Escolar Documentos
Profissional Documentos
Cultura Documentos
ECNICO
Generaci on
de Residuos
Evaluaci on
de Residuos
Decisiones
L ogicas
u
y
i=1
L
i
i
(t), x(0) = x
0
y(t) = Cx(t) +
k
i=1
M
i
i
(t), (5)
donde
L
i
, M
i
son las direcciones de fallas en los sensores y
actuadores, respectivamente. Se supone que estas direc-
ciones son conocidas.
i
, corresponde al modo de la falla. Es una funcin
autnoma, arbitraria y desconocida. Adems,
i
= 0 si
t < t
0
; y
i
0 para t t
0
; t
0
es el momento de ocurrencia
de la falla.
k es el nmero de fallas que funcional y estadsticamente
son signicativas.
Bajo esta representacin, donde existen mltiples fallas
posibles, con diferentes direcciones, el problema de separa-
bilidad de las fallas se hace evidente. As, se debe construir
un generador de residuales que permitan distinguir a cual
direccin del espacio de estado de (5) pertenece la falla que
se ha hecho presente.
En el caso de ltros basados en observadores, debemos
construir una ganancia del observador de modo que el vector
de residuales, esto es, la salida del error de estimacin, tenga
caractersticas en una sola direccin asociada con alguna
direccin de falla conocida, el resultado es la separabilidad
de las fallas en el espacio de las salidas. Como la informacin
importante est en la direccin de la falla, no se requiere del
conocimiento del modo de la falla.
Consideremos un observador de estados como en (2), para
el sistema (5), entonces, la dinmica del error de estimacin
estar regida por
e(t) = (A DC)e(t) +
k
i=1
(L
i
DM
i
)
i
(t)
(t) = Ce(t) +
k
i=1
M
i
i
(t). (6)
con e(0) = x
0
x
0
.
Si D se selecciona de modo que (A DC) sea estable,
y si
i
(t) 0, entonces e(t) 0, por lo tanto se producen
los residuales puesto que (t) 0. Cualquier cambio en el
proceso, por efecto de fallas, es notoriamente acentuado en
la innovacin de la salida del observador de este modo se
completa la fase de generacin de residuales.
En este momento, si la nica condicin que se impone para
la seleccin de la matriz de ganancia del observador, D, es que
(A DC) sea estable, no se est en capacidad para establecer
una clara distincin entre los efectos de las diferentes fallas.
En principio, se pudiese pensar en el diseo de un conjunto
de observadores, cada uno de los cuales se hace corresponder
con una direccin de falla especca, lo que sugiere el diseo
de D
i
, i = 1, . . . , k, ganancias lo cual no es ni prctica, ni
elegantemente factible.
De lo anteriormente expuesto resaltan dos aspectos impor-
tantes:
1. Cundo una falla es detectable? El problema de detec-
cin.
2. Cundo las fallas son separables? El problema de
diagnstico.
Esos dos problemas, desde el punto de vista de la redundancia
analtica, se abordan estudiando las condiciones que permiten
tanto detectar como separar fallas simultneas.
II-A1. Condicin para la detectabilidad de fallas : Si
una falla se hace presente en cualquier momento, su propa-
gacin, por efecto de su direccin, no debe estar contenida
en el sub-espacio inobservable del sistema. Ello permitir la
detectabilidad de la falla a travs de las salidas medidas. La
falla debe pertenecer a un sub-espacio de deteccin que se
caracteriza por la conjuncin del sub-espacio observable del
sistema y las direcciones de fallas.
Resulta evidente que si M
i
es distinto de cero, las fallas
pueden ser observadas a travs de las salidas. La situacin de
mayor relevancia es si lo anterior no se satisface.
Sea W
Li
= Im (L
i
), i = 1, 2, . . . , k. Sea U
o
el sub-
espacio inobservable del sistema (5). Entonces, la condicin
de detectabilidad de fallas se formula de la siguiente manera,
[3] :
Teorema 1 Sea el modelo de diagnstico representado por
(5), donde el par (C, A) es detectable y M
i
= 0, i = 1, . . . , k.
