Documente Academic
Documente Profesional
Documente Cultură
Proyecto de Ingeniería
Autores:
Luis Silva Legajo S-2546/1 Escuela de Ingeniería Electrónica
Diego Delarmelina Legajo D-1666/7 Escuela de Ingeniería Mecánica
Directores:
Ing. Sergio Junco Escuela de Ingeniería Electrónica
Dr. Norberto Nigro Escuela de Ingeniería Mecánica
Director Externo:
Dr. Hassan Noura Laboratorio de investigación LSIS
Universidad d’Aix-Marseille III, Marsella - Francia
Octubre 2005
Índice: Página:
CAPITULO 1.
INTRODUCCIÓN 4
CAPITULO 2.
MÉTODOS DE DIAGNÓSTICO DE FALLAS 7
2.1 - Introducción al diagnóstico de fallas 8
2.2 - Método de las relaciones analíticas redundantes (ARR’s) 9
2.3 - Diagnóstico de fallas en sistemas modelados con bond graph 12
CAPITULO 3.
MODELO DINÁMICO DEL AUTOMÓVIL 14
3.1 - Dinámica vertical 15
3.1.1 - Modelo de un cuarto de vehículo 16
3.1.2 - Modelo de medio vehículo 17
3.1.3 - Modelo de 7 grados de libertad 18
3.2 - Dinámica longitudinal 20
3.3 - Dinámica lateral 23
3.4 - Vehículo completo, modelo de 14 grados de libertad 24
3.4.1 - Momentos sobre el centro de gravedad de la masa suspendida 26
3.4.2 - Ecuaciones del movimiento de un cuerpo rígido en el espacio 27
3.4.3 - Sistemas de referencia 28
CAPITULO 4.
DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA
SUSPENSIÓN 30
4.1 - Un cuarto de vehículo 31
4.1.1 - Generación del Bond Graph para diagnóstico 31
4.1.2 - Matriz de fallas 33
4.1.3 - Análisis de sensibilidad 34
4.1.4 - Modelo completo 35
Índice: Página:
CAPITULO 5.
ANÁLISIS Y SIMULACIONES 55
5.1 - Simulaciones sobre el modelo de un cuarto de vehículo
con el sistema de detección de fallas incluido 56
5.2 - Simulaciones sobre el modelo de medio vehículo
con el sistema de detección de fallas incluido 58
5.3 - Simulaciones sobre el modelo de 14 grados de libertad 60
5.3.1 - Modelo del vehículo 61
5.3.2 - Modelo de vehículo junto al sistema de detección de fallas 66
CAPITULO 6.
CONCLUSIONES 70
REFERENCIAS Y BIBLIOGRAFÍA 73
INTRODUCCIÓN
CAPÍTULO 1 - INTRODUCCION
Los sistemas físicos dinámicos están sujetos a cambios en los parámetros de sus
componentes, ya sea debido a desgaste o roturas. Estos cambios cuando alcanzan un
determinado valor hacen que se modifique considerablemente el comportamiento del sistema,
afectando el buen funcionamiento del mismo y llegando en el peor de los casos a provocar
situaciones riesgosas tanto para las personas como para el medio ambiente.
En la actualidad ciertas plantas alcanzaron una gran complejidad, haciendo necesario el
estudio de sistemas de diagnóstico de fallas, que tienen entre sus principales objetivos detectar
funcionamiento incorrecto de algún componente, disminuir pérdidas económicas por salidas
de servicio no programadas, y sobre todo reducir riesgos de accidentes de las personas que
trabajan en dichas plantas. Las técnicas de diagnóstico de fallas se pueden utilizar entonces
para mejorar la eficiencia, optimizar el mantenimiento, así como también asegurar la
disponibilidad y fiabilidad de la planta.
Cuando se habla de diagnóstico de fallas se refiere tanto a la detección como a la
localización de las fallas. Para desarrollar estos sistemas que permiten detectar y aislar fallas,
el modelado matemático sumado a las herramientas informáticas existentes hoy en día, son
sumamente importantes, ya que permiten realizar simulaciones por software de los sistemas
que representan la planta junto a su sistema de detección de fallas, las cuales son introducidas
en el modelo del sistema real, sin poner en riesgo a las personas ni generar situaciones
peligrosas. De esta manera es posible estudiar el comportamiento de los sistemas en
situaciones de funcionamiento diversas, reduciéndose los costos de diseño y teniendo además
un panorama mucho más amplio de las capacidades que va a tener el sistema de diagnóstico,
cuando este sea implementado en el equipo real.
En los sistemas dedicados a la transmisión de información es muy común la inclusión de
información adicional al mensaje que se desea transmitir. Esta información redundante tiene
como objetivo que el receptor pueda utilizarla para constatar si el “paquete de información”
recibido presenta algún tipo de anomalía y cuanta más información se adicione más precisión
se obtendrá acerca de esta anomalía (tipo, ubicación, etc.). Estas técnicas datan de varios años
y a lo largo del tiempo se han ido mejorando e innovando. Surge el interrogante acerca de la
aplicación de esta idea (la de utilizar información redundante para detectar errores en sistemas
de comunicaciones) a sistemas físicos cuyos componentes pueden presentar fallas. Es decir:
¿puedo obtener información redundante de un sistema físico y aplicar la misma para detectar
errores? En los últimos años se han realizado y publicado varios estudios donde se desarrollan
distintos métodos para diseñar sistemas de detección y aislamiento de fallas en sistemas
CAPÍTULO 1 - INTRODUCCION
físicos. Gran parte de estos métodos se basan en representar al sistema a través de modelos
matemáticos que representan las leyes físicas que rigen su comportamiento y generar a partir
de los mismos (junto con ciertas señales sensadas de la planta real) justamente esta
información redundante necesaria para el control de errores. El hecho de generar esta
información redundante a partir de modelos matemáticos le da al método el nombre de
redundancia analítica.
En este trabajo se muestra en detalle el completo desarrollo de un sistema de diagnóstico
de fallas basado en el método de redundancia analítica. Aquí “la planta” es un automóvil y el
diagnóstico de fallas fue enfocado sobre la suspensión; esta es particularmente importante
debido a que el estado de sus componentes (resorte y amortiguador) determina las
prestaciones que tendrá el vehículo, ya sea en materia de confort, maniobrabilidad o
seguridad. La elección de modelar el vehículo utilizando Bond Graph (ANEXO 1) se debe a
que este formalismo permite representar el comportamiento dinámico de sistemas físicos en
forma intuitiva y sistemática. Además permite la incorporación de las no-linealidades
involucradas en el comportamiento del vehículo en forma simple. El modelado y el posterior
diseño del sistema de detección de fallas se realizarán en modelos de complejidad creciente.
El modelo de vehículo al que finalmente arribamos es de los más completos que se han
desarrollado en la bibliografía existente y pese a su complejidad fue posible incorporarle un
sistema de detección de fallas capaz de cumplir con todos los objetivos previamente
planteados.
Utilizando el software 20-sim [14] se simuló el comportamiento de la dinámica del
vehículo, y posteriormente se incorporó el sistema de detección de fallas diseñado el cual
pudo detectar y aislar fallas. Estas fallas fueron introducidas mediante cambios en los
parámetros de los componentes de la suspensión del automóvil modelado.
CAPÍTULO 2
MÉTODOS DE DIAGNÓSTICO
DE FALLAS
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS
Un resumen sobre un estudio reciente [13] que incluye la gran mayoría de los métodos
de diagnostico de fallas se presenta, a modo de tutorial, en el ANEXO 2. Este trabajo
corresponde a L. Felipe Blázquez, Luis J. de Miguel, pertenecientes al Dpto. de Ingeniería
eléctrica y electrónica de la universidad de León - España y en el mismo se citan más de
doscientas referencias sobre el tema publicadas en los últimos años.
del sistema. Por lo tanto, el conocimiento de las entradas aplicadas al mismo junto con las
condiciones iniciales, será suficiente para reproducir cualquier variable perteneciente al
sistema.
Si ahora colocamos ciertos sensores sobre el sistema real, podremos generar a partir de
ellos variables que provienen del sistema real pero que también pueden ser generadas a partir
del modelo. La diferencia entre estas dos variables se la denomina residuo y será
idénticamente nula siempre y cuando el sistema real siga respondiendo al modelo previamente
determinado y que se encuentra “corriendo en paralelo”. El termino redundancia surge de la
posibilidad de calcular estas variables por dos vías diferentes. Por otra parte, la cantidad
máxima de variables independientes que podremos generar a partir de N sensores serán
justamente N.
Cuando un componente se encuentra fallado, su comportamiento varía. Como los
residuos se calculan por un lado a partir de los sensores que “acusan” el comportamiento real
del sistema y por el otro a partir del modelo (que estima el comportamiento con las entradas y
el comportamiento de los componentes libres de fallas), al ocurrir una falla en un
componente, todos aquellos residuos donde interviene dicho componente dejarán de valer
cero.
Si un componente interviene en el cálculo de algún residuo, una falla en el mismo podrá
ser detectada ya que al menos un residuo dejará de ser nulo. Si además la combinación de
residuos donde interviene dicho componente es única (ningún otro componente interviene en
esos mismos residuos) la falla se dice que puede ser aislada porque analizando cuales son los
residuos que dejaron su valor nulo podremos determinar específicamente cual es el
componente que está fallando.
Esta posibilidad de detección y/o aislamiento de la falla en un componente se deja
explicitada en una tabla denominada matriz de fallas donde se coloca en la primera columna
todos los componentes con posibilidad de fallar y en la primera fila todos los residuos
generados a partir de los sensores. En la intersección de cada componente con cada falla se
coloca:
• Un número uno si el parámetro nominal del componente interviene en el cálculo del
parámetro
• Un número cero si el parámetro nominal del componente interviene en el cálculo del
parámetro
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS
Las leyes de la conservación de la materia aseguran que los siguientes residuos deben
permanecer en valor nulo siempre (representan la sumatoria de flujo en cada tanque):
dP1
ARR1 = C1 . + Cd1 . fNL1 ( P1 − P2)
dt
dP2
ARR2 = C2 . − Cd1 . fNL1 ( P1 − P 2) + Cd 2 . fNL2 ( P2)
dt
Ai
donde C i = ; es la capacidad del tanque i-ésimo.
ρ⋅g
Analizando los residuos podemos armar la matriz de fallas de sistema de detección de
fallas planteado. Siguiendo los pasos que más arriba hemos indicado. Esta matriz se muestra
en la tabla I.
CAPÍTULO 2 - MÉTODOS DE DIAGNÓSTICO DE FALLAS
Analizando la matriz de fallas vemos que las cuatro posibles fallas son detectables ya
que aparecen al menos en el cálculo de algún residual. Por ello todas presentan un uno en la
columna Mb. Esto significa que son monitoreables (o detectables).
También podemos observar que la combinación de residuos que produce una falla en T1
y en V1 es única y por ello poseen un uno en la columna Ib. Esto significa que esas fallas son
aislables (del inglés isolable). Como las fallas en T2 o V2 producen la misma combinación de
residuos es que no las podemos aislar y por ello, tienen un cero en Ib.
independiente de las condiciones iniciales que a veces son difíciles de obtener o directamente
imposible. De este modo para reproducir el comportamiento dinámico del sistema sólo
necesitaremos conocer las entradas, mientras que para generar las relaciones redundantes
debemos colocar sensores sobre el sistema real.
