Detección de fallos dinámica y descentralizada basada en métodos de regresión

Abstract

ResumenEste artículo propone un método de detección de fallos dinámico y descentralizado. Para hacer la detección de los fallos descentralizada, la planta se divide en bloques de variables que compartan algún tipo de correlación usando métodos de regresión. En cada grupo se incorpora un método de detección de fallos dinámico, en concreto el método DPCA: Análisis de componentes principales dinámico, cuyos resultados son fusionados por un procesador central, utilizando el Criterio de Inferencia Bayesiano (BIC), devolviendo un resultado global. Esta propuesta ha sido aplicada sobre un modelo de planta industrial ampliamente utilizado y comparado con el DPCA centralizado para verificar su efectividad.Palabras clave: Detección de fallos, Análisis de componentes principales dinámico (DPCA), Descentralización, LASSO, Random Forest. INTRODUCCIÓNEl objetivo del control de procesos incluye hacer que el sistema funcione en las condiciones deseadas, de forma estable y segura, y detectar fallos, esto es, cualquier desviación del comportamiento esperado. Estas desviaciones deben ser detectadas rápidamente, ya que cualquier malfuncionamiento de la instalación puede implicar graves pérdidas de rendimiento, de calidad del producto, paradas no programadas, etc. Además, la aparición de fallos puede llevar a que la planta trabaje en condiciones peligrosas para los empleados, otras instalaciones, etc., por lo que es vital que esta tarea se haga de manera efectiva.Los métodos de monitorización de procesos basados en datos como el Análisis de Componentes Principales (PCA) [1], Mínimos Cuadrados Parciales (PLS) [2], o el Análisis de Variación Canónica (CVA) [3,4] han sido ampliamente utilizados en losúltimos tiempos; esto se debe a que son capaces de extraer informaciónútil sobre el proceso a partir de datos medidos en la planta y detectar fallos; sin necesidad de poseer ningún conocimiento de la planta aparte de los datos. Por otro lado, muchos de los métodos estadísticos multivariantes, como el PCA, asumen que no existe correlación temporal en los datos, es decir, que el estado actual de la planta no está influido por los estados pasados. Esta situación no se da prácticamente nunca en las plantas industriales, por lo que, para tener en cuenta esta correlación de tiempo y capturar la dinámica del proceso, se han propuesto diversos métodos como el PCA dinámico (DPCA) [5], que aplica el método PCA sobre una matriz de datos aumentada que incluye datos retardados, también [6,7] han trabajado con CVA, que es un método que incluye datos pasados y futuros para modelar el proceso.El incremento de la automatización lleva aparejado una ingente cantidad de datos recogidos, por tanto, la capacidad computacional necesaria para procesar los datos se ha incrementado considerablemente. Esto hace que la detección de fallos consuma gran cantidad de tiempo y recursos. En plantas pequeñas es asumible usar un procesador central que recopile todos los datos y realice la detección de fallos. En el caso de plantas grandes y complejas no siempre este procesado...

Métodos de detección y diagnóstico de fallos mediante aproximaciones distribuidas: modelos, métodos y computación

“…Propuesta de los métodos: MB-DDPCA y MB-DCVA. [Sánchez-Fernández et al, 2018b, Sánchez-Fernández et al, 2018c, Sánchez-Fernández et al, 2019. En esta se-CAPÍTULO 7.…”

“…Desarrollo de métodos para realizar la división de la planta en bloques. [Sánchez-Fernández et al, 2018b, Sánchez-Fernández et al, 2018c, Sánchez-Fernández et al, 2019. Esta contribución aborda la forma de hacer la división de la planta.…”