación: Luis M. Valdi-vieso. Proyecto: “Implementación de R e-des Neuronales Fuzzy para Reconoci-miento de Trayectorias”. Facultad de I n-geniería - UNJu. Director: S. Martínez.Res. CAFI Nº 171/08. Finalizada 12/09.

Becario de Investigación: Vanesa G.Velásquez. Proyecto: “Clasificador Ne u-ronal implementado con Redes SOM”.Facultad de Ingeniería – UNJu. Director:

S. Martínez. Res. CAFI Nº 171/08. Fina-lizada 12/09.

Dirección de tesis de grado y posgrado Tesis doctoral. Título: “Simulación, opt i-

mización y control de procesos de la in-dustria alimentaria de la región”. Doct o-rando: Á. Núñez, UNJu, beca doctoral del proyecto BD-PRH UNJu 2008 (Agencia Nacional de Promoción Científica y Tec-nológica y UNJu). Director: E. Tarifa. Res.R N°184/09, desde marzo/09.

Tesis de Grado. Título: “ Predicción deDatos en Series de Tiempo con Redes Neuronales Artificiales – Aplicacionessobre Datos Hidrometeorológicos delSistema Las Maderas, Jujuy, Argentina”.

Tesista: Jorge J. Gutiérrez. Carrera de In-geniería Informática, Facultad de Inge-niería - UNJu. Director: S. Martínez. Res.FI Nº 338/10, desde octubre/10.

Tesis de Grado. Título: “ Prototipo deSistema de Control Fuzzy Aplicado alProceso de Curado de Tabaco”. Tesista:Miguel A. Azar. Carrera de Ingeniería In-formática, Facultad de Ingeniería - UNJu.Director: S. Martínez. Res. FI Nº 167/10,desde junio/10.

Tesis de Grado. Título: “ Prototipo deSistema Inteligente para la Selección deCircuitos Turísticos”. Tesista s: LeticiaCari y María C. Cosme. Carrera de Inge-niería Informática, Facultad de Ingeniería- UNJu. Director: S. Martínez. Res. FI Nº168/10, desde junio/10.

Tesis de Grado. Título: “Modelo de cal idad para la seguridad en una base de datos”.Tesista: Raúl A. Fernando Cabana. Carrera

de Ingeniería Informática, Facultad de In-geniería – UNJu. Director: V. Sánchez Ri-vero. Res. FI Nº 121/08, abril/10.

Tesis de Grado. Título:“Sistema Expertode Ruteo Urbano para teléfonos Celula-res”. Tesistas: Mario A. Tejerina, MarcosA. Ugarte y César A. Castillo. Carrera deIngeniería Informática, Facultad de Inge-niería - UNJu. Director: S. Martínez. Res.FI Nº 123/09, mayo/09.

Di ctado de cur sos y seminar ios Seminario “Desarrollo de Sistemas Intel i-gentes so bre Matlab”. Dirigido a Estu-diantes avanzados de Ingeniería Informá-tica, Facultad de Ingeniería – UNJu. Du-ración: 30 hs., de may/10 a jul/10. Dictado por S. Martínez.

ReferenciasAngeli C., Chatzinikolaou, A.On-Line

Fault Detection Techniques for TechnicalSystems: A Survey . International Journal of

8/18/2019 Documento Completo SI

5/5

Computer Science & Applications, Vol. I, No. 1, pp. 12 - 30. 2004.Chen Z., He Y., Chu F., Huang J. Evolutio-nary strategy for classification problems andits application in fault diagnosis . Eng. Appl.Artif. Intell., Vol. 16, No. 1, pp. 31 – 38. 2003.Clark R.N., Fosth D.C., Walton W.M. Detect-ing instrument malfunctions in control sys-tems . IEEE Transactions on Aerospace andElectronic Systems AES-11: 465-473. 1975.Frank P.M. Fault diagnosis in dynamic sys-tem via state estimation – a survey . D. Rei-del Press, Dordrecht, Germany, 1987.Ingle V.K., Proakis J.G. Digital Signal Process-ing using Matlab V.4 . Ed. PWS PublishingCompany, ISBN 0-534-93805-1. USA, 1997.Isermann R. Fault diagnosis of machine via

parameter estimation and knowledge processing – tutorial paper . IFAC/IMACSSymposium SAFEPROCESS’91, vol. 1, pp.121-133. Baden-Baden, Germany, 1991.Korbicz J., Koscielny J.M., Kowalczuk Z.,Cholewa W. Fault Diagnosis. Models, Ar-tificial Intelligence , Applications. Berlin:Springer, 2004.

Manders E.J., Barford L.A., Biswas G. An Ap- proach for Fault Detection and Isolation in Dynamic Systems From Distributed Measure-ments . IEEE Transaction on Instrumentationand Measurement. Vol. 51, No. 2. USA, 2002.Martínez S.L., Tarifa E.E., Franco S., Recog-nizing Complex Patterns of Faults with Ar-tificial Neural Networks. Optimized Applica-tion of the Backpropagation Method. Interna-tional Conference on Neural ComputationICNC 2009, Madeira, Portugal, 2009.Palade V., Bocaniala C.D., Jain L. (edi-tores), Computational Intelligence in Fault

Diagnosis . Ed. Springer-Verlag, ISBN-10:1-84628-343-4. USA, 2006.Pérez-Alcazar P.R., Santos A. Relationshipbetween sampling rate and quantizationnoise . IEEE 14th International Conferenceon Digital Signal Processing - DSP 2002,V2, pp 807-810. 2002.Proakis J.G., Manolakis D.K. Digital Signal

Processing. Ed. Prentice Hall 4º ed., ISBN0-1318-7374-1. USA, 2006.

Ríos L.C., Toro N. Estimación de Paráme-tros en Modelos Arma por el Criterio de

Mínimos Cuadrados . Scientia et TechnicaAño XII, No 31, 2006.Samanta, B. Al-Balushi, K. R. Al-Araimi, S.A. Bearing Fault Detection Using Artificial

Neural Networks and Genetic Algorithm .EURASIP Journal on Applied SignalProcessing. Vol 3 pp. 366 – 377. HindawiPublishing Corporation, 2004.Stanley W.D., Dougherty G.R., Dougherty R.

Digital Signal Processing , Ed. Reston Publish-ing Co., ISBN 0-8359-1321-X. USA, 1984.Tarifa E., Humana D., Franco S., Martínez S.

Fault diagnosis for MFS dynamic status using

neural networks . Elsevier/Desalination 166, pp. 103 – 111. Euromed 2004 Conference onDesalination Strategies in South Mediterra-nean Countries, 2004.Van Veelen, M. Nijhuis, A. G., Spaanen- burg, L. Process Fault Detection throughQuantitative Analysis of Learning in Neural

Networks. Department of ComputingScience. University of Groningen. Gronin-gen, the Netherlands, 2000.Willsky A.S., Jones H.L. A generalized like-lihood approach to state estimation in linear

systems subjected to abrupt changes . Pro-ceedings of the IEEE Conference on Controland Decision. Arizona, USA, 1974.Witczak M. Advances in Model – Based Fault

Diagnosis with Evolutionary Algorithms and Neural Networks . Int. J. Appl. Math. Com- put. Sci., Vol. 16, No. 1, 85 – 99, 2006.Yang, Z.R. Zwolinski, M. Chalk, C. D.,Williams, A. C. Applying A RHPNN to Ana-log Fault Detection and Classification .IEEE Transactions on Computer-Aided De-sign of Integrated Circuits and Systems, V.19(1). 1. 2000.