Unidad 4 tema 7 - equipo dcs - deteccion de fallas

UNIVERSIDAD DE ORIENTE
DEPARTAMENTO DE INGENIERÍA DE SISTEMAS
CURSOS ESPECIALES DE GRADO
ESTRATÉGIAS PARA LA AUTOMATIZACIÓN INDUSTRIAL
MATURIN MONAGAS VENEZUELA
Detección de Fallas
Parte I
Profesora:
Judith Devia
Realizado por:
Equipo DCS
Cedeño W. Anthony J C.I.: 20597736
López R. José A. C.I.: 21350912
Maturín, Marzo 2014

ÍNDICE
INTRODUCCIÓN..................................................................................................................1
MARCO TEÓRICO ...............................................................................................................2
1. Falla ................................................................................................................................2
3. Tipos de detección de fallos ...........................................................................................2
4. Sistemas SCADA y Detección de fallos ........................................................................3
5. Métodos estadísticos de detección: SPC/SQC ...............................................................3
5.1 Análisis de Componentes Principales (PCA)...........................................................4
5.2 Análisis Discriminante de Fisher (FDA)..................................................................4
5.3 Análisis de pares FDA..............................................................................................4
5.4 Análisis Discriminante. ............................................................................................4
5.5 Análisis Discriminante Generalizado (GDA)...........................................................5
DISCUSIÓN...........................................................................................................................6
CONCLUSIONES..................................................................................................................8
REFERENCIAS BIBLIOGRAFIAS......................................................................................9

1
INTRODUCCIÓN
El desarrollo actual de la instrumentación digital, las redes industriales y los
sistemas de control SCADA y control distribuido, permiten almacenar un gran volumen
de data de los procesos industriales. Esta data puede ser aprovechada para desarrollar
sistemas de detección y diagnostico de fallas, pudiéndose a partir de esta información
generarse patrones que permitan identificar condiciones de falla.
Venkatasubramanian(2003), presenta una clasificación de los métodos de
diagnósticos de fallas que han sido utilizados hasta la actualidad, encontrándose una gran
cantidad de métodos basados en modelos cuantitativos y cualitativos y una tendencia
actual de métodos basados en data histórica, estos últimos tienen una ventaja importante
con respecto a los anteriores debido a que no requieren desarrollar un modelo matemático
preciso del proceso, ni conjuntos de reglas de decisión, que en muchos proceso complejos
es una tarea titánica.
En los métodos basados en data histórica la detección y diagnóstico de falla se
realiza mediante el procesamiento de un gran volumen de data. Hay varias maneras que la
data puede ser trasformada y presentada como un conocimiento a priori para el sistema de
diagnóstico, una es conocida como Extracción de Características (FeatureExtraction), el
proceso de extracción de características puede ser tanto cualitativo como cuantitativo. Para
el caso de la extracción cualitativa es común el uso de los sistemas expertos, lógica difusa,
etc. y en el caso de la extracción cuantitativa tenemos las redes neuronales y las técnicas
estadísticas. En este trabajo nos enfocaremos en las técnicas estadísticas multivariables
para la realización de la detección, la identificación y el diagnóstico de fallas.

2
MARCO TEÓRICO
1. Falla
Una falla es un evento indeseable, cuantificable o no en la operación de un
equipo.Mucho se ha discutido que una falla tiene que ver con la parada del equipo, pues no.
Un equipo puede estar en falla y aunque está cumpliendo con su cometido está generando
consecuencias cuantificables o no.
Podemos poner el siguiente ejemplo: Imaginemos un vehículo que se está
trasladando de un sitio a otro, el motor comienza a tener problemas con un pistón; el chofer
decide continuar hasta el sitio de destino, lo logra, pero tardó mas en llegar, gasto mas
combustible y posiblemente agravó el problema del motor y ante el estado en que quedó, se
requiere una reparación mayor que por demás es costosa.
Claro, esto amerita una clasificación de la falla, que según los expertos en
mantenimiento definen algunas según su velocidad de aparición, impacto, manera de
manifestarse en: catalépticas, progresivas, críticas, súbitas, parciales, totales, externas, etc.
Pero de todas estas características lo mas importante en su impacto negativo sobre las
personas, equipos, ambiente y producción.[1]
2. Tipos de Fallas
Fallas Totales: causan incapacidad total del tiempo.
Fallas Parciales: causan degradación del servicio, pero no incapacidad total del
equipo
Fallas súbitas: ocurren imprevistamente.
Fallas progresivas: El equipo presenta síntomas y la falla se presenta
gradualmente.
Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales.
Fallas por deriva: Son progresivas y parciales.[4]
3. Tipos de detección de fallos
Los diversos métodos y técnicas utilizados para detectar las situaciones de mal
funcionamiento pueden clasificarse de acuerdo con la naturaleza del conocimiento
disponible sobre el proceso en:
Detección basada en métodos analíticos: Utiliza solamente herramientas
matemáticas o analíticas (modelos matemáticos precisos, procesado de señales) para
realizar sus funciones.
Detección basada en conocimiento: Incluye herramientas de la Inteligencia
Artificial. Por ejemplo, representación simbólica de señales, o modelos cualitativos
incluyendo imprecisión o incertidumbre.

