La detección, aislamiento y 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 directo de patrones de lecturas de sensores que indican una falla y un análisis de la discrepancia entre las lecturas de los sensores 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 residuo supera un cierto umbral. Es entonces tarea del aislamiento de fallas categorizar el tipo de falla y su ubicación en la maquinaria. Las técnicas de detección y aislamiento de fallas ( FDI ) se pueden clasificar en términos generales en dos categorías. Estas incluyen la IED basada en modelos y la IED basada en procesamiento de señales.
En las técnicas de IED basadas en modelos se utiliza algún modelo del sistema para decidir si se produce una falla. El modelo del sistema puede ser matemático o basado en el conocimiento. Algunas de las técnicas de IED basadas en modelos incluyen [2] el enfoque basado en el observador, el enfoque del espacio de paridad y los métodos basados en la identificación de parámetros. Hay otra tendencia en los esquemas de IED basados en modelos, que se denomina métodos de membresía en conjuntos. Estos métodos garantizan la detección de fallas bajo ciertas 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 avión mediante el uso de una tabla de verdad y un gráfico de estado. La tabla de verdad define cómo reacciona el controlador ante fallas detectadas y el gráfico 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, entonces la tabla de verdad envía un evento al gráfico de estado indicando 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 del sistema hidráulico del actuador, lo que permite el estudio de transitorios de conmutación. [5]
En el FDI basado en procesamiento de señales, se realizan algunas operaciones matemáticas o estadísticas en 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 IED basado en procesamiento de señales es la reflectometría en el dominio del tiempo , donde se envía una señal a través de un cable o línea eléctrica y la señal reflejada se compara matemáticamente con la señal original para identificar fallas. La reflectometría en el dominio del tiempo de espectro ensanchado, por ejemplo, implica enviar una señal de espectro ensanchado a lo largo de una línea de cable para detectar fallas en los cables. [10] También se han propuesto varios métodos de agrupación para identificar la nueva falla y segmentar una señal determinada en segmentos normales y defectuosos. [11]
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 especialmente desarrollada se aplica específicamente a las máquinas rotativas, uno de los tipos más comunes. 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 ondas , transformada de ondas, análisis de 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 formas 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 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 haya sido dañado durante la instalación, sino más bien como consecuencia de otro error de instalación (por ejemplo, desalineación) que luego provocó daños en el rodamiento. Diagnosticar el estado dañado del rodamiento no es suficiente para realizar un mantenimiento de precisión. Es necesario identificar y remediar la causa raíz. Si no se hace esto, el rodamiento de repuesto pronto se desgastará por el mismo motivo y la máquina sufrirá más daños, quedando peligrosa. Por supuesto, la causa también puede ser visible como resultado del análisis espectral realizado en la etapa de recopilación de datos, pero puede que no siempre sea así.
La técnica más común para detectar fallas es la técnica de análisis tiempo-frecuencia. Para una máquina rotativa, 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 en 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 fuertemente 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 a través del dominio de la frecuencia. El espectro basado en FFT de una señal temporal nos muestra la existencia de su contenido frecuencial. Al estudiar estos y sus relaciones de magnitud o fase, podemos obtener varios tipos de información, como armónicos , bandas laterales , frecuencia de batido, frecuencia de falla de rodamiento, etc. Sin embargo, la FFT sólo es adecuada para señales cuyo contenido de frecuencia no cambia con el tiempo; sin embargo, como se mencionó anteriormente, los contenidos de frecuencia de las señales de sonido y vibración obtenidas de una máquina giratoria dependen en gran medida del tiempo. Por esta razón, los espectros basados en FFT no pueden 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 en 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 máquinas se puede dividir en dos categorías amplias: métodos lineales y métodos cuadráticos. La diferencia es que las transformadas lineales se pueden invertir para construir la señal temporal, por lo que 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 conjunto de tiempo-frecuencia, lo cual es útil para el análisis, clasificación y detección de características de la señal, la información de fase se pierde en la representación cuadrática de tiempo-frecuencia; Además, las historias temporales 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 tiempo-frecuencia es la evolución de la FFT convencional , entonces el análisis cuadrático 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 tiempo-frecuencia es descubrir los patrones de cambios de frecuencia, que normalmente representan la naturaleza de la señal. Siempre que se identifique este patrón, se podrá identificar la falla de la máquina asociada con este patrón. Otro uso importante del análisis de frecuencia temporal es la capacidad de filtrar un componente de frecuencia particular mediante un filtro variable en el tiempo.
