Detección e identificación de fallas en sistemas lineales y no lineales estocásticos por medio del diseño de un vector de características basado en la varianza de la transformada Wavelet continua

Abstract

El presente trabajo de investigación presenta una manera novedosa de detectar fallas de un proceso, usando la Transformada Wavelet Continua (TWC) sin necesidad de contar con un modelo explícito de la planta. El método desarrollado en esta Tesis, es más robusto en la detección de variaciones pequeñas en las señales de prueba producidas por alguna condición de falla, en comparación a otros métodos que utilizan la Transformada Wavelet para la extracción características de una señal. Se analizan dos tipos de fallas para una planta simple de primer orden con buenos resultados, a saber; falla por variación paramétrica y falla de sensor. La falla de sensor es más simple de identificar debido a que, por lo general, esta se manifiesta como un cambio brusco de referencia, y bastaría con tener conocimiento del valor medio de la señal para saber si ha ocurrido una falla de este tipo. La falla debido a variaciones paramétricas de un modelo, es más difícil de detectar y diagnosticar. También, el método de detección e identificación de fallas (DIF) presentado en esta Tesis fue aplicado a una planta de segundo orden con dos tipos de fallas debido a variaciones paramétricas así como también, se aplicó a un modelo de molienda y flotación (sistema MIMO), el cual presenta comportamientos no lineales, entregando buenos resultados. Sin embargo, cabe mencionar que una limitación importante del método propuesto, es que las señales de salida del sistema, deben cumplir a lo menos, la condición de ser estacionarias en sentido amplio, de lo contrario, no se garantiza que los vectores de características patrón o plantillas, pueda ser representativos de cada condición de operación. El método desarrollado en esta Tesis, para llevar a cabo el proceso de detección de una falla en una planta, consiste en la generación de un vector de características patrón, usando la promediación en el desplazamiento (o tiempo) de las varianzas de las TWC de varias realizaciones de las diversas señales de salida, para cada condición de operación de la planta o sistema, para luego compararlas con las varianza de la TWC de las señales de prueba que entrega el sistema y de esta manera, decidir bajo qué condiciones de operación está funcionando la planta. Esta decisión, se puede basar en cualquier método de comparación o clasificación existente tales como análisis discriminante lineal de Fisher (LDA), vecinos más cercanos (k-NN) o máquinas de soporte vectorial (SVM) por nombrar algunos. Finalmente, el método de comparación o clasificación que se decida utilizar, queda a criterio del usuario.