DIAGNSTICODEFALLASBASADOENUNFILTRO DESACOPLADOPARASISTEMASNOLINEALES REPRESENTADOSPORUNENFOQUEMULTIMODELOS FAULTDIAGNOSISBASEDON ADECOUPLEDFILTER FOR NONLINEARSYSTEMSREPRESENTED IN A MULTIMODELS APPROACH

MANUELADAMMEDINA
CentroNacionaldeInvestigacinyDesarrolloTecnolgico,InteriorInternadoPalmiraS/NCol.Palmira,adam@cenidet.edu.mx

DIDIER THEILLIOL
CentredeRecherche enAutomatiquedeNancyCNRSUMR7039,B.P.239,54506Vandoeuvre, France

CARLOSMANUELASTORGAZARAGOZA
CentroNacionaldeInvestigacinyDesarrolloTecnolgico,Palmira, astorga@cenidet.edu.mx

GERARDOGUERRERORAMREZ
CentroNacionaldeInvestigacinyDesarrollo Tecnolgico,Palmira, gerardog@cenidet.edu.mx

LUISGERARDOVELAVALDS
CentroNacionaldeInvestigacinyDesarrolloTecnolgico, InteriorInternadoPalmiraS/N Col. Palmira velaluis@cenidet.edu.mx
RecibidopararevisarSeptiembre30de2008,aceptadoAgosto25de2009, versinfinalSeptiembre25de2009

RESUMEN: En este artculo se presenta el desarrollo de un mtodo de diagnstico de fallas para sistemas no lineales representado por el enfoque de mltiples modelos. La principal contribucin consiste en el diseo de un esquemadediagnsticodefallas(FDD)atravsdeunfiltro adaptativodesacopladodefallas. Elcomportamientodel sistemaestdadomediantemltiplesmodeloslinealesalrededordediferentespuntosdeoperacin.Losresiduosse establecendetalmaneraquepermitenestimarfuncionesdeactivacinrobustasafallas.Elfiltroadaptivodiseado permiteladeteccin,localizacinyestimacindefallasmltiplesosimultneas.Lascondicionesdeestabilidaddel filtrosonestudiadasatravsdeLMI(LinearMatrixInequality).Eldesempeodelesquemapropuestosevalidaen unsistema detrestanques. PALABRASCLAVE:DeteccinyLocalizacindefallas,Multimodelos,Filtrodesacoplado, LMI, Estabilidad. ABSTRACT:Inthisarticle,afaultdetectionanddiagnosismethodisdevelopedfornonlinearsystemsdescribedby multimodels approach. The main contribution consists in the detection, isolation and estimation of faults for the nonlinearsystemsusingafaultdecoupledadaptivefilter.Basedontheassumptionthatthedynamicbehaviorofthe processisdescribedbyamultimodelapproacharounddifferentoperatingpoints,asetofresidualsisestablishedin order to generate weighting functions robust to faults. These robust weighting functions are directly linked tothe adaptivefiltereffectivenesswhichprovidesmultiplefaultmagnitudeestimationsforthewholeoperatingrangeofthe system. Stability conditions of the adaptive filter are studied and its performance is tested using a threetank hydraulicsystem. KEYWORDS: Fault detection and isolation Multimodels Decoupling filter L M F Stabil

Dyna,Ao77,Nro.162,pp. 313323.Medelln, Juniode2010.ISSN00127353

314

Adametal

1.

INTRODUCCIN politpicos con entradas desconocidas [12, 20], donde el FDI toma en cuenta las funciones de ponderacin precedentes de la metodologa presentada en [21]. Las funciones de ponderacinson defundamental importancia en las tcnicas multicontrol tales como: ganancia programada[13],controladoresinterpolados[14] o controladoresconmutados[4]. Elobjetivoprincipaldeestetrabajoespresentar el diseo de un esquema que permita simultneamente la deteccin, localizacin y estimacin de fallas, y la estimacin de una funcindeponderacinrobustaparasistemasno lineales descritos a travs de una interpolacin de mltiples modelos lineales [21] para este propsito, se disea un filtro adaptativo. Este filtro adaptativo propuesto permite mejorar la eficiencia del esquema FDI. Este artculo est organizadode lasiguiente manera: la Seccin2 presenta el planteamiento del contexto, basado en el trabajo previo [21]. En la Seccin 3 se presenta el diseo del filtro adaptativo para estimar fallas mltiples y su anlisis de estabilidad segn Lyapunov mediante el uso de la desigualdad matricial lineal (LMI). En la Seccin4seilustranlosresultadosobtenidos en unprocesohidrulico.Finalmente,enlaSeccin 5seofrecen conclusionesyperspectivas.

