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 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. Entonces, la tarea del aislamiento de fallas es categorizar el tipo de falla y su ubicación en la maquinaria. Las técnicas de detección y aislamiento de fallas ( FDI ) se pueden clasificar ampliamente en dos categorías. Estas incluyen FDI basada en modelos y FDI basada en procesamiento de señales.
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 el conocimiento. Algunas de las técnicas de FDI 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. Existe otra tendencia de esquemas de FDI basados en modelos, que se denominan métodos de pertenencia a 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 elevador de aeronaves mediante el uso de una tabla de verdad y un diagrama de estados. La tabla de verdad define cómo reacciona el controlador a las fallas detectadas, y el diagrama de estados 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 diagrama de estados para indicar que el actuador interno izquierdo debe apagarse. Uno de los beneficios de esta técnica de 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 procesamiento de señales basado en FDI, 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 procesamiento de señales basado en la reflectometría de dominio temporal es la reflectometría de dominio temporal , en la que se envía una señal a través de un cable o una línea eléctrica y la señal reflejada se compara matemáticamente con la señal original para identificar fallas. La reflectometría de dominio temporal de espectro disperso, por ejemplo, implica enviar una señal de espectro disperso a través de una línea de cables para detectar fallas en los cables. [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]
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 de este campo 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 una falla, se utilizan muchos métodos para la recopilación de datos, incluido el monitoreo de vibraciones , la imagen térmica , el análisis de partículas de aceite, etc. Luego, estos datos se procesan utilizando métodos como el análisis espectral , el análisis wavelet , la transformada wavelet, la transformada de Fourier de corto plazo, la expansión de Gabor, la 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 causa raíz de falla para determinar la causa original de la falla. Por ejemplo, si se diagnostica una falla en un rodamiento, entonces es probable que el rodamiento no se haya dañado en sí mismo en la instalación, sino como consecuencia de otro error de instalación (por ejemplo, desalineación) que luego provocó el daño del rodamiento. Para realizar un mantenimiento de precisión, no basta con diagnosticar el estado de deterioro de un rodamiento. Es necesario identificar la causa raíz y solucionarla. Si no se hace esto, el rodamiento de repuesto pronto se desgastará por el mismo motivo y la máquina sufrirá más daños, lo que seguirá siendo peligroso. 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 de tiempo-frecuencia. Para una máquina rotatoria, la velocidad rotacional de la máquina (a menudo conocida como RPM ) , no es constante, especialmente durante las etapas de arranque y apagado de la máquina. Incluso si la máquina está funcionando en estado estable, la velocidad rotacional 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 rotatoria están fuertemente relacionadas con su velocidad rotacional, se puede decir que son señales de naturaleza variable en el tiempo. Estas características variables en el tiempo llevan las firmas de falla 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 sus contenidos de frecuencia. 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 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 rotatoria depende 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 arranque o apagado, su ancho de banda en el espectro FFT será mucho más amplio de lo que sería simplemente para el estado estable. Por lo tanto, en tal caso, los armónicos no son tan distinguibles en el espectro.
El enfoque de frecuencia temporal para el diagnóstico de fallas de máquinas se puede dividir en dos grandes categorías: 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 frecuencia temporal, lo que es útil para el análisis, la clasificación y la detección de características de la señal, la información de fase se pierde en la representación cuadrática de frecuencia temporal; además, los historiales temporales no se pueden reconstruir con este método.
La transformada de Fourier de corto plazo ( STFT ) y la transformada de Gabor son dos algoritmos que se utilizan comúnmente 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 tiempo-frecuencia 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 tiempo-frecuencia es la capacidad de filtrar un componente de frecuencia particular utilizando un filtro variable en el tiempo.
En la práctica, las incertidumbres del modelo y el ruido de medición pueden complicar la detección y el aislamiento de fallas. [12]
Por lo tanto, la utilización de diagnósticos de fallas para satisfacer necesidades industriales de manera rentable y reducir los costos de mantenimiento sin requerir más inversiones que el costo de lo que se desea evitar en primer lugar, requiere un esquema efectivo de aplicación de los mismos. Este es el tema del mantenimiento, la reparación y las 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 supervisado , 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, se han desarrollado y propuesto diferentes modelos de clasificación y preprocesamiento 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 utiliza 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 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 (SVMs), que se utilizan ampliamente en este campo. Gracias a su mapeo no lineal apropiado usando métodos 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 altamente sensible a los parámetros iniciales, particularmente a los métodos kernel , [19] por lo que en cada conjunto de datos de señal , se requiere realizar 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 (RNA) se encuentran entre los algoritmos de clasificación matemática más maduros y ampliamente utilizados en la detección y diagnóstico de fallas. Las RNA son bien conocidas por sus eficientes capacidades de autoaprendizaje de las 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 la extracción automática de características al asignar pesos insignificantes a las características irrelevantes, lo que ayuda al sistema a evitar tratar con otro extractor de características. [21] Sin embargo, las RNA tienden a sobreajustar el conjunto de entrenamiento, lo que tendrá consecuencias de tener una precisión de validación deficiente en el conjunto de validación. Por lo tanto, a menudo, algunos términos de regularización y conocimiento previo se agregan al modelo de RNA para evitar el sobreajuste y lograr un mayor rendimiento. Además, determinar correctamente el tamaño de la capa oculta necesita un ajuste exhaustivo de parámetros, para evitar capacidades de aproximación y generalización deficientes. [20] En general, diferentes modelos de SVM y ANN (es decir, redes neuronales de retropropagación y perceptrones multicapa ) han demostrado un desempeño exitoso en la detección y diagnóstico de fallas en industrias como cajas de engranajes , [22] partes de maquinaria (es decir, cojinetes mecánicos [23] ), compresores , [24] turbinas eólicas y de gas [25] [26] y placas de acero . [27]
Con los avances de la investigación en ANN 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 de características de las señales, lo que provoca una reducción de la dimensionalidad de la señal original . Al utilizar redes neuronales convolucionales , el escalograma de transformada de wavelet continua 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 neuronales profundas , [31] las máquinas de Boltzmann restringidas [32] y los autocodificadores [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 prolongado 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 recuperación de fallas son: