Aplicación de técnicas robustas para detección y diagnóstico de fallos

Abstract

La teoría de control es un área en constante desarrollo, donde muchas técnicas están basadas en el conocimiento del sistema en estudio. A nivel industrial, los sistemas son en su mayoría no lineales, y sus comportamientos ante la influencia del entorno pueden variar en poca o gran medida. Incorporar en el diseño del sistema de control un modulo de detección y diagnóstico de fallos mejora los procesos, la disponibilidad y mantenimiento del sistema, así como su desempeño y robustez. En esta investigación se aplican diferentes métodos de detección y diagnóstico de fallos (DDF) para lograr esquemas que presenten buen desempeño y robustez ante las incertidumbres, perturbaciones y el ruido. Un esquema de DDF que utiliza filtros basado en el modelo matemático del sistema es logrado con la aplicación de desigualdades matriciales lineales (\emph{Linear Matrix Inequalities}, LMIs). Esquemas de DDF que suministran información de las relaciones estadísticas de las señales son desarrollados con técnicas multivariantes de análisis de componentes principales (PCA) y de análisis de componentes independientes (ICA) en aplicaciones estáticas y dinámicas. El conocimiento de los comportamientos del sistema es estudiado mediante redes neuronales dinámicas, que utilizan filtros internos. En el caso en que se utiliza el modelo matemático de la planta se obtiene un esquema de planta generalizada donde se calcula un filtro para rechazar la incertidumbre de la planta, que es modelada por el estudio del comportamiento del sistema en diferentes puntos de operación, y un segundo filtro que es calculado para rechazar las perturbaciones y el ruido. Para los esquemas que utilizan las técnicas multivariantes se construye un banco de modelos que se corresponden con las relaciones estadísticas de las señales en cada uno de los comportamientos definidos del sistema. Cuando se utilizan las redes neuronales dinámicas se establecen patrones de aprendizaje para cada uno de los comportamientos definidos en el sistema, obteniéndose en este caso un banco de redes neuronales, cuyas respuestas permiten definir el comportamiento del sistema. Finalmente, se realiza un análisis de la respuesta de los esquemas ante los diferentes comportamientos y las características deseables para la detección y el diagnóstico de fallos.