Entonces, la i-sima falla, i = 1, . . . , k, es detectable si
W
Li
U
o
= {0} i = 1, 2, . . . , k; (7)
La condicin signica que la proyeccin de las fallas sobre
el espacio de estados, a travs de L
i
, debe pertenecer al sub-
espacio de observabilidad del sistema. As, las fallas se pueden
propagar hasta residuos vectoriales por medio de C.
II-A2. La condicin para la separabilidad: Una vez
caracterizada la condicin de detectabilidad de las fallas, el
problema principal es poderlas asignar a direcciones particu-
lares en el espacio de salida, a objeto de identicar sus causas
de origen. Sobre la base del mtodo que estamos empleando,
este problema signica que los modos de fallas
i
(t) deben
poder ser asignados, por medio de la ganancia del observador
D, a sub-espacios independientes.
Denicin II.1 Sea el sistema dado en (5). Se dice que las
fallas son separables si existe un observador con ganancia
D tal que cada una de las fallas puede ser asignada a un
sub-espacio independiente en el espacio de salidas del error
(residuos).
De manera explcita, la separabilidad de las fallas se esta-
blece en la siguiente denicin:
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
ISBN: 978-980-7185-02-8
M-4
Denicin II.2 Sea el sistema dado en (5). Se dice que las
fallas son separables si existe un observador de ganancia D
y unos sub-espacios Y
1
, Y
2
, . . . , Y
k
R
q
, en el espacio de
salidas, tales que:
1. Las salidas del sistema de error dado por:
e(t) = (A DC)e(t) + (L
i
DM
i
)
i
(t)
i
(t) = Cx(t) + M
i
i
(t),
son tales que
i
(t) Y
i
para
i
: [0, ) R, t > 0.
2.
Y
i
ji
j=1
Y
j
= 0.
Comentario II.1 Si la separabilidad de las fallas se satisface
para una ganancia D, entonces para
Y
i
= Im (M
i
) +
n1
j=0
CIm
(A DC)
j
(L
i
DM
i
)
= Im (M
i
) + CW
i
, i = 1, 2, . . . , k
la condicin es, igualmente, satisfecha y el sub-espacio de
accesibilidad de falla W
i
es el sub-espacio mas grande en el
cual la falla tiene efecto. Esta ltima condicin es equivalente
a la condicin geomtrica [3] que se muestra a continuacin:
Consideremos el sub-espacio W
Li
= Im (L
i
), i = 1, . . . , k.
Teorema 2 Sea el sistema descrito por (5). La matriz de
observabilidad del sistema es O. Sea el sub-espacio W
Li
.
Entonces, las fallas son separables si cada uno de W
Li
y cada una de las direcciones de fallas en el espacio de
salida del error de estimacin estn aisladas, es decir, para
i, j = 1, 2, . . . , k entonces
Im (M
i
) + OW
Li
Im (M
j
) +
k
ji
OW
Lj
= {0}. (8)
Satisfacer esta ltima condicin representa el mayor incon-
veniente para la separacin de las fallas a travs de modelos
analticos.
III. Aprendizaje de M aquinas y SVM
La teora de las SVM fue desarrollada por Vapnik basado en
la idea de minimizacin del riesgo estructural [19]. Primero, la
SVM mapea los puntos de entrada a un espacio de caractersti-
cas de una dimensin mayor (ejemplo, si los puntos de entrada
estn en R
2
entonces sern mapeados a R
3
por la SVM), para
luego encontrar el hiperplano que los separe y maximice el
margen m entre las clases, ver 3. En consecuencia, una SVM
tiene la estructura de una red esttica basada en kernels, para
realizar clasicacin lineal sobre vectores transformados a un
espacio de dimensin superior, es decir, separa mediante un
hiperplano en el espacio transformado.
As, las operaciones de una SVM son:
1. Transformar los datos a un espacio de dimensin muy
alta a travs de una funcin kernel, lo que implica que
se reformula el problema de tal forma que los datos se
mapean implcitamente en este espacio.