Laingenieramodernaseenfrentaaun aumento en la demanda de seguridad y confiabilidad de los procesos, lo que promueve una importante atencin en el desarrollo e implementacin de mtodos de deteccin y aislamiento de fallas (FDI). Los sistemas industriales automatizados son comnmente complejos y vulnerables a fallas en su instrumentacin: sensores, actuadores o componentes. Una de las metodologas de deteccin de fallas se basa en observadores no lineales bajo dos enfoques: analtico [1] y geomtrico [2] stos requieren quelosmodelosdescribanconbastanteprecisin el comportamiento del sistema no lineal. Lo anterior, aunado a que los procesos industriales (plantas qumicas, nucleares, aeronutica, etc.) estn caracterizados por su operacin en mltiplesregiones,hacequeobtenermodelosno lineales que describan la planta en todos sus regmenes seconviertaenunatareadifcil. Una alternativa atractiva para atender esta problemtica es utilizar mltiples modelos lineales. Este enfoque consiste en la descomposicin de la regin de operacin del proceso en una serie de regmenes de funcionamiento y para cada uno generar un modelo local [34]. Por lo tanto, la suma de la contribucin de cada modelo lineal permite la reconstruccin del sistema completo que se conoce como modelo global lineal. Diversos enfoques de diagnstico han sido desarrollados utilizandofiltros deKalmanparadetectar,aislar y estimar fallas, definiendo un esquema de mltiplesmodelosalrededordevariospuntos de operacin [56]. Una manera de representar los sistemasbajoesquemasdemltiplesmodeloses mostrada en el trabajo [7], aqu los autores desarrollan un esquema donde cada modelo representaunafallaparticularenelsistema.Ms recientemente, la eficacia del enfoque multi modelo en sistemas industriales reales para diagnsticodefallas[89]yparacontrol[1011] hansidoexpresadosconsiderandolahiptesisde quelasfuncionesdeponderacindelosmodelos noestnafectadasporfallas.Otrostrabajoshan desarrollado un enfoque multimodelo para deteccin de fallas usando filtros de Kalman desacoplados,espaciosdeparidad,observadores

2.

MODELADODELSISTEMA

Se considera un sistema dinmico no lineal en tiempodiscreto,descritopor:

X k+1 = g( Xk,Uk,dk ), ( Y = h Xk,Uk,dk ), k

(1)

donde Xk C n representa el vector de estado, U k U p el vector de entrada,

Yk m el vector de salida y d k q el vector de fallas. Las funciones g y h se suponen continuamente diferenciables en X y U

respectivamente.Elsistemanolinealdescritoen (1), puede ser representado como un sistema linealequivalentecomosigue:

Dyna162,2010

315

j Xk+ = AjXk + BjUk + Fjdk + D Xj + wk , 1 j Y = CjXk + D Yj + vk k

(2)

donde A ,Bj,Cj,Dj son matrices invariantes j definidas alrededor del jsimo punto de operacin OPj . F j nxq de rango ( j )=q F

sistema nominal (1). El desarrollo completo de (5) puede ser analizado en [21]. Para el diseo delfiltroadaptativoseproponeunaformulacin nica de la representacin convexa. En la ecuacin (5), una matriz Fk se calcula como: *
* i F k = i=1 j g k F , donde Fi nq es la i

( )

( )

es la matriz de distribucin de fallas en actuadores y en sensores. wj y vj son ruido blanco de media cero, independientes con matrices de varianza/covarianza definidas por Qj y Rj Finalmente, DX j y D j son vectoresconstantes Y quedependendel jsimomodelolineal. Los resultados presentados en [21] permiten establecer el clculo de una funcin de i i activacin robusta jg k , donde gk es i simo

matrizdedistribucindefallasparacadamodelo i. Los efectos de las fallas estn descritos en la siguiente representacin en el espacio de estados:

i=1

i j g k Fi dk.

( )

Definicin 1. La matriz Fih (respectivamente,

h )define la hsimacolumna dela matriz F i (respectivamente, ).