Un esquema general del diagnóstico de fallas utilizando un modelo en bond graph del
sistema se muestra en la figura 3.
Aquí figura un bloque que representa el sistema, el cual recibe las entradas y sobre el
mismo se colocan los sensores para extraer las señales. También se observa el DBG que
recibe las entradas del sistema junto con las señales de los sensores para generar como salida
los residuos. Existe un último bloque que procesa la información de los residuos para
determinar en primera instancia cuales son los que no valen cero. Esto se realiza con un
criterio predeterminado y aquí se debe prestar especial atención a la hora de una
implementación real ya que la causalidad derivativa puede amplificar considerablemente los
ruidos de medición y por lo tanto se deben aplicar técnicas de filtrado. Finalmente, si
existiese/n residuo/s fuera de su valor nulo el bloque debe informar de un funcionamiento
defectuoso en el sistema y de ser posible indicar cual es el componente involucrado.
Una vez implementado el sistema de detección de fallas, el bloque indicado en la figura
3 como “SISTEMA” será el sistema real y los sensores serán implementados realmente sobre
el mismo. Sin embargo a la hora del diseño y los ensayos para evaluar la performance del
sistema de diagnóstico, el mismo puede ser reemplazado por su modelo en bond graph.
Una implementación del método sobre un sistema real puede verse en detalle en el
ANEXO 3 donde el sistema es un circuito hidráulico ubicado en las instalaciones del
Laboratorio de investigación LSIS de la Universidad d’Aix-Marseille III, Marsella – Francia.
CAPÍTULO 3
-mg
Fz1
Fz3
Fz4
Fz2
Los transformadores (TF) que se ven aquí, son usados para calcular los momentos que
producen las fuerzas de la suspensión existentes en cada esquina del chasis (o masa
suspendida) del automóvil sobre su centro de gravedad. Esta fuerza vertical que genera la
suspensión, es el resultado de la “perturbación” que representa la velocidad vertical de la
calzada.
El análisis previo surge de ver la propagación de los esfuerzos desde las suspensiones
hacia las inercias. Pero si vemos como se propagan los flujos que fijan las inercias, estos
transformadores son los encargados de calcular, a partir de los giros en el centro de gravedad,
los desplazamientos verticales que se producen en las esquinas del cuerpo del automóvil que
son a su vez los extremos superiores de las suspensiones.
En los submodelos indicados como: susp1, susp2, susp3, susp4 se encuentran
modelizadas las suspensiones de cada rueda, como se muestra en la figura 5.
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL
-m1.g
Fx = Flong1. cos δ + Flong 2. cos δ + Flong 3 + Flong 4 − Flat1.senδ − Flat 2.senδ − Faer − Frod
4
≈ ∑ Flong i − Flat1.senδ − Flat 2.senδ − Faer − Frod
i =1
Siendo δ el ángulo de giro de las ruedas directrices respecto al eje longitudinal del vehículo
(ver figura 6).
Las Flong i de cada neumático se obtienen a partir del modelo de Bakker, Nyborg y
Pacejka [10]. Este modelo plantea que para la representación del comportamiento de los
neumáticos el mejor camino es encontrar funciones especiales que se ajusten a las curvas
obtenidas en los ensayos, con la particularidad de que los parámetros de esas funciones deben
corresponderse con valores característicos de los neumáticos.
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL
Entonces
Flong i = f NL ( Fz i ; slip i )
(ωWi .R − v x )
slip i =
ωWi .R
donde
La fuerza de resistencia por rodadura está relacionada con una pérdida de potencia que se
debe a pérdidas por histéresis en el interior de la estructura del neumático (principal causa de
la resistencia a la rodadura, 90-95%), rozamiento entre neumático y superficies de rodadura
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL
causado por deslizamientos locales, resistencias debidas al contacto con el aire interior y
exterior. Como dato podemos mencionar que la resistencia por rodadura puede consumir a
altas velocidades alrededor de un 15 % de la potencia disponible [10], pero esto depende de
varios factores como por ejemplo: diseño del neumático, espesor de banda de rodamiento,
presión de inflado del neumático, velocidad del vehículo, etc.
vx ω .R
ω W
W
En este sub-modelo aparece otro con el nombre de “pacejkalong” pero este es el encargado de
computar la función no-lineal
Flong i = f NL ( Fz i ; slip i )
(ωWi .R − v x )
slip i =
ωWi .R
También vemos por la derecha el ingreso de “torque” que es el que el motor provee a la rueda,
al mismo se le invierte el signo (al pasar por el TF) y se envía luego al uno que representa el
ωy del chasis ya que por el principio de acción y reacción el torque que el motor realiza sobre
las ruedas es igual y opuesto al que las ruedas realizan sobre el motor.
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL
Las Flat i de cada neumático se obtienen a partir del modelo de Bakker, Nyborg y
Pacejka lateral en donde las ecuaciones son las mismas que las escritas en el punto 3.2, pero
con otros coeficientes.
Flat i = f NL ( Fz i ; sai )
donde
Fzi: es la fuerza normal sobre el neumático
sai: es el ángulo de deriva
De acuerdo a [10] las ecuaciones para determinar el ángulo de deriva de las ruedas delanteras
y traseras se obtienen a partir de la figura 6.
Figura 6. Vista superior de medio vehículo para obtener los ángulos de deriva trasero y delantero.
a.ψ•
Ángulo de deriva de ruedas delanteras αd = δ − β −
V
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL
b.ψ•
Ángulo de deriva de ruedas traseras αt = − β +
V
Donde
v x = velocidad longitudinal
vd = velocidad instantánea de traslación de las ruedas delanteras
vt = velocidad instantánea de traslación de las ruedas traseras
a = distancia c.g. a las ruedas delanteras
b = distancia c.g. a las ruedas traseras
ψ = ángulo de guiñada (se muestra en la figura 7 con su nombre en inglés “yaw”)
En este caso no se muestra el sub-BG llamado en la figura 8 como “lateral” ya que es un
bloque que recibe δ junto con variables del sistema para calcular la fuerza lateral y con ese
resultado modula una Mse que produce la correspondiente fuerza lateral.
Ahora tenemos como grados de libertad los correspondientes al cuerpo rígido que son
los tres giros pitch, roll, yaw y las tres traslaciones en los ejes x, y, z; además consideramos
como grado de libertad las velocidades verticales de las ruedas (4 grados de libertad) y las
velocidades angulares de éstas (4 grados de libertad), en total tenemos 14 grados de libertad.
Como parámetros del sistema tenemos las distancias a, b, c y d, los momentos de inercia
Ixx, Iyy y Izz, la masa suspendida, la distancia h (entre el suelo y el centro de gravedad). Los
Ks, Bs y Kt de cada suspensión y para cada rueda tenemos: la masa m1, momento de inercia
de rotación Ir y el radio R.
Como entradas al sistema tenemos el perfil de la calzada que produce una velocidad
vertical independiente sobre cada una de las cuatro ruedas, el ángulo de guiado de las ruedas
directrices que es uno sólo para las dos delanteras y el torque que el motor produce sobre cada
rueda.
En la figura siguiente se ven claramente diferenciados los submodelos que representan
la dinámica lateral, vertical y longitudinal, y la interacción de estos subsistemas con el cuerpo
rígido (masa suspendida).
Para facilitar la comprensión de este bond graph se requieren ciertos comentarios que se
realizan en las sub-secciones siguientes.
Fz
Tx Ty
Fy Fx
Tz
Tx = ( Fy1 + Fy2 + Fy3 + Fy4 ).h + (Fz1 + Fz3 ).(−c) + ( Fz2 + Fz4 ).d
Ty = −(Fx1 + Fx2 + Fx3 + Fx4 ).(h − R) + ( Fz1 + Fz2 ).(−a) + (Fz3 + Fz4 ).b − TM
Tz = (Fx1 + Fx3 ).c + (Fx2 + Fx4 ).(−d ) + ( Fy1 + Fy2 ).(a) + (Fy3 + Fy4 ).(−b)
TM: representa las sumatoria de momentos que el motor y sistema de transmisión transmite a
cada rueda.
•
Fx = m v x + m ω y v z − mω z v y
•
Fy = m v y + m ω z v x − mω x v z forces
Fuerzas acting on the
actuando bodyel chasis
sobre
•
Fz = m v z + mω x v y − m ω y v x
•
Tx = Ixx ω x + ω y Izz ω z − ω z Iyy ω y
•
Ty = Iyy ω y + ω z Ixx ω x − ω x Izz ω z torques
Torquesacting on the
actuando body
sobre el chasis
•
Tz = Izz ω z + ω x Iyy ω y − ω y Ixxω x
Resumiendo: Este modelo representa las matrices de inercia y se corresponde con lo que
en la figura 8 se muestra con el nombre de “inertia”. La causalidad integral de las inercias
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL
produce que sobre el chasis, ingresen los seis esfuerzos (Fx, Fy, Fz Tx, Ty, Tz) y este bloque
“imponga” al sistema los seis flujos (ωx, ωy, ωz, Vx, Vy, Vz).
ω X ω x v X v x
ω = ΨΘΦ ω ; v = ΨΘΦ v
Y y Y y
ω Z ω vZ v
z z
Con esta información podemos evaluar la evolución del vehículo en el sistema global.
Y para llevar la fuerza peso que tiene dirección constante en el eje global Z, a los ejes
locales de coordenadas (x,y,z), hacemos:
Peso x 0
t
Peso y = Φ Θ Ψ 0
t t
Peso Peso Z
z
En este caso podemos usar la transpuesta como inversa porque se trata de matrices
ortogonales.
Las matrices Φ , Θ y Ψ son:
1 0 0
Φ = 0 cos φ − sin φ
0 sin φ cos φ
CAPÍTULO 3 - MODELO DINÁMICO DEL AUTOMÓVIL
cos θ 0 sin θ
Θ = 0 1 0
− sin θ 0 cos θ
cosψ − sinψ 0
Ψ = sinψ cosψ 0
0 0 1
CAPÍTULO 4
Ahora estamos en condiciones de aplicar el método para la obtención del DBG [7] que
comienza con el reemplazo de la señal m2_speed por una fuente de flujo modulada y la señal
Ks_effort por una fuente de esfuerzo modulada.
1 d
Re s1 = ⋅ ( Ks _ effort ) − ( m2 _ speed − m1 _ speed )
Ks dt
d
Re s 2 = m2 ⋅ (m2 _ speed ) − Ftot
dt
Ftot = Ks _ effort + Bs ⋅ ( m2 _ speed − m1 _ speed )
El residuo uno (Res1) puede interpretarse como la diferencia entre la velocidad entre los
extremos del resorte estimada por un lado a partir del esfuerzo y el valor nominal del
parámetro y la misma velocidad obtenida a partir de los sensores m1_speed y m2_speed.
El residuo dos (Res2) es la diferencia entre la fuerza total de la suspensión calculada por
un lado a partir de la aceleración de la inercia y por otro lado calculada con los sensores y el
valor nominal del amortiguador.
∂ Re s1 1 d
S 1, Ks = = − 2 ⋅ ( Ks _ effort )
∂Ks Bs _ nom Ks dt
∂ Re s1
S 1, Bs = =0
∂Bs Ks _ nom
∂ Re s 2
S 2, Ks = =0
∂Ks Bs _ nom
∂ Re s 2
S 2, Bs = = − (m2 _ speed − m1 _ speed )
∂Bs Ks _ nom
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN
z cg − z A
z A + a ⋅ tgθ = z cg ⇒ tgθ =
a
z B − b ⋅ tgθ = z cg
z cg − z A
z B − b ⋅ = z cg
a
b a+b
z B + z A = z cg
a a
finalmente
b a
z cg = z A + zB
a+b a+b
derivando
• • b • a
z cg = z A + zB
a+b a+b
Esto demuestra el valor de los transformadores que llevan las velocidades de los
extremos a la velocidad en el centro de masa (los de la parte superior del DBG del chasis
mostrado en la figura 8)
Para calcular los transformadores que llevan estas velocidades como una velocidad
angular sobre el centro de masa (en la parte inferior) y asumiendo ángulos pequeños, tenemos:
zB − zA zB − zA
θ = arctg ≈
a+b a+b
z z
θ= B − A
a+b a+b
derivando
• •
• z z
θ= B − A
a+b a+b
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN
Del modelo mostrado en la figura 8 podemos extraer las expresiones de los cuatro
residuos que se dan a continuación.
Los residuos uno y tres (Res1 y Res3) son la diferencia entre la fuerza total de la
suspensión calculada por un lado a partir de la inercia y por otro lado calculada con los
sensores y el valor nominal del amortiguador.
Los residuos dos y cuatro (Res2 y Res4) pueden interpretarse como la diferencia entre la
velocidad diferencial entre los extremos del resorte estimada por un lado a partir del esfuerzo
y el valor nominal del parámetro y la misma velocidad obtenida a partir de los sensores
Z_speed y W_speed.
∂ Re s1
S1,BsA = = −( ZA _ speed − WA _ speed )
∂BsA no min al values
∂ Re s 2 1 d
S 2,KsA = =− 2
⋅ ( KsA _ effort )
∂KsA no min al values KsA dt
∂ Re s3
S3,BsB = = −( ZB _ speed − WB _ speed )
∂BsB no min al values
∂ Re s 4 1 d
S 4,KsB = =− 2
⋅ ( KsB _ effort )
∂KsA no min al values KsB dt
Figura 10. Sistema físico idealizado del modelo con 14 grados de libertad
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN
El modelo con catorce grados de libertad se presenta en la figura 10. El modelo bond
graph del vehículo se presenta en el punto 3.4. y aquí lo reproducimos en la figura 11 donde
se muestra claramente los bloques que representan el comportamiento:
• Longitudinal
• Lateral
• Vertical
La figura 11 muestra el detalle de la primer suspensión la cual interviene en la dinámica
vertical. Para las otras tres suspensiones el detalle del modelo es análogo.
El chasis recibe como información los esfuerzos generados en cada uno de estos doce sub-
sistemas y traduce los mismos en las tres fuerzas totales (Fx, Fy, Fz) y los tres torques totales
(Tx, Ty, Tz). El bond graph del chasis representa el comportamiento de un sólido en el
espacio de acuerdo a las ecuaciones de Euler presentadas en el punto 3.4.2.
Como resultado de la aplicación de estos seis esfuerzos, el bond graph devuelve el valor de
los seis flujos del chasis: ωx, ωy, ωz, Vx, Vy, Vz resolviendo de esta manera el sistema no
lineal que representan las ecuaciones de Euler.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN
DBG TOTAL
DBG
CHASIS otras
F’1
CHASIS
Otras
suspensiones
Dinámica del
MSf
vehículo
Vel. calzada
Figura 13. Esquema completo del DBG (causalidad derivativa)
junto con el bond graph completo (causalidad integral).
entre la velocidad diferencial entre los extremos del resorte estimada por un lado a partir del
esfuerzo y el valor nominal del parámetro y la misma velocidad obtenida a partir de los
sensores m1_speed y m2_speed.
El residuo A (ResA) es la diferencia entre la fuerza total de la suspensión calculada por
un lado a partir del DBG del chasis y por otro lado calculada con los sensores y el valor
nominal del amortiguador.
La expresión de estos residuos se indica a continuación junto con los residuos de las
otras tres suspensiones que se obtienen de forma análoga.
1 d
Re s1 = ⋅ ( Ks1 _ effort ) − ( Z1 _ speed − mu1 _ speed )
Ks1 dt
1 d
Re s 2 = ⋅ ( Ks 2 _ effort ) − ( Z 2 _ speed − mu 2 _ speed )
Ks 2 dt
1 d
Re s3 = ⋅ ( Ks3 _ effort ) − ( Z 3 _ speed − mu3 _ speed )
Ks3 dt
1 d
Re s 4 = ⋅ ( Ks 4 _ effort ) − ( Z 4 _ speed − mu 4 _ speed )
Ks 4 dt
En los residuos A, B, C y D figura la fuerza F’= [F’1 F’2 F’3 F’4]T que es la fuerza
vertical sobre cada suspensión estimada por el DBG del chasis. A continuación mostramos en
detalle el calculo de esta fuerza. El procedimiento del cálculo puede dividirse en dos etapas.
La primera consiste en calcular los seis esfuerzos realizados sobre el chasis (Fx, Fy, Fz,
Tx, Ty, Tz) a partir del sensado de los seis flujos† (ωx, ωy, ωz, Vx, Vy, Vz).
El DBG que lleva a cabo este calculo se muestra en la figura 14 donde se pone de
manifiesto la causalidad derivativa en las inercias. También se encuentra la fuerza
aerodinámica que se calcula a partir de una función no lineal de la velocidad Vx.
† Estamos indicando por un lado la inclusión de cuatro sensores para determinar las velocidades en los cuatro
extremos del vehículo y por otro lado tres nuevos sensores para determinar: ωx, ωy, Vz.
En una aplicación real podremos prescindir de los cuatro sensores encargados de medir las velocidades sobre los
extremos ya que estas se pueden determinar a partir del conocimiento de: ωx, ωy, Vz junto con las dimensiones
geométricas del chasis.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN
Figura 14. DBG del chasis que calcula los seis esfuerzos sobre el mismo.
•
Tx = Ixx ω x + ω y Izz ω z − ω z Iyy ω y = ( Fy ).h + ( Fz1 + Fz 3 ).( − c ) + ( Fz 2 + Fz 4 ).d
•
Ty = Iyy ω y + ω z Ixx ω x − ω x Izz ω z = − ( Fx ).( h − R ) +
(2)
+ ( Fz1 + Fz 2 ).( − a ) + ( Fz 3 + Fz 4 ).b − TM
•
Fz = m v z + mω x v y − mω y v x = Fz1 + Fz 2 + Fz 3 + Fz 4 + Peso
weight
Z z
Donde Pesoz representa la componente del peso proyectada sobre el eje z del chasis.
Esta consideración debe realizarse ya que el peso se encuentra siempre alineado con el eje Z
del sistema de coordenadas global que no coincide con el eje z local cuando el vehículo se
encuentra rolado (roll distinto de cero) o cabeceado (pitch distinto de cero). Por lo tanto Pesoz
será una variable que se estará actualizando continuamente con los valores de los flujos
sensados en el sistema real. Esta actualización se hace de acuerdo a lo explicado en el punto
3.4.3.
Si esta consideración no se realizase, el DBG no reproduce correctamente la dinámica
del vehículo. Como consecuencia de este hecho, los residuales dejan de valer cero pese a que
el sistema no se encuentra bajo fallas.
Ahora debemos cancelar los efectos dinámicos producidos por todos los otros esfuerzos
que no pertenecen a las suspensiones. Para ello se genera a partir del primer término de (2) la
fuente de momento T’x
T’x =Tx -(Fy).h
Del segundo término de (2) surge la fuente de momento T’y
T’y =Ty+ Fx.(h-R) + TM
Mientras que del tercer término de (2) surge la fuente de fuerza F’z
F’z=Fz-Pesoz
Reemplazando estas tres fuentes de esfuerzos en (2) la evolución del mismo sólo dependerá
de las fuerzas en la suspensión ya que el nuevo sistema de ecuaciones resulta:
Para pequeños desplazamientos, estos tres esfuerzos se propagarán hacia los cuatro extremos
de acuerdo al modelo lineal de la figura 15 donde las constantes de los transformadores
dependen de las dimensiones del chasis y la ubicación de su centro de masa.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN
Figura 15. DBG del modelo lineal con tres grados de libertad
Este sub-modelo calcula cuatro fuerzas a partir del sistema (2) que posee tres ecuaciones
linealmente independientes. Esto significa que la combinación de fuerzas F’ = [F’1 F’2 F’3
F’4]T que el DBG calcula como aplicadas en los extremos no es la que realmente están
aplicadas sobre los extremos. La pregunta es: ¿Cuál es esa relación?
Para responder a esa pregunta supongamos que existe un cuarteto de fuerzas F = [F1 F2
F3 F4]T realmente aplicados sobre el chasis. Las mismas producirán una única combinación
de aceleraciones en los cuatro extremos. Si además de F aplicamos sobre los extremos la
combinación de fuerzas K=[K –K K -K]T como se muestra en la figura 16.
Por lo tanto el residuo A (ResA) presentará un valor distinto de cero incluso cuando no existe
falla en el amortiguador de la suspensión uno Bs1. La expresión de ResA (y análogamente
ResB, ResC y ResD) cuando el sistema no presenta fallas en ninguno de los cuatro
amortiguadores será
ResA = K
ResB = -K
ResC = K
ResD = -K
Este aparente inconveniente se puede salvar si proponemos la siguiente combinación para
generar tres nuevos residuos a partir de estos cuatro:
Ahora tenemos tres residuos que se mantienen en un valor nulo mientras el sistema se
encuentra libre de fallas.
Las ocho posibles fallas concernientes a las cuatro suspensiones pueden ser detectadas y
aisladas, cumpliendo de esta manera con el objetivo previamente planteado.
∂ Re s1 1 d
S1, Ks1 = =− 2
⋅ ( Ks1 _ effort )
∂Ks1 Ks1 dt
∂ Re s 2 1 d
S 2, Ks 2 = =− 2
⋅ ( Ks 2 _ effort )
∂Ks 2 Ks 2 dt
∂ Re s3 1 d
S 3, Ks 3 = =− 2
⋅ ( Ks 3 _ effort )
∂Ks 3 Ks 3 dt
∂ Re s 4 1 d
S 4, Ks 4 = =− 2
⋅ ( Ks 4 _ effort )
∂Ks 4 Ks 4 dt
∂ Re s5
S 5, Bs1 = = −( Z1 _ speed − mu1 _ speed )
∂Bs1
∂ Re s5
S 5, Bs 2 = = −( Z 2 _ speed − mu 2 _ speed )
∂Bs 2
∂ Re s6
S 6, Bs1 = = −( Z1 _ speed − mu1 _ speed )
∂Bs1
∂ Re s6
S 6, Bs 3 = = −( Z 3 _ speed − mu3 _ speed )
∂Bs3
∂ Re s7
S 7, Bs1 = = ( Z1 _ speed − mu1 _ speed )
∂Bs1
∂ Re s 7
S 7, Bs 4 = = −( Z 4 _ speed − mu 4 _ speed )
∂Bs 4
Figura 17. Modelo completo del sistema vehículo con su DBG acpolado.
De acuerdo a la teoría tendríamos que sensar todas las entradas. Estas son cuatro por
⋅
cada suspensión (Fxi,, Fyi,, TMi, y Z i ) pero estos dieciséis (16) sensores se pueden reducir
considerablemente.
TM1, TM2, TM3 y TM4, pueden ser reemplazados por un único sensor previo a la
distribución del torque motriz sobre cada rueda porque para la dinámica de este subsistema
importa el torque total TM.
CAPÍTULO 4 - DISEÑO DE SISTEMAS PARA DIAGNÓSTICO DE FALLAS EN LA SUSPENSIÓN
No necesitamos las cuatro fuerzas Fxi y las cuatro Fyi sino que la suma de las cuatro Fx y Fy.
Estas se determinan con el DBG del chasis (figura 14) que calcula los seis esfuerzos sobre el
mismo a partir del sensado de los seis flujos (ωx, ωy, ωz, Vx, Vy, Vz).
Además se utiliza un sensor por cada entrada correspondiente a la velocidad de las
rueda.
Existen también cuatro sensores para los esfuerzos de los cuatro resortes y deberíamos
incorporar cuatro para las cuatro velocidades de los corners. Pero como estas cuatro
velocidades se pueden obtener a partir de ωx, ωy, Vz junto con las dimensiones geométricas
del chasis es que los sensores utilizados para generar los residuos son siete como se expuso en
la matriz de fallas. Estos son los siguientes:
Ks1_effort, Ks2_effort, Ks3_effort, Ks4_effort, ωx, ωy, Vz.
A estos se deberían agregar los once sensores antes descriptos para calcular las entradas
pero como ωx, ωy, Vz se encuentran además para los residuos es que debemos agregar ocho
nuevos sensores:
ωz, Vx, Vy, TM, Z1_speed, Z2_speed, Z3_speed y Z4_speed.
Resumiendo: necesitamos incorporar al sistema 15 sensores donde siete se utilizan
para generar residuos y otros ocho (junto con tres de los siete anteriores) se utilizan para
calcular las 16 entradas al subsistema mostrado en la figura 18.
min: N/ 2N-1 ≥ P
A esta cantidad se le debe añadir un sensor por cada entrada al sistema ya que esta
información la necesita el DBG para reproducir el comportamiento de vehículo.
⇒ mínima cantidad de sensores = N + cantidad de entradas
Nuestro sistema de detección de fallas utilizó lo siguientes seis sensores para aislar estas
cuatro fallas. Uno más que la mínima cantidad teórica.
ZA_speed, WA_speed, KsA_effort, ZB_speed, WB_speed, KsB_effort.
I. Perfil de calzada 1
II. Perfil de calzada 2
III. Perfil de calzada 3
IV. Perfil de calzada 4
V. Torque motriz sobre rueda 1
VI. Torque motriz sobre rueda 2
VII. Torque motriz sobre rueda 3
VIII. Torque motriz sobre rueda 4
IX. Ángulo de ruedas directrices (delta o steering)
Nuestro sistema de detección de fallas utilizó para aislar estas cuatro fallas 15 sensores.
Ks1_effort, Ks2_effort, Ks3_effort, Ks4_effort, ωx, ωy, ωz, Vx, Vy, Vz, TM,
Z1_speed, Z2_speed, Z3_speed y Z4_speed.
Es decir dos sensores más que la mínima cantidad teórica.
ANÁLISIS Y SIMULACIONES
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES
Parámetros:
m2 = 300 kg
m1 = 50 kg
Ks = 35090 N/m
Bs = 1000 Ns/m
Kt =190000 N/m
Modelo de ¼ de vehículo
Entradas:
Perfil del suelo = 0,1 sen(25.t)
Fallas:
Disminución de Ks entre los 3,5 y 7,5 segundos en un 5 por ciento
Aumento de Bs entre los 10 y 14,5 segundos en un 10 por ciento
Ks 1 0 1 1
Bs 0 1 1 1
Figura 1. Posiciones de m2 y el perfil del suelo junto con los residuos.
Análisis
Podemos observar que la simulación del BG junto con su DBG produce los residuos
esperados (que se muestran en la matriz de fallas) cuando se simulan ambas fallas y se
mantienen en su valor nulo cuando se encuentra en operación normal. De hecho, la
realización de un zoom sobre ambos residuales bajo operación normal dio como resultado
valores imperceptibles. Esto es lógico ya que el DBG reproduce en forma exacta el
comportamiento del sistema y las “mediciones” se encuentran absolutamente libres de ruido
porque no se realizan realmente sino que se simulan.
Rescribimos las ecuaciones de las sensibilidades:
∂ Re s1 1 d
S 1, Ks = = − 2 ⋅ ( Ks _ effort )
∂Ks Bs _ nom Ks dt
∂ Re s1
S 1, Bs = =0
∂Bs Ks _ nom
∂ Re s 2
S 2, Ks = =0
∂Ks Bs _ nom
∂ Re s 2
S 2, Bs = = − (m2 _ speed − m1 _ speed )
∂Bs Ks _ nom
dt dt
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES
haciendo las mismas aproximaciones y los mismos reemplazos que para el primer
residuo, nos queda:
∆ Re s1 ≈ 0,1⋅ 1000 ⋅ [01
. − ( − 0.025)] ⋅ 25 ⋅ sen(25t ) = 312,5 ⋅ sen(25t )
cuyo valor también es coherente con el resultado que arrojó la simulación que se muestra en
la figura 1.