2. Encontrar el hiperplano que maximiza el margen entre
dos clases, mediante el clculo eciente del hiperplano
ptimo.
3. Si los datos no son linealmente separables, encuentra
el hiperplano que maximiza el margen y minimiza
una funcin del nmero de clasicaciones incorrectas
(trmino de penalizacin de la funcin).
Cuando los conjuntos son linealmente separables, se debe
seleccionar el hiperplano que maximiza el margen m, ver la
Fig. 3.
Fig. 3. Problema de separacin lineal: Maximizacin del margen m.
Al maximizar el margen m, la separacin de las clases
es un problema de programacin cuadrtica y puede ser
resuelto por su problema dual introduciendo multiplicadores
de Lagrange [19]. La SVM puede encontrar el hiperplano
ptimo utilizando el producto escalar con funciones en el
espacio de caractersticas que son los kernels. Los vectores de
soporte son combinaciones de unos pocos puntos de entrada
que permite escribir la solucin del hiperplano de manera ms
sencilla. Por ejemplo, considrese el caso de:
Un conjunto de N puntos de datos de entrenamiento.
{(X
1
, y
1
), . . . , (X
N
, y
N
)} (9)
Un hiperplano
H
0
: y = wX b = 0 (10)
Donde w es normal al hiperplano, b/ w es la distancia
perpendicular al origen y w es la norma eucldea de
w.
Dos hiperplanos paralelos a H
0
H
1
: y = wX b = +1 (11)
H
2
: y = wX b = 1 (12)
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
ISBN: 978-980-7185-02-8
M-5
Con la condicin de que no hay puntos de datos entre
H
1
y H
2
.
Tal como se ilustra en la Fig. 3, si la distancia d
+
(d
) es
la distancia ms corta desde la separacin del hiperplano H
0
al punto ms cercano positivo (negativo), donde el hiperplano
H
1
(H
2
) est ubicado, entonces la distancia entre los planos H
1
y H
2
es d
+
+d
. As d
+
= d
= 1/ w , entonces el margen es
igual a 2/ w . El problema es encontrar el hiperplano que d
el mximo margen. Los parmetros w y b son llamados vector
peso y sesgo, respectivamente. La optimizacin del problema
se presenta con la ecuacin:
mn
w,b
1
2
w
T
w restringido por y
i
= wX b 1 (13)
La optimizacin del problema presentado en la ecuacin
anterior puede ser declarada en un problema convexo, cuadr-
tico en (w, b) en un conjunto convexo. Usando la formulacin
del Lagrangiano, las limitaciones pueden ser reemplazadas por
limitaciones de multiplicadores de Lagrange en s mismos.
As, con un kernel adecuado, la SVM puede separar en el
espacio caracterstico los datos que en el espacio original de
entrada no es separable [19].
En resumen, con el n de separar un conjunto de datos,
un conjunto de data de entrenamiento (X, Y) es seleccionado,
el problema de optimizacin es resuelto y los parmetros
ptimos son calculados. Entonces, un vector de datos X dado
del conjunto de datos iniciales es clasicado de acuerdo al
valor de (wX
0 1 2
1 0 1
2 1 0
x +
0
1
0
u +
0
1
0
1
+
1
0
1
2
y =
1 0 0
0 0 1
x
Para este sistema de diagnstico, a pesar de que satisface
las condiciones de detectabilidad y separabilidad para las
fallas
1
y
2
, no es posible disear un ltro de DDF basado
en observadores que asegure, simultneamente, la estabilidad
asinttica del error de estimacin (deteccin) y la separacin
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
ISBN: 978-980-7185-02-8
M-6
de las fallas, solo se obtiene la deteccin de las fallas [29].
En ese sentido se ha diseado un ltro con ganancia:
D =
0 2
11 11
0 10
2
se comporta como en el entrenamiento. En la Fig. 9 se
muestran los residuos generados por el ltro de deteccin, los
cuales se usan para la separacin de las fallas va la SVM.