( )

residuo insensible a fallas (" = [ , ,..., ]). i 12 M Esta funcin se usa para determinar la representacin del comportamiento dinmico de la planta como un conjunto convexo de multi modeloslineales[21],talque
M M * i i i S : j g k Si :j g k 0 j g k = 1 , , k = i=1 i=1

Proposicin 1. " [1,K ,q," i [1K ,M], con h , ] [i rango F]=q Si

[1 rangoFh L Fh L Fh ]=1,entonces i M

i=1

i j g k Fi dk = fk ,

( )

( )

( )

( )

(3)

donde d q representa el vector de fallas actual, f q es una imagen del vector de fallas y nq es una matriz de distribucin de fallas constante, con lo cual los vectores columna obtienen la direccin de vectores columna de las matrices F i .El vector de falla actual seestimacomosigue: M i d k = j g k F fk, i i=1
+

* donde S representa el modelo global y S se k i define como:

Si =

A i

B i C D Yi i

F D Xi i

, , , "i = [12 K ,M].

(4)

( Ai,B,Ci,D) son matrices de donde i i dimensiones convenientes que permiten la estimacin de los modelos en el entorno del punto de operacin (OPj ) . De acuerdo a (3), la
representacindelsistemaenespaciodeestados estdefinidacomo sigue:
* Xk+1 = A Xk + B*Uk + F*dk + D*X,k, k k k

( )
+

(6)

) donde ( denotalamatrizMoorePenrose.Con base en la Proposicin 1, el sistema (5) es reescritodelaforma:

* Xk+1 = A Xk + B*Uk + fk + D*X,k, k k * Y = Ck Xk + D*Y,k, k

Y = C* Xk + D* ,k, k k Y

(5) igual a

donde
M
=1

las

matrices

k ()*

(7)

son

i j(g ki )()i.

La nueva representacin del

sistema (5)sinconsiderarlosruidos deestadoy mediciones est basado en la estimacin del

donde eslanuevarepresentacindelamatriz dedistribucindefallas.Enlasiguienteseccin, se asume que no existen no linealidades en las

316

Adametal

salidas yadems las matrices Ci serepresentan como unamatrizC nica.

3. 3.1

FILTROADAPTATIVO Diseodelfiltr oadaptativo

* con P = (C) , = A y S= a(I - C P ) wk k m donde a esunamatrizarbitrariadeterminadatal que S sea de rango completo. De acuerdo a (12),elfiltrodesacopladosedefinecomo: ~ * ~ X =A X + B*U + D*

k+1

Con objetivo de detectar ylocalizar fallas, yde * acuerdoalas matrices Ak yCdefinidas en(5), es posible disear un filtro discreto clsico con unaganancia Kk como:
* Xk+1 = A Xk + B*Uk + fk + D*X,k, k k * Y = Ck Xk + D*Y,k, k

~ , + (w P + KkS )(Y - Y ) k k k ~ = C* X + D* , ~ Y
k k k Y, k

X,k

(13)

(8)

~ ~ donde Xk y Y son,respectivamente,elestado k y la salida estimados. La descomposicin de la ganancia dada en (12) implica las siguientes propiedadesdelasmatrices:

P = I y SC = 0 C

(14)

donde X y Y representan el estado y la salida estimados. De acuerdo a (8) el error de

estimacin ek = Xk - Xk y elresiduodesalida rk =Y - Y se expresan como: k k

* e k+1 = A - KkC ek + fk, k r = Cek. k

yhaceposiblelageneracindeunnuevovector deresiduos: v * gk S Sr k * = r = v k . (15) k P r + fk-1 W k P

* Se hace notar que gk m-q es un vector de

(9)

Conlasuposicindequeocurraunafallaenun tiempo k d (k > kd ), el vector de residuos se definecomo:

v r =r + rk, kd fkd k k

fkd +1 L

fk-1 ,

(10)

v donde r representaelresiduoencasodefallay k
k Gkd +1 kd +1 G = C k L

residuos insensible a fallas y W * q es un k vectorderesiduossensibleafallasquedefinela estimacindelafallade fk.Conslountiempo demuestroderetardoycomosemencionenla Proposicin1,unaestimacin d de dk podra k ser realizada por una matriz de MoorePenrose como

rk,kd

(11)

dk =

( ( ) ) W .
i jgk F i 1 = M
+ *

k con Gkd =

k-1
= kd

* L ,Lk = A - KkC . t k

* Laganancia Kk sediseatalque A - KkC k seaigualacero.Bajolacondicinclsica:queel nmero de fallas es menor al nmero de mediciones,esdecir, rango C < m,esposible ( ) disear un filtro insensible a fallas con la siguienteganancia: v (12) Kk =wkP + KkS

((

))

v Laganancia Kk dadaporlaecuacin(12)esel nico grado de libertad en la sntesis del filtro adaptativo. ste se disea como una v interpolacindedichasganancias Ki dadaspara cada modelo [13, 16]. Kk se denota como
* i K = i=1j k K. En caso de ausencia de k g i

( )v

fallas,deacuerdoaladefinicindela ganancia Kk en(12) ya las definiciones de las matrices

delos filtros,elerror deestimacinenausencia v defallasdenotado e ,se reescribecomo: k

Dyna162,2010

317

( ) v v = (A - (w P + K S )C)e (16) v v = (A (I - P C) - K SC)e v vv = (A - K C)e v v con A = j(g )A y A = A (I - P C).

* * * *

v v ek+1 = A* - KkC ek k
k k k k

ysumandotodosellos,seobtiene:

P
i j (g k )(PAi - RiC)
i=1

i j(g k )(AiT P- CT RiT )

i =1

> 0

(20)

i=1

i k

3.2

Estabilidad

Usando la definicin de estabilidad de v Lyapunov, las ganancias Ki pueden ser establecidas fuera de lnea resolviendo las siguientesdesigualdades: v v v v v v ( A -KiC)T P( A - KiC) - P< 0, i i (17) P > 0 "i [1K ,M]. , , A travs del complemento de Schur [17], y transformandoladesigualdadanterioresposible obtener:
v v v T i v P v v ( A -KiC) P > 0, P A - K C) P i ( i " [1, ,M]. i K

Para resolver la desigualdad anterior, las v v v ( A -KiC) matrices son estables i v -1 cuadrticamente con K = P R , " [1, ,M] i K i i [12]. Por lo tanto, es posible encontrar una matriz P >0 "i [1K ,M] que permita , , garantizar la estabilidad cuadrtica en el filtro dado en (13). Un esquema FDI que usa la estrategia multimodelo se muestra en la figura 1. La generacin de la funcin de ponderacin robustaseobtieneapartirdeunbancodefiltros de Kalman desacoplados sintetizados para cada modelo establecido alrededor de cada punto de operacin y est desarrollado completamente en [21].

(18)

As, la ltima desigualdad es no lineal en v trminos de las variables P y Ki . A travs de una transformacin de variables, es posible linealizar las desigualdades anteriores usando v P Ki = R : i
P v Pv - RC i i A

(A P-C
i

vT

v T

T RT P i

Figur a1. EsquemageneralFDI conmultimodelos Figur e1. GeneralFDI andmultimodelscheme

> 0,

(19)

" [1,K ,M] i

4. APLICACIN HIDRULICO

UN

SISTEMA

Si las desigualdades anteriores se mantienen v " [1, ,M], las ganancias K = P-1 R i K i i aseguran la estabilidad cuadrtica del error de estimacin del filtro dado en (16). Es ms, multiplicandocadaLMIdelaecuacin(19)por i j g k setieneque:

( )

i j g k 0,

( )

i j (g k ) = 1
i=1

El esquema FDI propuesto es aplicado a un sistemahidrulico [1819]comosemuestraenla figura2.Esteproceso sededicaaltratamientode agua y sus componentes, donde las reacciones qumicas ocurren alrededor de puntos de operacin predeterminados. Estas reacciones operan bajo ciertos niveles especficos para proporcionarunaconcentracindeseada.Eneste trabajo, la mezcla de actuadores no es consideradaynoserepresentanenlafigura2.

318

Adametal

q20 representaelvalordelflujodesalidayest dadopor:

q (t) =m 20Sp (2gl (t)) 2. 20 2
1

(23)

Tabla1. Definicindepuntosdeoperacin. Table 1. Operatingpointsdefinition.

Puntodeoper acin OPj 1 2 3

Figur a2. Plantahidrulica. Figur e2. Hydraulicplant.

T Y j =[l1 l2 l3] ( % 32.26 80.65 80.65 ) e

El sistema hidrulico est compuesto de 3 tanques cilndricos con seccin transversal idntica S. Los tanques estn acoplados por dos tubos cilndricos, conectados con una seccin transversal Sp y con un coeficiente de flujo m13 =m 32 . El flujo nominal se localiza en el tanque 2 tambin se tiene una seccin transversal circular Sp y una salida m20 . Dos bombas manejadas por motores de corriente directa suministran a los tanques 1 y 2, los valores de flujo q1 y q2, y adems estn definidos por el clculo del flujo por rotacin y el vector de entrada de control, siendo T U =[q q2] . Lostrestanquesestnequipados 1 con transductores de presin piezoresistivos paramedirlos nivelesdellquido (l1,l2,l ) yel 3 vector de salida Y = [l1,l , 3] . Usando las 2 l ecuaciones de balance de masa el sistema es representadodelasiguienteforma:
T

24.19 24.19 65.32 28.23 52.42 72.58 14.60 33.66 38.6 20.63 9.65 58.16

j U e =[ q1 q2] ( % )

Bajolasuposicin (l1 >l > l ) encasolibrede 3 2 falla o en caso de presencia de fallas, los tres modeloslinealeshansidoidentificadosalrededor decadapunto deoperacin(verTabla1).Estos tres modelos locales se suponen significativos para propsitos industriales (concentracin de producto, rentabilidad, calidad, etc.). Se consideraquelosvaloresdeentradaseexpresan en porcentaje (%). La linealizacin de las ecuacionesdelsistemanolinealalrededordelos tres puntos de operacin,conducealasiguiente representacin en espacio de estados (discretizado con un perodo de muestreo Te=1s) :
X k+ = AjXk + BjUk + D Xj , 1 Y = CXk + D Yj k

dl1(t) = q1(t) - q13 (t), dt dl (t) S 2 = q2 (t) + q32 (t) - q20 (t), dt dl (t) S 3 = q13 (t) - q32 (t), dt S

(24)

(21)

donde qmm representaelvalordelflujodeagua desde el tanque m hacia el tanque n (m,n=123 "m n), y puede ser expresado , , , usando la Ley de Torricelli, de esta forma el flujodeaguaes:

donde X 3 , 2 yY 3. Las matrices U deestado tienendimensionesapropiadas.Eneste artculo, se consideran fallas aditivas en los actuadores,lascualespuedenpresentarsedebido a un funcionamiento anormal o envejecimiento del material. Una falla de actuador puede ser representada como una falla aditiva y/o multiplicativa[18]:
f U k =aUk,

(25)

q (t) = mmnSpsign l (t) - l (t)) ( m mm n

(2g|lm(t) - ln(t) |)

1 2

(22)

donde U y U f representan el vector de entradas normal y el vector de entradas con fallas, respectivamente. El trmino

Dyna162,2010

319

a =diag [a1, 2, , h, , p,, con ah tal a Ka Ka ]

que ah =0 representa una prdida total del actuador, es decir, una falla en el hsimo actuador. ah =1 , implica que el hsimo actuador opera normalmente. En presencia de fallas en actuadores y para todos los puntos de operacin, el sistema puede ser tambin modeladodeformageneral apoyadoen(2)como en [21]:
M j=1 j X k+1 = jk Aj Xk + BjUk + Fjdk + D Xj , M j=1

dados enlaTabla1yunprimerexperimentose realiza con objeto de validar el modelo del sistema dadoapartirdeestos tres modelos.Las entradas varan de acuerdo a los rangos establecidosdentrodelsistemaysongeneradasa partirde lasiguiente combinacininterpolada:
3

Uk =
=1

*Y j, e

(27)

j Y = j k CXk + D Yj , k

(26)

donde d 2 representalafalla.Paraelcasode estudio desarrollado en este trabajo y debido a que slo las fallas de actuadores son consideradas, la matriz de distribucin de fallas j . F j=Bj y " ,Bj = B Consecuentemente, F j es igualaunamatriznicay F = = B.Elresiduo sensible W* es directamente proporcional a la k