3
A su vez, dependiendo de la organización del conocimiento distinguimos entre:
Detección basada en modelos: Los fallos son detectados a partir de la comparación
del funcionamiento del sistema supervisado con el de un modelo del mismo, que
representa el funcionamiento normal.
Detección basada en señales o síntomas: En este caso los fallos se detectan
directamente a partir de las señales procedentes del proceso, después de un
procesado de las mismas.
4. Sistemas SCADA y Detección de fallos
El papel de los sistemas SCADA en la detección de fallos puede ir desde el simple
disparo de alarmas hasta la utilización de técnicas más sofisticadas ya integradas o
susceptibles de ser integradas. En este segundo caso existen en el mercado numerosos
paquetes que incorporan tanto facilidades de control estadístico (SPC, StatisticalProcess
Control) como tecnología de sistemas abiertos (DDE, OLE, COM/DCOM, ActiveX y
OPC) que permite una fácil integración con otras aplicaciones.
5.Métodos estadísticos de detección: SPC/SQC
La utilización de técnicas estadísticas para detectar variaciones de calidad o de
producción data de principios del siglo XX. La evolución de estos trabajos iniciales ha
evolucionado hacia el llamado Control Estadístico de Procesos y de calidad (SPC,
StatisticalProcess Control y SQC, StatisticalQualityControl). Diferentes herramientas han
aparecido con el propósito de ayudar en estas tareas como: gráficos de Control (Control
Charts), métodos de comparación de trazas (ComparisonPlot), técnicas de dispersión
(ScatterPlot) o los histogramas.
Uno de los principales propósitos del SPC es el seguimiento de las variables de
proceso con el objetivo de diferenciar aquellas variaciones aleatorias, y por tanto
incontrolables, de las variaciones controlables, debidas a cambios en el proceso
(maquinaria, personal, métodos, entorno, sistema de medida) o en el producto y que por
tanto deberán ser corregidas. Se trata de un método de detección de fallos basado en la
combinación de técnicas estadísticas y probabilísticas para establecer un modelo de
comportamiento normal del proceso caracterizado por las medidas disponibles.
La base del control estadístico reside en la utilización de medidas pasadas para
determinar los límites de variaciones futuras de nuestro proceso en ausencia de anomalías.
De esta forma, cuando las variaciones de las futuras medidas caigan dentro de los límites
previstos se dice que el proceso está controlado (o estadísticamente controlado), mientras
que cuando las variaciones observadas salgan de los límites establecidos será síntoma de
anomalía en el funcionamiento del proceso.

4
La metodología a emplear consiste en caracterizar las variaciones presentes en
medidas en régimen permanente a partir de dos parámetros básicos: su Localización
(media, mediana) y su variación (desviación típica, rango). La aleatoriedad de dichas
variaciones se asocia a funciones de distribución de probabilidad. En este sentido es
habitual la caracterización de variaciones en medidas de variables continuas en régimen
estacionario (temperaturas presiones, etc.) mediante una función de distribución normal
mientras que las medidas sobre atributos (número de fallos en una pieza, piezas buenas
sobre una muestra, etc.) se caracterizan a partir de funciones binomiales o de Poisson.[2]
5.1 Análisis de Componentes Principales (PCA).
PCA es una técnica lineal de reducción de dimensionalidad, óptima en términos de
capturar la variabilidad de la data y aplicada para realizar la etapa de Extracción de
Características. PCA determina un conjunto de vectores ortogonales, que son
combinaciones lineales de las variables originales, estos son ordenados por la cantidad de
varianza explicada en las direcciones de dichos componentes. Una completa descripción
teórica de PCA puede ser obtenida de (Chiang et al., 2001).
5.2 Análisis Discriminante de Fisher (FDA).
FDA es una técnica lineal ampliamente usada para la clasificación de patrones,
permite reducir la dimensionalidad de la data, es óptima en el término de maximizar la
separación entre las clases y aplicada para realizar la Extracción de Características. Esta
técnica determina un conjunto de vectores FDA a partir de transformaciones lineales, con el
fin de maximizar la dispersión entre las clases mientras se minimiza la dispersión de cada
clase. Con los vectores FDA determinados, las observaciones son luego clasificadas en el
espacio reducido usando Análisis Discriminante, el mismo será analizado más adelante.
Una descripción matemática del FDA se puede obtener de (Chiang et al., 2001).
5.3 Análisis de pares FDA.
En este método propuesto por He, Peter. et al.,(2004) las fallas son identificadas
aplicando el análisis de pares FDA a la data en condiciones normales, que denotaremos
como X0 y la data en presencia de cada clase de falla, que denotaremos como Xi.[3]
5.4 Análisis Discriminante.
El análisis discriminante es una técnica estadística multivariante cuya finalidad es
describir (si existen) las diferencias entre g grupos de objetos sobre los que se observan
p variables (variables discriminantes). Más concretamente, se comparan y describen las
medias de las p variables clasificadoras a través de los g grupos.[5]

5
El diagnostico de las fallas es realizado a partir del análisis discriminante, donde la
clasificación de las fallas se efectúa asignando una observación a la clase o falla i si esta
presenta el máximo valor de la función discriminante:
gi (x) >gj(x)
Donde gi(x) es la función discriminante para la clase j dado un vector de data m x∈R.
5.5 Análisis Discriminante Generalizado (GDA).
Para el caso en que la data requiere de un clasificador nolineal, el clásico FDA ha
sido generalizado a su versión kernel y llamado GDA. De manera similar que lo hace FDA,
GDA determina un conjunto óptimo de vectores discriminantes tal que se maximice la
matriz de dispersión entre las clases mientras se minimiza la matriz de dispersión de cada
clase.[3]

6
DISCUSIÓN
La fallas son el termino usado para referirse a los sucesos que no son deseados, o
que no estaban programados en función de una actividad, estos pueden ser de maquinaria,
equipos, o falta de coordinación y mantenimiento. La mayoría de las veces, por no decir
que siempre que se encuentra una falla por primera vez en un proceso determinado es
difícil saber cual es la razón por la cual el sistema no opera de la manera esperada y
generalmente para solucionar esto significa detener la producción, ya que si se continua en
operatividad con esta falla se corre el riesgo de que desencadene una secuencia de fallas a
mayor escalas y que sea mas difícil encontrarle solución.
Por ejemplo si nos encontramos con un ruido inadecuado en una de las maquinarias
de producción es imprescindible notificar esto a un supervisor por varias razones, primero,
un simple ruido anómalo no debe pasarse por alto, puesto que no forma parte de la
funcionalidad rutinaria de la maquina y de no atenderse a tiempo podría llevar a la falla
total de la maquina que implicaría reemplazar por completo la maquina para que siga la
producción y esto acarreara muchos gastos que no estaban predispuestos para este
propósito. Segundo, de pasarse por alto esta anomalía no solamente podría perjudicar la
producción sino que podría atentar contra las vidas de otros empleados dependiendo del
tipo de producción que se realice y los componentes con los que se trabajen en esa área
podrían ser de alto riesgo.
La detección de las fallas es un tema muy importante dentro de lo que son los
distintos procesos en una industria, ya que todo esta relacionado se necesita de una
completa coordinación entre cada uno de los elementos y esto no puede ser así si se detiene
uno de los procesos por una falla, es imprescindible que para esto existan mantenimientos y
rutinas de supervisión que permitan el continuo control y monitoreo de las instalaciones y
de cada uno de sus procesos así como de sus maquinarias.
Una manera muy particular de detectar fallas se obtiene a través de la experiencia la
cual es un indicador nato que se basa en la percepción de los sucesos y la costumbre al
trabajar día a día con la misma producción, un ejemplo claro seria el de un taller mecánico,
el encargado de reparar los autos generalmente solo necesita escuchar cual es el ruido que
produce el auto para dar en el blanco con el problema, este tipo de conocimientos se
adquiere solo con la experiencia.
Pero ciertamente cuando se trata de otros tipos de procesos que son industriales no
todo se puede detectar con la experiencia, ya hablamos de procesos masivos, y no es que la
experiencia no sirva en estos casos, al contrario sigue aportando gran cantidad de
información, pero se necesitan técnicas estadísticas que agilicen la manera en la que se

7
estudian los diferentes casos en los que se podría encontrar la falla inicial, estas técnicas
cuentan con bases matemáticas bien estructuradas y puestas aprueba con modelos que
demuestran su funcionalidad, aunque ciertamente son trabajos muy rigurosos ayudan a
detectar de manera mas exacta donde esta la posible falla en un sistema, incluso sin
necesidad de que esta falla se encuentre visible.
Los sistemas SCADA ciertamente tiene módulos de detección de fallas pero que
generalmente disparan alarmas cuando ciertas variables se salen de los estándares
predeterminados mas no indican la razón principal de porque ocurre este fallo en el sistema,
es para esto que existen estos modelos de detección mas sofisticados, que no dejan por
fuera ninguna variable relacionada con el proceso para su estudio entre los posibles
componentes que iniciaron el fallo.

8
CONCLUSIONES
Las aplicaciones de la estadística dentro de la detección de fallas es completamente
aceptable, permite la eficiencia en cuanto a la veracidad de la información y cálculos muy
acertados a la realidad de la problemática, indiferentemente del numero de variables que se
manejen siempre se puede acoplar a los distintos métodos de cálculos. Se demostró la
aplicabilidad del Análisis Discriminante Generalizado (GDA) para mejorar el diagnostico
de las fallas en aquellos casos donde las técnicas de clasificación lineales tales como el
FDA no presentan buenos resultados.
Para el diagnostico de fallas el uso del Análisis Discriminante de Fisher (FDA) se
presenta como una técnica lineal muy efectiva en la clasificación de fallas (Chiang et al.,
2001), ella permite también reducir el número de variables que son obtenidas de la
instrumentación del proceso en un grupo menor que son realmente las que poseen
información importante de las fallas ocurridas, hecho que es muy común en los procesos
industriales donde generalmente se miden y almacenan decenas de variables del proceso.

9
REFERENCIAS BIBLIOGRAFIAS
[1]-BrauClemanza. (Sep 12, 2011). Las fallas de los equipos y sus consecuencias.
http://www.sistemademantenimiento.com/2011/09/las-fallas-de-los-equipos-y-sus.html
(Mar 29, 2014)
[2]-Joan Colomer, Joaquim Meléndez, Jordi Ayza. Sistemas de Supervisión.
http://www.ceautomatica.es/sites/default/files/upload/10/files/sistemas%20de%20supervisi
on.pdf (Mar 29, 2014)
[3]-José L. Gouveia, Delfina Padilla, Oscar Camacho. DETECCION Y DIAGNOSTICO
DE FALLAS UTILIZANDO TECNICAS ESTADISTICAS MULTIVARIABLES A
PARTIR DE DATA HISTORICA. http://gibup.files.wordpress.com/2009/11/gda.pdf (Mar
29, 2014)
[4] C2CGOMEZ. Marzo 2012. Mantenimiento Industrial.
http://www.buenastareas.com/ensayos/Mantenimiento-Industrial/3764045.html (Mar 29,
2014)
[5]Analisis Discriminante. Mar 23, 2013.
http://es.wikipedia.org/wiki/An%C3%A1lisis_discriminante (Mar 29, 2014)

Unidad 4 tema 7 - equipo dcs - deteccion de fallas

Más contenido relacionado

La actualidad más candente (15)

Destacado (9)

Similar a Unidad 4 tema 7 - equipo dcs - deteccion de fallas (20)

Más de acpicegudomonagas (20)

Último (20)

Unidad 4 tema 7 - equipo dcs - deteccion de fallas