Fig. 8. Las Fallas:
1
(t),
2
(t) en el proceso de diagnstico.
Fig. 9. Residuos para el diagnstico.
El diagnstico generado por la SVM se muestra en la Fig.
10
Se puede notar que la falla estimada
1
es aproximadamente
igual a
1
, mientras que
2
es aproximadamente nulo. As, la
falla
1
ha sido adecuadamente detectada y separada por la
SVM.
Otro resultado de las simulaciones bajo la presencia de
la falla
2
, se muestra en la Fig. 10, donde se ilustra el
comportamiento temporal de las salidas. La falla
2
ocurre en
t = 25s. La Fig. 10 muestra la falla
2
y las fallas estimadas
por la SVM.
A partir de un anlisis similar al caso anterior, se puede
armar que la falla
2
se detecta y separa adecuadamente
mediante la SVM. La deteccin, clasicacin del estado del
sistema, se logra con un porcentaje de acierto superior al 92 %;
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
ISBN: 978-980-7185-02-8
M-7
Fig. 10. Proceso de diagnstico.
el cual puede considerarse adecuado; ms an si se toma en
cuenta que la mayora de los fallos de prediccin ocurre en los
periodos transitorios de cambios de estados (Normal a Falla o
entre cambio de los tipos de falla).
V. Comentarios concluyentes
Se ha presentado una metodologa para la deteccin y
diagnstico de fallas en procesos tcnicos; la cual ha sido
vericada mediante simulaciones para modelos lineales inva-
riantes en el tiempo, obtenindose un porcentaje de acierto
superior al 92 %. La metodologa combina las tcnicas de
generacin de residuos mediante observadores de estados, lo
cual permite resolver el problema de deteccin. Los residuos
son manipulados a travs de tcnicas de aprendizaje de mqui-
nas, en particular, las mquinas de soporte vectorial (SVM),
las cuales son entrenadas para la separacin o discriminacin
de las fallas. Los resultados se pueden extender a procesos
tcnicos de mayor complejidad, los sistemas no-lineales, ya
que las SVMs se pueden entrenar con datos medidos sin
recurrir a los residuos, o con datos generados por multiltraje.
Esto ltimo tiene como consecuencia, un mayor ndice de error
en la separacin de las fallas.
Agradecimientos
Los autores agradecen el nanciamiento del CDCHTA-ULA
bajo el proyecto I-1268-11-02-A.
Referencias Bibligr aficas
[1] R. Beard, Failure accommodation in linear systems throught self-
reorganization, Ph.D. dissertation, Mass. Inst. Technol., Cambridge,
1971.
[2] H. Jones, Failure detection in linear systems, Ph.D. dissertation,
Mass. Inst. Technol., Cambridge, 1973.
[3] M. Massoumnia, A geometric approach to the synthesis of failure
detection lters, IEEE Trans. Automatic Control, vol. 31, no. 9, pp.
839846, 1986.
[4] J. White and J. Speyer, Detection lter design: Spectral theory and
algorithms, IEEE Trans. Automatic Control, vol. 32, pp. 593603,
1987.
[5] J. Park and G. Rizzoni, A new interpretation of the fault detection
lter: Part 1. closed-form algorithm, Int. J. Control, vol. 60, pp.
767787, 1994.
[6] J. Chen, R. Patton, and H. Zhang, Design of robust structured
and directional residuals for fault isolation via unknown input
observers, in 3rd European Control Conference, Roma, 1995, pp. 348
353.
[7] M. Hou and C. Muller, Fault detection and isolation observers, Int.
J. Control, vol. 60, no. 5, pp. 827846, 1994.
[8] R. Iserman and P. Ball, Trends in the application of model based
fault detection and diagnosos of technical processes, Control Eng.
Practice, vol. 5, no. 5, pp. 709719, 1997.
[9] A. Ros-Bolvar, Sur la synthse de ltres de dtection de dfaillan-
ces, Ph.D. dissertation, Universit Paul Sabatier, Toulouse, 2001.