Donde esunavariableprogramadaasociadaa cada rgimen de operacin. Estas entradas son simuladas para el sistema no lineal (21). Este experimento permite subrayar la cualidad de la estrategia multimodelo en la representacin de un sistema no lineal y como herramienta para FDI.Esms, encaso deausencia defalla en la figura 3(a), se pueden observar las tres salidas (l1,l2,l3) del sistema no lineal y las 3 salidas

falla estimada d . Adems, debe notarse que k

lo cual es requerido paraeldiseodelfiltroadaptativo (ver seccin3.1). 4.1 Modelado

rango C = rango()= 2 , ( )

estimadas l,l ,l calculadas a partir del 1 2 3 esquema multimodelodadoenlaecuacin(26) con = jj . En la figura 3(b) se pueden k observar las normas euclidianas de los vectores v e =l - l ,"v=[123 representadas por e . , , ] v v v
Esta norma euclidiana inferior que e <1. %, 4 v representa la efectividad de la representacin multimodelo. La figura 3(c) representa las funciones deponderacincorrespondientesylas entradas asociadas son mostradas en la figura 3(d). 4.2 Resultados

Enestaprimeraparte,semuestracomoelmulti modelo es capaz de representar el comportamiento dinmico del sistema dado en (21),apartirde nicamentetresmodeloslineales representados como (26). Se asume entonces, queallexisten tresmodelos Mj definidosdetal formaque:

M1 :[l ,l ,l ] = [Alto Bajo Bajo , , ] 1 2 3 ] M2 :[l ,l ,l ] = [ Alto Bajo Medio , , 1 2 3 ] M3 :[l ,l ,l ] =[Alto Alto Alto , , 1 2 3
Seasumequecadasealdesalidatieneunruido Gaussiano N 0, 1 -4 . Los tres modelos se e definen alrededor de los puntos de operacin

Elobjetivodelsegundoexperimentoconsisteen alcanzar los tres regmenes de operacin descritos enlaTabla1,bajolaconsideracinde lazo abierto para los casos en ausencia y en presencia de fallas. Se usarn las salidas procedentesdelsistemanolinealdadoen(21)y las entradas especficas dadas en (27) con el objetodealcanzarcadargimendeoperacinen ausencia de fallas. La figura 4 muestra la evolucin de las salidas (l1,l2,l3)impulsadas por las entradas, en lazo abierto.

320

Adametal

Con objeto de evaluar el mtodo, un banco de tres filtros de Kalman clsicos y un banco de filtrosdeKalmandesacoplados,sonsintetizados [21].Enlafigura6seilustraelcomportamiento dinmico de las funciones de activacin que se muestranrespectoalasprobabilidadesreales (ver figura 6(b)). Las funciones de probabilidad estimadas j rkj (Kalmanclsico)seilustranen

( )

Figur a3. Modeladodelsistema:(a)Salidas lv y salidasestimadas l,(b)norma euclidiana e y(c)

v
v

funcionesdeponderaciny(d)entradas Figur e3. Systemmodelling:(a)outputs lv and (b)euclideannorm e and(c) estimatedoutputs l

v
v

schedulingfunctionsand(d)inputs

lafigura6(c).Lasfunciones j g kj delosfiltros de Kalmandesacopladossemuestran enlafigura 6(a) [21]. Ambas funciones muestran que estn ms cerca de las funciones deponderacinreal. Slo existe unpequeo tiempo de retardo entre las funciones de activacin estimadas y la existencia de la probabilidad real. El esquema FDIproporcionabuenosresultadosdirectamente enlazados con el diseo de las funciones de ponderacin robustas procedentes de los filtros de Kalman desacoplados. Los residuos generadosporestosfiltros(definidosen(15)),se describen en la figura 7. Dos residuos son generadosdeacuerdoadosfallasen actuadores.

( )

Loscambiosdelospuntosdeoperacinocurren alrededor del instante 2550s y alrededor del instante 12 600s. La figura 5 muestra que la T evolucin de las entradas (( 1, q ) es q 2 generadaporlacombinacininterpolada:
3

Uk =
=1

* ej, U

(59)

Figur a5. Entradasenausenciadefallas Figur e5. Inputsinfaultfreecase

donde esunavariableprogramadaasociadaa cada rgimen de operacin. , que ser considerada como la funcin de ponderacin actual que caracteriza el comportamiento dinmico del sistema no lineal. La evolucin dinmicade seilustraenlafigura6(b).

Figur a4. Salidas encasodeausenciadefallas Figur e4. Outputsinfaultfreecase

Figur a6. Probabilidadesenausencia defallas:(a) filtrodeKalmandesacoplado,(b)actualy(c)filtrode Kalmanclsico Figur e6. Probabilitiesinfaultfreecase:(a) decoupledKalmanfilter,(b)actualand(c)classical Kalmanfilter

Dyna162,2010

321

Los residuos W* estn dedicados a la 2 estimacin de la magnitud de la falla en las bombas1y 2,respectivamente.Losdosresiduos sondiferentesdeceroenlatransicinlospuntos de operacin estas imperfecciones estn relacionadas a errores de modelado y su magnitudesmenoralumbral,porloquelosdos residuospuedenserconsideradosigualacero.

como fallas de actuadores frente a la robustez, como se muestra en la figura 10(a). Las probabilidades actuales son mostradas en la figura 10(b) y son totalmente diferentes de las probabilidadesdelosfiltrosde Kalman.

Figur a9. Entradasencasodefalla. Figur e9. Inputsinfaultycase. Figur a7. ResiduossensiblesdelfiltrodeKalman desacoplado enausenciadefallas. Figur e7. Sensitiveresidualfromthedecouplingfilter infaultfreecase.

Seconsideranlassiguientesfallasenactuadores: una degradacin de la ganancia de la bomba 1 (obstruidauoxidada,etc.)equivalenteal10%de suvalornominal(prdidadeefectividad),ocurre en t =5000 , despus del primer cambio de s 1 puntodeoperacinunasegundafallaabruptaen labomba2,convalordel10%delvalornominal ocurridaen t2 =11500 (verfigura9). s

Figur a10. Probabilidadesencasodefalla. Figur e10. Probabilitiesinfaultcase.

Los resultados del filtro desacoplado estn descritos en la figura 11, donde es posible apreciarelcomportamientodelosresiduos W* y 1
Figur a8. Salidasencasodefalla. Figur e8. Outputsinfaultycase.

El comportamiento dinmico de los niveles de los fluidos tambin se ve afectado por estas fallas, como se ilustra en la figura 8. Aqu, las salidas son diferentes de los regmenes de operacin anteriores ya que la falla de un actuadorserepresentasobreelsistemacomouna perturbacin y la salida no se encuentra dentro del rgimen nominal. Las funciones de ponderacin estimadas evolucionan de acuerdo al caso sin fallas y pueden ser consideradas

W* sensibles a fallas. Obsrvese el 2 comportamiento de los residuos donde los cambios abruptos corresponden a las dos fallas enlosactuadores. Lasestimacionesdelasmagnitudesdelasfallas exactas ilustran el desempeo y la efectividad del filtro desacoplado. Para el caso libre de fallas, durante la transicin de un punto de operacin a otro, los residuos son sensibles a erroresdemodeladolascualesnosonintegrados enlasntesisdelfiltrodesacoplado.

322

Adametal

REFERENCIAS [1]AlcortaGarca,E.,&Frank,P.Deterministic nonlinear observer based approaches to fault diagnosis: A survey. Control Engineering Practice,5(5),663670. (1997). [2]DEPERSIS,C.&ISIDORI,A..Ageometric approach to nonlinear fault detection. IEEE Transactions on AutomaticControl,46(6),853 865.(2001) [3] MURRAYSMITH, R., & JOHANSEN, T. Multiple model approaches to modelling and control.London:Taylor&Francis.(1997). [4]NARENDRA,K.,BALAKRISHNAN, J.,& Kermal, M. Adaptation and learning using multiple models, switching and tuning. IEEE ControlSystemsMagazine,3751.(1995). [5]Li,X.R.,&BARSHALOM,Y.Designofan interacting multiple model algorithm for air traffic control tracking. IEEE Transactions on Control Systems Technology, 1(3), 186 194(1993).. [6] MAYBECK, P. Multiple model adaptive algorithms for detecting and compensating sensor and actuator/surface failures in aircraft flight control systems. International Journal of Robust and Nonlinear Control, 9, 1050 1070(1999).. [7] DIAO, Y., & PASSINO, K. M. Intelligent faulttolerantcontrolusingadaptiveandlearning methods. Control Engineering Practice, 10(8), 801817. (2002). [8] BHAGWAT, A., SRINIVASAN, R., & Krishnaswamy, P. R. Multilinear modelbased fault detection during process transitions. Chemical Engineering Science, 58, 16491670. (2003). [9]GATZKE,E.,&DOYLE,F.Useofmultiple models and qualitative knowledge for online movinghorizondisturbanceestimationandfault diagnosis. Journal of Process Control, 12, 339 352.(2002).

Figur a11. Residuossensiblesdelfiltrodesacoplado encasodefalla Figur e11. Sensitiveresidualsfromthedecoupling filterinfaultycase.

Un esquema FDI puede ser diseado directamente a partir de la estimacin de la magnitud de la falla. Estos residuos pueden ser evaluados mediante pruebas estadsticas con objetode detectar desbalances.Por ejemplouna herramienta es la prueba PageHinkley, con la que un actuador defectuoso puede ser aislado a partirde unadecisinlgicaelemental.

5.CONCLUSIONES SepresenteldiseodeunesquemaFDIbasado enmltiplesmodelos,capazdedetectar,aislary estimar mltiples fallas as como estimar funciones de ponderacin robustas para modelado del sistema. Este esquema sebasa en laestimacindefuncionesdeactivacinrobusta a travs de los filtros de Kalman desacoplados. Tales funciones permiten reproducir el comportamientodinmicoatravs deunamplio rango,enausenciaypresenciadefallas.Enlazo cerrado, las funciones de activacin robustas deberan ser variables para poder aplicarlas de forma eficienteentcnicas decontrol mltiples, donde por ejemplo la ganancia programada del controladornoes mediblenipuedecorromperse por la ocurrencia de una falla. Un filtro adaptativo se dise para detectar, aislar y estimar fallas gracias a la representacin obtenida por el enfoque multimodelo. Para garantizar la estabilidad del filtro adaptativo se desarroll unanlisisdeestabilidadusandoLMI. Se valid la efectividad del filtro adaptativo en un sistema hidrulico de tratamiento de agua bajo diferentesregmenesdeoperacin.

Dyna162,2010

323

[10] ATHANS, M., FEKRI, S., & Pascoal, A. Issues on robust adaptive feedback control. In Proceedings of 16th IFAC world congress, Prague,CzechRepublic(2005).. [11] PORFIRIO, C. R., NEITO, E. A., & Odloak,D.Multimodelpredictivecontrolofan industrial c3/c4 splitter. Control Engineering Practice,11,765779.(2003). [12]RODRIGUES,M.Diagnosticetcommande active tolerante aux defauts appliques aux systemesdecritspardesmultimodeleslineaires. Ph.D. thesis, Centre de Recherche en Automatique de Nancy, UHP, Nancy, France. (2005). [13]LEITH,D.J.,&LEITHEAD,W.ESurvey of gainscheduling analysis and design. International Journal of Control, 73(11), 1001 1025. .(2000). [14]BANERJEE, A.,ARKUN, Y.,PEARSON, R., & Ogunnaike, B. H1control of nonlinear processes using multiple linear models.In ProceedingsoftheEuropeancontrolconference, Roma,Italy(pp.26712676)(1995).. [15]KELLER,J.Faultisolationfilterdesignfor linearstochasticsystems.Automatica,35,1701 1706.(1999).

[16] STIWELL, D. J., & RUGH, W. J. Interpolation of observer state feedback controllersforgainscheduling.International JournalofControl,72(7/8),6206(1999). [17] BOYD, S., GHAOUI, L. E., Feron, E., & Balakrishnan, V. Linear matrix inequalities in system and control theory. SIAM Studies in AppliedMathematics.(1994). [18]THEILLIOL,D.,NOURA,H., &Ponsart,J. Fault diagnosis and accommodation of three tanksystembasedonanalyticalredundancy.ISA Transactions,41,365382. (2002). [19] ZOLGHADRI, A., HENRY, D., & Monsion, M. Design of nonlinear observers for fault diagnosis: a case study. Control EngineeringPractice,4(11),15351544(1996).. [20] ADAM, M. Diagnostic de Dfauts de Systmes a reprsentation MultiModles Linaires Invariants dans le Temps. Tesis de Doctorado, Universidad Nancy I, Francia. (2004). [21] ADAM, M., THEILLIOL, D, ASTORGA C., VELA VALDS, L Representacin de Sistemas No Lineales y Diagnstico de Fallas basadoenunenfoqueMultiModelos.Apublicar en DYNAColombia,Colombia.(2009).