En la práctica, las incertidumbres del modelo y el ruido de las mediciones pueden complicar la detección y el aislamiento de fallas. [12]
Como resultado, utilizar el diagnóstico de fallas para satisfacer las necesidades industriales de una manera rentable y reducir los costos de mantenimiento sin requerir más inversiones que el costo de lo que se debe evitar en primer lugar, requiere un plan eficaz para aplicarlos. Este es el tema de mantenimiento, reparación y operaciones ; las diferentes estrategias incluyen:
En la detección y diagnóstico de fallas, los modelos de clasificación matemática que de hecho pertenecen a métodos de aprendizaje supervisados se entrenan en el conjunto de entrenamiento de un conjunto de datos etiquetados 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 de 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 lo acompañan 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). para alcanzar un mejor rendimiento. [16] En muchos casos industriales, la efectividad de k NN se ha comparado con otros métodos, especialmente con modelos de clasificación más complejos como las máquinas de vectores de soporte (SVM), que se utilizan ampliamente en este campo. Gracias a su mapeo no lineal apropiado utilizando métodos del kernel , las SVM tienen un rendimiento impresionante en la generalización, incluso con pequeños datos de entrenamiento. [17] Sin embargo, las SVM generales no tienen extracción automática de características 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 núcleo , [19] por lo que en cada conjunto de datos de señales , primero se requiere realizar un proceso de ajuste de parámetros. Por tanto, la baja velocidad de la fase de entrenamiento es una limitación de las SVM a la hora de su uso en casos de detección y diagnóstico de fallos. [20]
Las redes neuronales artificiales (RNA) se encuentran entre los algoritmos de clasificación matemática más maduros y utilizados en la detección y diagnóstico de fallas. Las RNA son bien conocidas por sus eficientes capacidades de autoaprendizaje de relaciones complejas (que generalmente existen inherentemente en los problemas de detección y diagnóstico de fallas) y son fáciles de operar. [18] Otra ventaja de las RNA es que realizan 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 sobreajustarse al conjunto de entrenamiento, lo que tendrá 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, determinar adecuadamente el tamaño de la capa oculta requiere un ajuste exhaustivo de los parámetros para evitar capacidades deficientes de aproximación y generalización. [20] En general, diferentes modelos de SVM y ANN (es decir, redes neuronales de retropropagación y perceptrón multicapa ) han mostrado un rendimiento exitoso en la detección y diagnóstico de fallas en industrias como cajas de cambios , [22] piezas de maquinaria (es decir, rodamientos mecánicos [ 23] ), compresores , [24] turbinas eólicas y de gas [25] [26] y placas de acero . [27]
Con los avances en la investigación de las RNA y la llegada de algoritmos de aprendizaje profundo que utilizan capas profundas y complejas, se han desarrollado nuevos modelos de clasificación para hacer frente a la detección y el diagnóstico de fallas. [28] La mayoría de los modelos de aprendizaje superficial extraen algunos valores característicos de las señales, lo que provoca una reducción de dimensionalidad de la señal original . Al utilizar 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 fallo importante y da como resultado un mejor rendimiento de la detección y el diagnóstico de fallos. [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 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 más tiempo de procesamiento para lograr una mayor precisión. [18]
La recuperación de fallas en FDIR es la acción que se toma después de que se ha detectado y aislado una falla para devolver el sistema a un estado estable. Algunos ejemplos de recuperaciones de fallas son: