See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/320769016

Supervisory System for Fault Detection and Diagnosis in Drinking Water

Treatment Plants Using Fuzzy Engine

Article  in  IEEE Latin America Transactions · November 2017

DOI: 10.1109/TLA.2017.8070410

CITATION READS

1 12

5 authors, including:

Carlos Rafael Pinedo José ISIDRO GARCIA Melo

Universidad del Valle (Colombia) Universidad del Valle (Colombia)
34 PUBLICATIONS   68 CITATIONS    30 PUBLICATIONS   73 CITATIONS   

SEE PROFILE SEE PROFILE

Some of the authors of this publication are also working on these related projects:

cesar valladares View project

Alternative energies and automation of plants for water purification View project

All content following this page was uploaded by Carlos Rafael Pinedo on 19 May 2018.

The user has requested enhancement of the downloaded file.

 Supervisory System For Fault Detection And
Diagnosis In Drinking Water Treatment Plants
Using Fuzzy Engine
G. Rojas, E. Quiroga, J. Caratar, C. Pinedo and J. García
1Abstract— In Drinking Water treatment plants (DWTPs) is
critical make an early fault detection and diagnosis for warranty a
qualified service, this is helpfully for a good take decisions process
on day by day operations This paper presents the development of a
rule based supervisory system, that uses fuzzy logic for predict fails
in turbidity sensor on water intake stage zone, those rules were built
for expert’s information and historical reviews. In this sense, this
paper introduces a practical example on a turbidity sensor located
on Puerto Mallarino DWTP’s water intake stage from Public
Service Company of Cali (EMCALI EICE ESP), Colombia
Keywords— Drinking Water Treatment Plants, Productive
Systems, Fault or Anomalies Detection and Diagnosis, Supervisory
System, Fuzzy Logic, Failure in Sensors.
I. INTRODUCCIÓN
L OS SISTEMAS productivos (SP) son un pilar de la
economía mundial en una variedad de escalas, e.j.
producción de bienes o servicios [1]. Las Plantas de
Tratamiento de Agua Potable (PTAPs) son SPs que tratan el
agua para garantizar unas condiciones aptas para el consumo
humano [2]. De este modo, se garantiza un suministro de agua
potable a la población bajo condiciones adecuadas de
salubridad y que garantizan la calidad del servicio.
Las etapas del proceso de potabilización varían en función de
las características y proveniencia del agua (fuente de
captación), siendo reconocidas algunas primordiales, como la
eliminación de microorganismos y partículas de suciedad que
se encuentran en el líquido, para lo cual, se recurre a
tratamientos físicos y químicos [3]. En este sentido, la
definición del proceso de producción de una PTAP debe de
garantizar la continuidad en el suministro, cumplimiento de
estándares de calidad, cantidad y accesibilidad, entre otros [4].
De acuerdo a lo anterior, es relevante disminuir las etapas de
parada, garantizar el normal funcionamiento de equipos, flujo
de información e insumos, además de implementar una correcta
toma de decisiones ante fallas que eviten condiciones de riesgo
a la población abastecida.
El concepto de falla hace referencia a una desviación no
permitida de al menos una propiedad característica o parámetro
del sistema de una condición aceptable, habitual o estándar
G. Rojas, Universidad del Valle, Cali, Valle del Cauca, Colombia,
gustavo.rojas@correounivalle.edu.co.
E. Quiroga, Universidad del Valle, Cali, Valle del Cauca, Colombia,
edgar.quiroga@correounivalle.edu.co.
J. Caratar, Universidad del Valle, Cali, Valle del Cauca, Colombia,
jesus.caratar@correounivalle.edu.co.
[5][6]. [7] En [8] se han establecido tres tipos diferentes de
fallas de acuerdo al lugar que afectan dentro del proceso
productivo: Fallas en los sensores, Fallas en los actuadores y
Fallas en los elementos de proceso [9][10]. Este artículo se
centra en la detección de fallas en los sensores, debido a las
consecuencias que puede tener la información errada en la toma
de decisiones
Técnicas y metodologías avanzadas en el proceso de
identificación de anomalías pertenecientes al área de
conocimiento de la Inteligencia Artificial (IA) como los
sistemas expertos y la lógica difusa[11][12]; permiten
supervisar sistemas complejos procesando información
cuantitativa y cualitativa.
En este sentido, el presente documento dirige su atención a
la detección y prevención de estados de falla de manera
temprana y oportuna, utilizando lógica difusa en sistemas
expertos basados en reglas. Se realizó un ejemplo de aplicación
con el objetivo de detectar y diagnosticar anomalías presentes
en un sensor que mide las propiedades del río en la PTAP de
Puerto Mallarino de las Empresas Públicas Municipales,
EMCALI EICE ESP de la Cali, Colombia, que abastece el 80%
del agua Potable de la ciudad [13], con 2.344.734 de habitantes
[14].
II. SISTEMA SUPERVISOR PARA DETECCIÓN Y
DIAGNOSTICO
Los sistemas expertos como emulan el razonamiento de un
experto humano en un determinado campo [15][16], en este
trabajo se realizó un sistema experto basados en reglas
heurísticas para instanciar de forma virtual el conocimiento de
operadores de una a PTAP. Para esto, fue utilizado un formato
condicionado del tipo IF-THEN, [17][18], con una orientación
de lógica difusa, [19][20]. Trabajando con información
lingüística de los operadores, [21][22]. De esta forma, se
consideró un sistema experto difuso como mecanismo de
detección y diagnóstico de fallas basándose en la captura de
información del proceso y sintomatología de los recursos
utilizados [8][23]. Este abordaje amplia el panorama en materia
C. Pinedo, Universidad del Valle, Cali, Valle del Cauca, Colombia,
carlos.pinedo@correounivalle.edu.co
J. García, Universidad del Valle, Cali, Valle del Cauca, Colombia,
jose.i.garcia@correounivalle.edu.co.
de detección de fallas de las PTAP, considerando que no solo
se presenta una alarma instantánea de cómo opera un TABLA I
CUADRO DE SÍNTOMAS DE LAS VARIABLES DEL PROCESO
determinado recurso, e.j. dispositivo de medida, sino que
también es dirigido a asegurar la calidad de información que velocidad de velocidad
variable variable
entrega este dispositivo, evitando una inadecuada toma de tiempo
1
cambio
n
de cambio
decisiones en el proceso de tratamiento de la PTAP. variable 1 variable n
síntoma síntoma
t1 síntoma 1,2 síntoma 1,n
A. Arquitectura del sistema supervisor 1,1 1,n
síntoma síntoma
La Figura 1muestra la estructura del sistema supervisor que t2 síntoma 2,2 síntoma 2,n
2,1 2,n
integra dos etapas: 1. detección y 2. Diagnóstico. ..
.
..
.
..
.
..
.
..
.
síntoma síntoma síntoma
tm síntoma m,2
m,1 m,n m,n

C. Etapa de diagnóstico
En esta etapa es procesada información mediante inferencia
difusa. Donde, este abordaje hace posible la pertenencia parcial
de un elemento a un conjunto difuso[24][25]. En la TABLA II
se muestra la estructura de la relación entre fallas y síntomas.

TABLA II
RELACIONES DE SÍNTOMAS Y FALLAS

No falla Nombre Descripción

nombre falla presencia de: síntoma
Figura 1.Arquitectura propuesta para sistema supervisor. falla 1
1 1, síntoma 2, síntoma m
nombre falla Presencia de: síntoma
B. Etapa de detección falla 2
2 1, síntoma 2, síntoma i
. . .
El sistema supervisor captura los datos del proceso y los . . .
. . .
comparan con el límite superior de control (LSC), y el límite
nombre falla presencia de: síntoma
inferior de control (LIC). En una condición de operación falla n
n 1, síntoma 2, síntoma k
especificada de la PTAP, una falla es registrada cuando alguna
variable esta por fuera del rango de permisibilidad. Para esto, Se establece un conjunto de reglas semánticas del tipo IF
se hace necesario el análisis de la evolución de cada una de las THEN sobre los conjuntos difusos valor absoluto y rata de
variables cuantificadas en el tiempo para interpretar si un cambio de las variables. Un motor de inferencia difuso se
determinado dispositivo se encuentran enviando información encarga de determinar el tipo de la falla presente en un
confiable. La Figura 2muestra una ilustración del gráfico de dispositivo del sistema. La Figura 3 ilustra la configuración del
control. motor de inferencia.

Figura 2. Gráfico de control para etapa de detección.

Como resultado, la detección suministra información en

forma de un cuadro de síntomas denotando el tiempo, la
variable y la velocidad de cambio de esta variable, ver TABLA
I.
Figura 3.Motor de Inferencia Difuso para identificacion de fallas.
III. RESULTADOS
En esta sección se presentan los resultados de la detección y
diagnóstico de anomalías presentes en los dispositivos de
medición de las propiedades del río en la PTAP de Puerto
Mallarino de las Empresas Públicas Municipales, EMCALI
EICE ESP de la Cali, Colombia, considerando la disposición de
espacio se presenta en detalle el procedimiento utilizado en la El conjunto difuso de salida se puede apreciar en la Figura 5.
detección y diagnóstico del sensor de turbiedad del rio, cuya Como 5 subconjuntos que representan el estado del sensor,
información es la más relevante en la etapa de captación de agua OBSTRUIDO, DESCALIBRADO SUPERIOR, NORMAL,
del rio Cauca, de dicha planta. DESCALIBRADO INFERIOR Y FUERA DEL RIO.

Para la validación de las propuestas, se plantearon tres

escenarios que permite diferenciar el comportamiento según la
temporada climática. Se consideraron dos variables de interés:
la turbiedad del agua del rio y el oxígeno disuelto. Para la
simulación del sistema supervisor, se procesaron 200 datos
considerados como valores horarios de las variables de
operación turbiedad y oxígeno disuelto del rio, donde se pueden
observar datos considerados como anómalos por los expertos,
quienes identificaron estos como fallas.
Figura 5. Conjunto de salida estado del sensor.
La TABLA III se presenta una versión resumida del cuadro
de síntomas del sistema para un intervalo de seis eventos. Los conjuntos de entrada corresponden a:

TABLA III Conjunto variable turbiedad, ver Figura 6, con subconjuntos

CUADRO DE SÍNTOMAS DE LAS VARIABLES MEDIDAS EN de estado BAJO, NORMAL, ALTO Y MUY ALTO.
PROCESO

Velocidad
Velocidad
Variable Variable De
Tiempo De Cambio
Turbiedad Oxigeno Cambio
Turbiedad
Oxigeno
pendiente pendiente
61 normal bajo
normal normal
pendiente pendiente
62 normal bajo
normal normal
pendiente pendiente
83 normal bajo
normal normal
pendiente pendiente
86 normal bajo
normal normal
pendiente pendiente
87 bajo bajo
normal normal
pendiente pendiente Figura 6. Conjunto de entrada Turbiedad Rio.
88 bajo bajo
normal normal
Conjunto rata de cambio variable turbiedad, ver Figura 7, con
La TABLA IV muestra las fallas del sensor de turbiedad. subconjuntos de estado BAJO, NORMAL, ALTO.
TABLA IV
LISTADO DE FALLAS

No falla Nombre Descripción

Falla 1 Sensor fuera del rio lectura muy baja casi nula y
evidenciada por una caída
rápida de la tendencia
Falla 2 Sensor obstruido Valor muy alto con una
tendencia alta.

La Figura 4 expone el motor de inferencia desarrollado. No

se incluyó la velocidad de la variable oxígeno.
Figura 7. Conjunto de entrada valor de la tendencia Turbiedad.

Conjunto variable Oxígeno disuelto, ver Figura 8, con

subconjuntos de estado BAJO, NORMAL, ALTO.

Figura 4.Motor de Inferencia Difuso para identificacion de fallas.

Figura 8. Conjunto de entrada Oxígeno disuelto.

El motor de inferencia del sistema consta de 18 reglas.

Debido que el proceso de potabilización es muy sensible a la

turbiedad del rio y esta depende directamente de la temporada
de lluvias, se valida el sistema con escenarios diferentes donde
las precipitaciones van en aumento. Los indicadores de Figura 9. Datos de entrada del sistema escenario 1 “poca lluvia”.
capacidad de detección y diagnóstico son los siguientes:

: Número total de fallas en los datos

: Número total de fallas identificadas

: Número total fallas verdaderas no identificadas

: Número total de fallas no verdaderas identificadas

: Número total de fallas verdaderas identificadas.

A. Escensario1

La Figura 9 muestra el resultado del escenario con condición

climática de pocas lluvias, donde no hay fallas reales. La gráfica
Superior corresponde a turbiedad del agua del rio en horas,
mientras que la gráfica inferior corresponde a oxígeno disuelto
del agua del rio en horas. Figura 10. Datos de entrada del sistema escenario 2 “lluvias moderadas”.

Para este escenario los resultados fueron:

B. Escensario3
=0
=2 En la Figura 11 se observan datos del escenario tercero que
=0 corresponde a la transición de lluvias moderadas a fuertes.
=2
Para este escenario los parámetros arrojados por el sistema
A. Escensario2 supervisor presentan los siguientes valores:

La Figura 10 muestra el escenario 2 con una situación de = 11

transición entre una temporada de pocas lluvias y una de lluvias = 14
moderadas. Para este escenario los parámetros introducidos en =3
el sistema supervisor presentan los siguientes valores: =2
=9
=4
=6
=1
=2

De esta manera, las fallas reales identificadas son

=3
 En este escenario se muestran resultados más favorables de
modo que el porcentaje de aciertos es 81.8% y el porcentaje de
error en las fallas identificadas es de 27.2% para fallas no reales.

Por otro lado, para realizar una correcta toma de decisiones, el

personal se basa en la información que se puede obtener de las
variables medidas (a trasvés de los instrumentos
correspondientes) limitando la veracidad de la decisión a el
correcto funcionamiento de tales instrumentos, de allí la
importancia de la detección de fallas en equipos de medición en
una planta de potabilización de agua.

Figura 11. Datos de entrada del sistema para escenario 3 “lluvias elevadas”
C. DISCUSIÓN
Para el escenario 1, el sistema determina que las fallas reales
identificadas son =0
En el escenario 1, la herramienta identificó 2 posibles fallas
en los tiempos 15 y 177 asociados a los cambios bruscos de la
variable Oxígeno Disuelto. Por otro lado, es razonable que este
valor alerte al personal experto y considere revisar en sitio el
sensor tanto de Turbiedad como de Oxigeno según
procedimientos de rutina.
Para el escenario 2, la herramienta identifica 2 fallas de sensor
fuera del rio que no corresponden a lo establecido por los
expertos. Esto es debido a la posibilidad de obstrucción en los
instantes 116 y 148, mientras que para los instantes 117 y 149
muestra un indicador de posible advertencia por descalibración.
D. CONCLUSIONES
Se desarrolló una herramienta de soporte capaz de detectar la
ocurrencia de falla de un elemento constitutivo, por ejemplo,
sensores, en una PTAP. En este sentido, fueron diagnosticadas
las fallas en un sensor que mide las condicione del río
(turbiedad) en la etapa de captación de agua en la PTAP Puerto
Mallarino en la ciudad de Cali.
El impacto social de este proyecto, aplicado en la PTAP
Puerto Mallarino de EMCALI E.I.C.E. E.S.P en una ciudad
como Santiago de Cali, es de gran magnitud para la comunidad
que requiere garantías de calidad y disponibilidad de un
servicio público esencial; por ello es preciso recalcar que la
culminación exitosa de este proyecto permitirá garantizar
mayores los niveles de confiabilidad ante el servicio prestado,
disminuyendo los intervalos de tiempo de inactividad o
mantenimiento de equipos o procesos enteros que permiten
suministrar el fluido vital a la comunidad, correspondiente al
60% de la población de la ciudad
La herramienta puede determinar la presencia de las fallas
más comunes observadas por el personal experto como: sensor
fuera del río, sensor descalibrado y sensor obstruido.

Los indicadores de efectividad del proceso de detección y El modelo de motor de inferencia propuesto requirió de la
diagnóstico para el escenario 2 son: información teórica, de antecedentes históricos y de expertos
para formar una base de conocimiento que se estructuró como
3 un conjunto de condiciones como límites máximos y mínimos,
= = 75%
4 rango de aceptabilidad de la rata de cambio de las variables
1
= = 25% medidas y finalmente la creación de reglas tipo IF-THEN; en
4 total se crearon 18 reglas para el caso de estudio.
2
= = 50%
4 EL sistema supervisor propuesto permite la posibilidad de
monitorear desde diferentes niveles (gerencia, ingeniería y
Para el escenario 2 el porcentaje de acierto es de 75% para
operación) las condiciones de cada etapa del proceso, las
fallas reales identificadas y de 25% para fallas no reales que el
irregularidades y acciones tomadas.
sistema equivocadamente identificó.

Para el escenario 3, los indicadores de efectividad del proceso AGRADECIMIENTOS

de detección y diagnóstico son: Agradecimientos a la Universidad del Valle, a las Empresas
Públicas de la ciudad de Cali, EMCALI EICE ESP, por el
9 soporte en el desarrollo de este trabajo.
= = 81.8%
11
3 A los ingenieros Ricardo Morales y Felipe Mejía por su
= = 27.2%
11 valiosa ayuda.
2
= = 18.1%
11
 REFERENCIAS
[1] L. B. Paredes, “Sistemas de Producción y Economía de la
Producción,” Arch. Latinoam. Prod. Anim., vol. 15, no. 1, pp. 265–
277, 2007.
[2] Diseprosa, “Plantas de tratamiento de aguas,” Documento preparado
para la empresa Diseprosa, Madrid, España, 2012.
[3] Y. Cárdenas A., “Tratamiento de agua coagulación y floculación,”
Documento preparado para SEDAPAL, Evaluación de Platas y
Desarrollo Tecnológico. Lima, Perú, 2000.
[4] Organización Mundial De la salud, Guías para la calidad del agua
potable Vol 1, 3rd ed., vol. 1. Organización mundial De la salud,
Geneve, Suiza: Organización mundial De la salud, 2006.
[21] M. Duque, E. Giraldo, A. Gauthier, and A. Martínez, “El uso de la
logica difusa para la potabilización del agua,” Rev. Ing. Univ. delos
Andes, vol. 1, no. 12, pp. 31–35, 2000.
[22] H. T. Nguyen and E. A. Walker, A firts course in Fuzzy Logic, 3rd
ed. United States: Chapman & Hall/CRC, 2006.
[23] R. Isermann, “Integration of Fault Detection and Diagnosis
Methods,” Issues of Fault Diagnosis for Dynamic Systems, London,
England, pp. 15–49, 2000.
[24] R. E. Bellman and L. A. Zadeh, “Decision Making Fuzzy
Environment,” Manage. Sci., vol. 17, no. 4, pp. 141–164, 1970.
[25] L. A. Zadeh, “Cormonsense Knowledge Representation Based on
Fuzzy Logic,” IEEE Comput., pp. 61–65, 1983.

[5] International Federation of Automatic Control (IFAC),

“Terminology in the area of Fault Management,” published in R. Gustavo A. Rojas, Ingeniero Mecánico egresado de la
Isermann and P. Ballé, 2014. [Online]. Available: http://tc.ifac- Universidad del Valle en 2013, Cali, Colombia. Finalizó
control.org/6/4/terminology/terminology-in-the-area-of-fault- estudios de Msc en el área de Automática en 2016.
management.
[6] R. Isermann and P. Ballé, “Trends in the Application of Model-Based
Fault Detection and Diagnosis of Technical Processes,” Control Eng.
Pract., vol. 5, no. 5, pp. 709–719, 1997. Edgar L. Quiroga, magister en Envionmental Health, Water
[7] V. Venkatasubramanian, “Abnormal events management in complex Quality Surveillance and Control en 1995, de la Universidad
process plants : challenges and opportunities in intelligent de Surrey, Reino Unido. Ingeniero Sanitario en 1984 de la
supervisory control,” Fault Diagnosis, Abnorm. Events Manag. Universidad del Valle, Cali Colombia.
Process Hazards Anal., pp. 117–132, 2003.
[8] B. M. González C., “Diagnóstico de fallas en un motor de corriente
directa utilizando el método del bond-graph,” Thesis de grado de Jesús F. Caratar, Ingeniero Mecánico egresado de la
Maestro en Ciencias en ingeniería electronica, Centro Nacional de Universidad del Valle en 2012, Cali, Colombia. finalizó
Investigacion y Desarrollo Tecnologico, Cuernavaca, Mexico, 2002. estudios de Msc en el área de ingeniería mecánica en 2015.
[9] R. J. Patton, “Fault-tolerant control systems : the 1997 situation,” The
University of Hull, United Kingdom, pp. 1033–1054, 1997.
[10] M. Blanke, R. Izadi-Zamanabadi, S. Bogh, and C. Lunau, “Fault-
tolerant control systems- A Holistic View,” Control Eng. Pract., vol. Carlos .R. Pinedo, magister en Automática de la Universidad
5, no. 5, pp. 693–702, 1997. del Valle en 1998. Ingeniero Electricista de la Universidad del
[11] J. Ramirez valenzuela, “Diagnóstico de fallos en sistemas industriales Valle en 1983, Cali, Colombia.
basado en razonamiento borroso y posibilístico,” Tesis Doctoral,
Ingeniería de Sistemas y Automática, Universidad Politecnica de
Valencia, 2007.
[12] W. A. Kwong, K. M. Passino, E. G. Laukonen, and S. Yurkovich, José. I. García Melo, doctor en Ingeniería Mecánica de la
“Expert Supervision of Fuzzy Learning Systems for Fault Tolerant Universidad de Sao Paulo Brasil en 2011. M.Sc. en 2001 de la
Aircraft Control,” IEEE, vol. 83, no. 3, pp. 466–483, 1995. Universidad del Valle en el área de Automática. Obtuvo B.Sc.
en Ingeniería Mecánica de la Corporación Universitaria
[13] EMCALI_E.I.C.E_E.S.P., “Manual de operación de la planta de
Autónoma de Occidente en 1994.
potabilización de agua Puerto Mallarino,” Documento preparado para
EMCALI, Cali, Colombia, 2011.
[14] Departamento Administrativo Nacional de Estadística DANE,
“Estimación y proyección de población nacional, departamental y
municipal total por área 1985-2020,” Documento preparado para
Departamento Administrativo Nacional de Estadística(DANE),
Bogota, Colombia, 2005.
[15] E. Castillo, M. Gutierrez, and A. S. Hadi, Sistemas Expertos y
Modelos de Redes Probabilísticas, Universida. España: Springer,
1998.
[16] L. Stevens, Artificial Intelligence. The Search for the Perfect
Machine., Hasbrouck . 1984.
[17] R. M. Ramos, “Ejemplos de aplicación de inteligencia artificial,”
Cuadernos de prehistoria y arqueología, no. 16. Universidad
Autónoma de Madrid, pp. 73–80, 1989.
[18] B. M. Del Brío and A. S. Molina, Redes neuronales y Sistemas
difusos, 2nd ed. Madrid, España, 2002.
[19] S. M. Hurtado and O. O. Manco, “Diseño de un sistema experto-
difuso evaluación de riesgo crediticio en firmas comisionistas de
bolsa para otorgamiento de recursos financieros,” Estud.
Gerenciales, vol. 23, no. 104, pp. 101–129, Jul. 2007.
[20] P. Ponce Cruz, Inteligencia artificial con aplicaciones a la
ingeniería, 1 edición. México: Alfaomega Grupo Editor, 2010.

View publication stats