Diagnstico de fallas en procesos dinmicos: Un

enfoque basado en SVM

Addison Ros Bolvar, Francisco Hidrobo, Pablo Guilln
Resumen: La deteccin y diagnstico de fallas en procesos
tcnicos basados en redundancia analtica presentan como mayor
inconveniente el requisito de un modelo muy preciso del sistema.
Por el contrario, en los mtodos basados en el manejo de datos no
se requiere de un modelo preciso, ya que se fundamentan en la
manipulacin de la informacin por medio de los datos medidos.
En este trabajo se aborda el desarrollo de mecanismos, tcnicas
y mtodos que permitan construir ltros de deteccin de fallas
en procesos de produccin utilizando generadores de residuos
basados en observadores de estados (deteccin), cuyos datos
generados son manipulados mediante la aplicacin de Algoritmos
de Aprendizaje de Mquinas, particularmente las Mquinas de
Soporte Vectorial (SVM, Support Vector Machine), que permiten
la separacin de las fallas mediante clasicacin. La tcnica se
aplica a modelos de diagnstico lineales e invariantes en el tiempo.
Palabras clavesDeteccin y diagnstico de fallas. Mquinas
de Soporte Vectorial. Algoritmos de aprendizaje de mquinas.
Filtros de deteccin de fallas.
I. Introducci on
En los procesos de produccin industrial seguros, la con-
abilidad operacional debe estar conformada por: la correcta
operacin de los procesos, los sistemas de control asociados
y la coordinacin de los mismos. Toda esta infraestructura
est soportada por diversos sistemas de apoyo dentro de una
estructura de automatizacin integral, donde la informacin
y su intercambio se consideran relevantes, desde el punto de
vista de conabilidad, seguridad y productividad.
En el contexto de operacin conable y segura, se desarro-
llan los sistemas que permiten el reconocimiento de eventos,
los cuales deben orientar la toma de decisiones cuando el
desempeo del proceso productivo se ve afectado por la
presencia de cualquier anormalidad. Como la conabilidad
est muy ligada al concepto de seguridad, entonces, es fun-
damental de dotar a los procesos industriales de exigentes
mecanismos de seguridad, cuyos elementos bsicos son los
sistemas de Monitoreo, Deteccin y Diagnstico (MDD); los
cuales, mediante los indicadores y las variables medidas de
los procesos, mantienen una supervisin continua y constante
del comportamiento evolutivo en el tiempo de la produccin,
reportando condiciones sintomticas que se consideren anor-
males.
Artculo recibido el 14 de Noviembre de 2011. Este artculo fue nanciado
por el CDCHTA de la Universidad de Los Andes.
A.R.B. y P.G. estn con la Universidad de Los Andes, Sector La Hechicera,
Facultad de Ingeniera, Escuela de Ingeniera de Sistemas, Mrida, Estado
Mrida, Venezuela, Tlf. +58-274-2402811 / 3336, Fax: +58-274-2402811,
E-mail: ilich@ula.ve, pguillen@ula.ve
F.H. est con la Universidad de Los Andes, Sector La Hechicera, Facultad
de Ciencias, Departamento de Fsica, Mrida, Estado Mrida, Venezuela, Tlf.
+58-274-2401284, Fax: +58-274-2402811, E-mail: hidrobo@ula.ve
Los sistemas de MDD se fundamentan en su capacidad para
responder ante situaciones inesperadas del comportamiento del
proceso, de manera que su principal tarea es la de la Deteccin
y Diagnstico de Fallas, (DDF). Un sistema de DDF, tal como
se muestra en la Fig. 1, utiliza las mediciones del proceso
a objeto de producir unos residuos, a partir de los cuales,
mediante funciones de evaluacin y lgicas de decisin, se
busca la identicabilidad y la separabilidad de las fallas, con
perspectivas de prognosis y de mantenimiento autonmico.
En el marco de estas ideas, cualquier sistema que permita,
a partir de las variables medidas de los procesos, generar
los residuales y evaluar dichos residuales en forma objetiva,
en relacin a las tomas de decisiones orientadas en el reco-
nocimiento de fallas se denomina Filtro de Deteccin y de
Diagnstico de Fallas (FDD).
PROCESO T