[10] A. Ros-Bolvar and W. Acua, Robust FDI in uncertain LTI systems:
A multiobjective H
2
-H
ltering approach
to robust detection of failures in dynamical systems, in 33th IEEE
Conference on Decision and Control, Lake Buena Vista, 1994, pp. 3037
3039.
[13] R. Mangoubi, Robust Estimation and Failure Detection. Springer-
Verlag, 1998.
[14] J. Ragot, F. Kratz, and D. Maquin, Finite memory observer for input-
output estimation: Application to data reconciliation and diagnosis,
in 4th IFAC SAFEPROCESS Conference, Budapest - Hungary, 2000, pp.
587592.
[15] K. Cabezas, Sistema de deteccin y diagnstico de fallas basado
en un mtodo hbrido, Masters thesis, Universidad de Los Andes,
Mrida, 1999.
[16] A. Ros-Bolvar, F. Rivas-Echeverra, and G. Mussalli, Invertibility
and neural networtks based fdi lter, in IASTED Conference on
Intelligent Systems ISC02, Tsukuba - Japan, 2002.
[17] C. Isaza, J. Aguilar-Martin, M. LeLann, J. Aguilar, and A. Ros-Bolvar,
An Optimization Approach for the Data Space Partition Obtained
by Training Methods for the Monitoring of Dynamic Processes. IOS
Press, 2006, ch. Art. Int. Research and Development, pp. 8087.
[18] C. J. Burges and B. Schlkopf, Improving the accuracy and speed
of support vector machines, in Advances in Neural Information
Processing Systems 9. MIT Press, 1997, pp. 375381.
[19] C. J. C. Burges, A tutorial on support vector machines for pattern
recognition, Data Mining and Knowledge Discovery, vol. 2, pp. 121
167, 1998.
[20] J.-H. Lee and C.-J. Lin, Automatic model selection for support vector
machines, Tech. Rep., 2000.
[21] J. Kujala, T. Aho, and T. Elomaa, A walk from 2-norm svm to 1-norm
svm, 2009.
[22] T. Okba, E. Ilyes, G. Tarek, and M. Hassani, Supervised learning with
kernel methods, in Proc. 10th WSEAS Int. Conf. on Wavelet analysis
and multirate systems. WSEAS, 2010, pp. 7377.
[23] L. B. Jack and A. K. Nandi, Fault detection using support vector
machines and articial neural networks, augmented by genetic
algorithms, Mechanical Systems and Signal Processing, vol. 16, no.
2-3, pp. 373 390, 2002.
[24] A. Widodo and B. Yang, Support vector machine in machine
condition monitoring and fault diagnosis, Mechanical Systems and
Signal Processing, vol. 21, no. 6, pp. 25602574, 2007.
[25] S.-l. Zhao and Y.-C. Zhang, Fault diagnosis of satellite based on
svm observer, in Proc. Int. Conf. on Measuring Tech- and Mech.
Automation, 2009, pp. 654657.
[26] X. Xu, S. Wang, F. Li, Z. Wu, and W. Sun, Research on fault
diagnosis based on wavelet packet multi-class classication svm,
Manufacturing Automation, International Conference on, vol. 0, pp.
164167, 2010.
[27] C. Batur, Z. Ling, and C. Chien-Chung, Support vector machines
for fault detection, in Proc. 41st IEEE Conference on Decision and
Control, vol. 2. IEEE, 2002, pp. 1355 1356.
[28] S. Mahadevan and S. L. Shah, Fault detection and diagnosis in
process data using one-class support vector machines, Journal of
Process Control, vol. 19, no. 10, pp. 1627 1639, 2009.
[29] F. Szigeti, A. Ros-Bolvar, and R. Tarantino, Fault detection and
isolation lter design by inversion: The case of linear systems, in
4th IFAC SAFEPROCESS Conference, Budapest - Hungary, 2000, pp.
379384.
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
ISBN: 978-980-7185-02-8
M-8