ECNICO
Generaci on
de Residuos
Evaluaci on
de Residuos
Decisiones
L ogicas
u
y

Fig. 1. Un Sistema de MDD

Desde el punto de vista de la generacin de residuos por
comparacin, las tcnicas de diseo de ltros de DDF se
pueden clasicar en:
1. Mtodos de Redundancia Fsica; en los cuales se hace
uso de las rplicas fsicas de los dispositivos y sistemas
bajo estudio. Los residuos se obtienen por la compara-
cin de las respuestas de los distintos elementos. Estas
tcnicas tienen el inconveniente principal de los costos
involucrados para su implementacin y seguimiento.
2. Mtodos Basados en Modelos; a partir de los cuales
se producen valores estimados de las salidas de los
procesos para la generacin de los residuales, mediante
su comparacin con las salidas medidas. El principal
inconveniente de estas tcnicas es el de construir o
disponer de modelos muy precisos.
Cuando se emplean modelos para la generacin de residuos
se deben considerar aspectos importantes de los sistemas de
produccin:
Ambientes industriales ruidosos (Perturbaciones).
Modelos aproximados (Incertidumbres).
Diferentes escenarios de produccin.
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
Lmites fsicos de produccin.
Esos aspectos conllevan a considerar que los ltros de
deteccin deben ser capaces de responder satisfactoriamente
bajo condiciones adversas debido a la realidad de los procesos
productivos.
Es as como los modelos basados en conocimiento se
fundamentan ms en la informacin o datos disponibles, lo
que conlleva a disponer de mecanismos de manejo de datos:
reconciliacin de datos, mtodos numricos convencionales,
aprendizajes de mquinas, entre otros. Siguiendo este contexto,
la taxonoma para la generacin de residuos se puede ampliar
al considerar los mtodos basados en el manejo de datos, (ver
la Fig. 2).
RESIDUOS
Metodos de
Generacion
Basados en
MODELOS
Basados en
Manejo de Datos
Redundancia
Analtica
Base de
Conocimiento
Intelig. Articial
Sistemas Expertos
Maq. edos. nitos
Razonamiento
cualitativo
Metodos
Numericos
Convencionales
Aprendizaje de
Maquinas
Regresion Lineal
Filtro de Kalman
SVM
Redes Neuronales
Arboles de decision
Fig. 2. Taxonoma con Algoritmos de Manejo de Datos.
As, se plantea la necesidad de desarrollar mecanismos
para el diseo e implantacin de sistemas de deteccin y
diagnstico de fallas en procesos productivos, a partir de ltros
de generacin de residuos que consideren los ambientes de
produccin industrial reales.
I-A. Antecedentes
En el caso de los modelos de redundancia analtica, los
primeros resultados en el abordaje del problema de generacin
de residuales se presentan en [1], [2]. A partir de esos
resultados se han presentado varias extensiones [3], [4], que
usan un enfoque donde, bajo ciertas restricciones, es posible la
asignacin de la estructura del ltro en lazo cerrado, mientras
que en [5], se denen las estructuras de los ltros para
direcciones de fallas dadas. Estas tcnicas se basan en mo-
delos matemticos analticos de los sistemas. Dentro de estos
mtodos analticos, la utilizacin de un observador de estados
ha sido ampliamente estudiado. La idea es la generacin de
residuales con propiedades direccionales precisas, mediante
una seleccin adecuada de la ganancia del observador, [6],
[7], [8], [9], [10].
Desde el punto de vista de generacin de residuos, las
fallas son detectables si sus caractersticas espectrales son
distinguibles de las correspondientes a las incertidumbres. Esto
es equivalente a que las fallas entren al sistema en direcciones
diferentes del espacio de estado con respecto a las direcciones
de las incertidumbres. Las fallas que tienen caractersticas
frecuenciales o pertenecen al mismo subespacio del espacio
de estado en relacin a las incertidumbres, no pueden ser
detectables siempre [11], [3].
As, en muchos procesos industriales, desafortunadamente,
los efectos de las fallas, las seales de ruido y las incerti-
dumbres del modelo no se pueden separar uno del otro. En
estos casos se busca ampliar la capacidad o el desempeo de
la deteccin al hacer que los residuos sean menos sensibles a
las incertidumbres con respecto a una direccin de falla, en
particular mediante el uso de tcnicas de estimacin de estado
ptimas, [12], [13].
En ese orden de ideas, y desde el punto de vista de robustez,
la produccin de los residuos debe considerar todas aquellas
divergencias entre el modelo de diagnstico y el proceso real.
Por lo tanto, se debe contar con una descripcin realstica de
las incertidumbres y de las perturbaciones que estn presentes
en el sistema a supervisar. Dado que estas divergencias son
proclives a la generacin de residuos en ausencia de una
falla verdadera, tambin se debe considerar, en el marco de
las decisiones lgicas, la presencia de falsas alarmas, lo cual
aumenta la complejidad del problema de DDF.
En base a las consideraciones anteriores, que debilitan
la aplicacin de mtodos de redundancia analtica, se ha
orientado a la utilizacin de mtodos basados en datos. Al-
gunos intentos iniciales orientados a la construccin de ltros
inteligentes para la deteccin de fallas se pueden evaluar en
[14], [15], [16]. Fundamentalmente, se han utilizado tcnicas
de reconciliacin de datos, redes neuronales, clasicacin de
datos [17].
En otro contexto, las Mquinas Vectorial de Soporte (SVM),
son mquinas de base lineal y a solucin nica, fundamenta-
das en la teora del aprendizaje estadstico. Estas mquinas
aprenden la supercie de decisin de dos clases distintas
de los puntos de entrada. Como un clasicador de una sola
clase, la descripcin dada por los datos de los vectores de
soporte es capaz de formar una frontera de decisin alrededor
del dominio de los datos de aprendizaje con muy poco o
ningn conocimiento de los datos fuera de esta frontera. Los
datos son mapeados por medio de un kernel Gaussiano u otro
tipo de kernel a un espacio de caractersticas en un espacio
dimensional ms alto, donde se busca la mxima separacin
entre clases [18], [19], [20], [21].
En consecuencia, las SVM resultan en un excelente mtodo
para clasicacin y reconocimiento de patrones, exhibiendo
ciertas mejoras respecto a las redes neuronales [19], [22]. As,
las SVM representan un mecanismo para el reconocimiento de
patrones, lo cual permite distinguir escenarios operacionales;
adems, sirven para la generacin de residuos orientados a
la deteccin y diagnstico de fallas mediante regresin [23],
[24], [25], [26], [27], [28]. A pesar de ello, an persisten
problemas abiertos relativos al diseo de ltros de FDD
basados en SVM con propiedades de robustez garantizada
frente a perturbaciones e incertidumbres, la deteccin de
fallas no reconocidas a priori, un algoritmo eciente para
la identicacin de fallas en lnea, entre otros aspectos. De
igual manera, el diseo y construccin de ltros de DDF que
combine integral y ecientemente las fortalezas de las tcnicas
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
SBN: 978-980-7185-02-8
M-2
basadas en redundancia analtica y los mtodos que consideran
las SVM.
Es as que, en la actualidad an no se ha construido un
sistema MDD, tanto para procesos continuos como discre-
tos sometidos a los efectos de las situaciones industriales,
que permita garantizar una deteccin y separacin de fallas
conable, con mnima incidencia de falsas alarmas, a partir
de modelos de datos y de redundancia analtica. De igual
manera, enfocar la construccin de los sistemas de MDD con
visin de implementacin prctica, considerando las diferentes
plataformas de soporte tecnolgico (SCADA, Sistemas de
Control Distribuidos, Control Dedicado, etc.) y de automa-
tizacin integrada.
II. Filtros de Detecci on y Diagnostico de Fallas
Dentro de un marco de operacin conable y segura,
los procesos industriales deben estar dotados de exigentes
mecanismos de seguridad, cuyos elementos bsicos son los
sistemas de Monitoreo, Diagnstico y Deteccin, (MDD).
Los sistemas de MDD se fundamentan en su capacidad para
responder ante situaciones inesperadas del comportamiento del
proceso, de manera que su principal tarea es la del DDF.
En referencia a los mtodos analticos, los sistemas din-
micos se pueden describir por modelos que entran dentro de
dos categoras: los modelos representativos y los modelos de
diagnstico. Los modelos representativos permiten describir el
comportamiento dinmico de los sistemas en trminos de una
estructura estandarizada que, de manera satisfactoria, se apro-
xima al comportamiento entrada-salida o al comportamiento
de estado de los sistemas, en ellos se encuentran los modelos
heursticos. Por el contrario, los modelos de diagnstico per-
miten describir el comportamiento dinmico a travs de una
rplica de la estructura o arquitectura fsica de los sistemas.
All, las unidades funcionales bsicas, o de inters, se modelan
en forma explcita: modelos de sensores, de actuadores, etc.
Si bien con estos modelos se obtiene un mayor conocimiento
del desempeo global de los sistemas, tiene el inconveniente
de que el nmero de ecuaciones algebraicas se incrementan,
en comparacin con los modelos representativos. A los nes
de disear los ltros de DDF, los modelos de diagnstico son
los ms tiles, mientras que para propsitos de control, lo son
los modelos representativos.
En las tcnicas analticas, toda la informacin proveniente
de los dispositivos de medicin del proceso, es manejada para
generar los residuales segn el modelo.
II-A. Filtros de DDF basados en observadores
Consideremos la dinmica de un sistema lineal, continuo e
invariante en el tiempo (LTI),
x(t) = Ax(t) + Bu(t), x(0) = x
0
,
y(t) = Cx(t). (1)
Donde los estados x X R
n
, los controles u U R
m
,
las salidas y Y R
q
; y la matrices A R
nn
, B R
nm
,
C R
qn
. All, el par (A, C) es observable.
En la descripcin (1), la estructura del proceso es repre-
sentada por A; los actuadores se describen por B; y los
sensores son representados por C. En cualquiera de esos sub-
sistemas pueden presentarse situaciones de comportamiento
inadecuados con respecto a las caractersticas de desempeo
establecidas en el diseo. As, la concepcin de los ltros de
DDF se basan en los tipos de modelos del sistema y en las
descripciones de las fallas.
El diseo de ltros de DDF se puede dividir es dos etapas: la
primera fase es la generacin de los residuos, (el problema de
deteccin). La segunda etapa es la evaluacin de los residuales
a objeto de determinar el origen de las fallas, (el problema
de separacin de las fallas). En ese sentido, los residuos son
seales escalares o vectoriales que contienen la informacin
acerca del tiempo y localizacin de las fallas. En principio,
los residuales deben ser iguales a cero en ausencia de fallas
y, obviamente, distintos de ceros cuando alguna falla hace su
aparicin.
Bajo esas premisas, los observadores de estados se pueden
emplear para la generacin de los residuales. Por lo tanto, para
el sistema (1) existe una matriz de ganancia D R
nq
de modo
que el estimado x(t) del vector de estados x(t) ser la solucin
para la ecuacin del observador de orden completo:

x(t) = A x(t) + Bu(t) + D(y(t) C x(t)),

y(t) = C x(t). (2)
All, y(t) son las salidas estimadas y D la ganancia de
realimentacin del observador que se debe seleccionar ade-
cuadamente.
Si ahora consideramos que el proceso puede presentar fallas
en cualquiera de sus subsistemas, esto es
x(t) = Ax(t) + A
f
f
p
+ Bu(t) + B
f
f
a
,
y(t) = Cx(t) + C
f
f
s
;
donde A
f
f
p
, B
f
f
a
, C
f
f
s
son los modelos de fallas de proce-
so, de actuadores y de sensores, respectivamente. Entonces,
deniendo el error entre los estados y sus estimados por
e(t) = x(t) x(t), (3)
el cual produce una innovacin en la salida denida por
(t) = y(t) y(t), (4)
de manera que la dinmica del error y el correspondiente error
de salida estarn dados por
e(t) = (A DC)e(t) + A
f
f
p
+ B
f
f
a
DC
f
f
s
,
(t) = Ce(t) + C
f
f
s
.
Si D se selecciona de manera que (A DC) sea estable,
en el lmite, t , el error de estimacin ser nulo,
e(t) = 0. Puesto que para t < t
0
, el proceso tiene un
funcionamiento normal, es decir, no existen fallas en el mismo,
en ese momento el residual o la innovacin de la salida es
aproximadamente igual cero. Cuando cualquier falla se hace
presente, en t t
0
, el residual es muy distinto de cero y
ello es propicio para la deteccin de las fallas, persistiendo el
5TO CONGRESO BEROAMERCANO DE ESTUDANTES DE NGENERA ELCTRCA (V CBELEC 2012)
M-3
ISBN: 978-980-7185-02-8
problema de evaluar esos residuos a objeto de poder distinguir
el origen de las fallas.
A partir de las diferentes representaciones de las fallas, se
puede adoptar el siguiente modelo de diagnstico:
x(t) = Ax(t) + Bu(t) +
k

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

+ b). La eciencia de los vectores de soporte

calculados es probada usando el conjunto de la data de prueba
derivados del conjunto de datos inicial.
IV. Detecci on y Diagn ostico de Fallas con SVM
La tcnica consiste en la generacin de residuos, para el
problema de deteccin de fallas, a partir de ltro basado
en observador de estados. Luego, para el diagnstico de las
fallas, los residuos son procesados para reconocimiento y
clasicacin de patrones usando SVM.
En el problema de DDF se ha mostrado la potencialidad
de las SVM para la generacin de residuos a travs del
reconocimiento y clasicacin de patrones [27], [23], [28].
La solucin que se alcanza consiste en determinar patrones de
condiciones de operacin normal de los procesos a travs del
entrenamiento de SVM. En condiciones de operacin anmala,
es decir, bajo fallas, se determinan diferencias (residuos) entre
el modelo de comportamiento obtenido por medio de un ltro
de DDF y el funcionamiento real del proceso, los cuales son
procesados por una SVM para la separacin de las fallas.
As, cuando mltiples fallas son susceptibles de aparecer, las
SVM permiten el reconocimiento y clasicacin de patrones,
por lo que se obtiene el diagnstico de las fallas.
De manera esquemtica, la Fig. 4 muestra los diferentes
elementos a construir para obtener el sistema de DDF. Los
residuos son generados con ltros observadores de acuerdo
a la naturaleza del proceso, principalmente para sistemas
lineales. Esto tiene la ventaja de reconocer, inmediatamente,
la presencia de fallas.
Fig. 4. Modelo para DDF basado en SVM.
Para lograr el diagnstico de las fallas mediante la recons-
truccin de los patrones, se utiliza una SVM para procesar
directamente los datos o residuos del ltro.
En ciertos casos, y principalmente para los sistemas no
lineales, se torna complicado la generacin de los residuos
mediante observadores, siempre que las condiciones de detec-
tabilidad no se satisfagan. Entonces es posible recurrir a las
SVM para reconstruir ciertos patrones de fallas a partir de las
entradas y salidas del proceso, ver la Fig. 5.
Fig. 5. Filtro de DDF con SVM.
La reconstruccin de los patrones de fallas se realiza
mediante la clasicacin de patrones, donde la SVM utiliza
directamente las entradas y salidas del proceso. No se generan
residuos, por el contrario, se obtiene un estimado de los
patrones de las fallas a partir de los cuales se obtiene el
diagnstico.
IV-A. Ejemplo
Considrese el modelo de diagnstico lineal descrito por:
x =

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

de tal manera que la matriz A DC es estable.

As, sobre la base de las condiciones de detectabilidad y
separabilidad de fallas, se pueden reconstruir los modos de
fallas aplicando modelos basados en datos. Entonces, para la
reconstruccin de los patrones de fallas se recurre a las SVMs.
A partir de un ltro de deteccin se generan los residuos,
los cuales, en conjunto con las variables de control y la salida
medida, se utilizan para el entrenamiento de una SVM. A con-
tinuacin se realizan las fases de validacin y vericacin de
manera de garantizar el desempeo del modelo de diagnstico.
Para ello se recurre a la simulacin de las fallas, las cuales se
muestran en la Fig. 6.
Fig. 6. Las Fallas:
1
(t),
2
(t).
De tal manera que los residuos se obtienen del ltro de
deteccin diseado mediante observadores de estados, estos
residuos para entrenamiento de las SVMs, que indican la
deteccin de las fallas se muestran en la Fig. 7.
Fig. 7. Los residuos para entrenamiento de la SVM.
Como se puede notar, en el intervalo 50 t 75 y entre
100 t 125 est presente la falla
1
, mientras que para
t 100 est presente la falla
2
, lo que signica que en el
intervalo 100 t 125 estn presente las dos fallas. A partir
de t 125 solo est presente la falla
2
.
Se ha entrenado una SVM con kernel gaussiano, la cual se
utilizar para el diagnstico de fallas bajo otras condiciones. Se
identica cuatro clases o condiciones: Normal, Falla 1, Falla
2 y Falla Mltiple.
Una vez entrenada la SVM se realizaron simulaciones para
comprobar la reconstruccin de los patrones de fallas. Los
fallas se muestran en la Fig. 8 donde se observa que
1
arranca
en tiempos distintos y con diferente amplitud, mientras que

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

setting, Int. J. of Electronics, Electrical and

Communication Engineering (IJEECE), vol. 2, no. 1, pp. 2545, 2010.
[11] A. Edelmayer, J. Bokor, F. Szigeti, and L. Kevicsky, Robust detection
lter design in the presence of time-varying system perturbations,
Automatica, vol. 33, no. 3, pp. 471475, 1997.
[12] A. Edelmayer, J. Bokor, and L. Keviczky, An 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