Nota: la corroboración del análisis de sensibilidad, se realizó en forma exacta exportando los
datos de la simulaciones a un archivo compatible con Mat-Lab y se calculó su valor exacto,
coincidiendo en todos los casos (¼ de auto, ½ auto y 14 grados de libertad) los valores
calculados a partir de las ecuaciones con los arrojados por las simulaciones.
Parámetros:
m = 750 kg
m1A , m1B = 50 kg
Iyy = 1300 kg.m²
KsA , KsB = 35090 N/m
BsA , BsB = 1000 Ns/m
KtA ,, KtB =190000 N/m
a = 1.4 m
b = 1.7 m
Entradas:
Fallas:
Figura 2. Posición de la masa m (Z-position) y el cabeceo (pitch), junto con la evolución de los cuatro residuales.
Análisis
Podemos observar que la simulación del BG junto con su DBG produce los residuos
esperados (que se muestran en la matriz de fallas) cuando se simulan dos de las posibles fallas
y se mantienen en su valor nulo cuando se encuentra en operación normal.
Pero la realización de un zoom sobre los residuales bajo operación normal dio como
resultados valores imperceptibles en Res2 y Res4 mientras que en Res1 y Res3 salieron de su
valor nulo. Esto en primera instancia resulta ilógico ya que el DBG parecería reproducir en
forma exacta el comportamiento del sistema y las “mediciones” se encuentran absolutamente
libres de ruido ya que no se realizan realmente sino que se simulan. Ocurre sin embargo que
el cambio de causalidad en la inercia produjo que los valores de los transformadores pasen a
depender del factor 1/(a+b)≈0,32258 y al momento de la simulación se lo aproximó por sus
dos primeros decimales ya que 20-sim no permite la inclusión de parámetros en forma de
ecuación. Esto representa una variación en los parámetros de la inercia del orden del 0,8%.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES
Expresiones de los cuatro residuales donde se demuestra que Res1 y Res3 dependen de los parámetros de la
masa suspendida mientras que Res2 y Res4 es independiente de esos parámetros.
A continuación presentamos los valores de los parámetros del vehículo los cuales se
extrajeron de [10] para asegurar que se ajusten a la realidad.
Parámetros:
Todas las condiciones iniciales son nulas, por lo que el vehículo arranca detenido.
Luego de transcurridos tres segundos, el vehículo alcanzó los 4 m/s ≈ 15 Km/h y allí se dobla
el vehículo para comenzar a excitar la dinámica lateral. Luego de extinguirse el fenómeno de
rolado a valores relativamente pequeños (roll ≈ 0) se lo dobla en sentido contrario pero ahora
a una velocidad de 17 m/s ≈ 60Km/h exigiendo en este punto aún más las suspensiones.
En la figura 4 vemos la evolución dinámica que se obtiene de la simulación a partir del
modelo de vehículo de 14 grados de libertad y con las entradas antes mencionadas. Se puede
observar la posición en z del centro de gravedad, la velocidad en x y en y (ejes locales) del
centro de gravedad, y el ángulo de las ruedas directrices delanteras.
La posición en z (en figura 4) comienza con un transitorio que evoluciona a un valor
negativo porque los desplazamientos iniciales de los resortes es nulo y luego la acción del
peso los comprime. En este modelo no vale la exclusión del peso ya que el mismo no se
modela como una fuente de esfuerzo constante para el sistema local. Al peso se lo actualiza
constantemente para referirlo al sistema local.
También en la figura 4 vemos que la velocidad Vx (del eje local) aumenta casi
linealmente, esto es porque no se ha alcanzado una velocidad considerable como para que la
fuerza aerodinámica produzca algún efecto importante. Si el vehículo se deja evolucionar con
torque constante durante mucho tiempo, la velocidad Vx se termina estabilizando en un valor
fijo. Ademas se puede apreciar durante la segunda curva que Vx deja de crecer pero al
terminar de doblar continúa esa tendencia de crecimiento. Esto se debe a que a esa mayor
velocidad el doblado de las ruedas produce un ωz alto y viendo la primera de las seis
ecuaciones de Euler
•
Fx=m.Vx+m.ωy.Vz-m.ωz.Vy
obsevamos que el tercer término (m.ωz.Vy) es el que produce esta atenuación sobre Vx ya
que el doblado de las ruedas saca del valor nulo a Vy cuya evolución también se muestra en la
figura 4.
La figura 4 muestra al final la forma del ángulo de las ruedas directrices (δ o en inglés
steering) que presenta una forma suave tal como se realiza en la realidad.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES
Figura 4. Posición z de la masa suspendida (chasis), Vx (en eje local), Vx (en eje local) y δ (steering)
Perfil de la calzada
Velocidad vertical rueda 1= sin(20.t) m/s
Velocidad vertical rueda 2=0.25 sin(30.t) m/s
Velocidad vertical rueda 3= 0.3 sin(25.t) m/s
Velocidad vertical rueda 4= 0 m/s
Esto se debe a que a estar siempre alineado el peso con el eje z local el vehículo nunca pierde
adherencia y se produce una fuerza hacia delante mayor de acuerdo al modelo de Bakker,
Nyborg y Pacejka [10].
Figura 7.
Perfil de la calzada
Curva suave que se observa en la figura 4, en donde la amplitud máxima positiva de 0.2 rad, y
amplitud máxima negativa -0.13 rad.
reducción en Ks1) a partir de los 5 segundos hasta los 11,5 segundos vemos la aparición del
residual 1. Lo mismo ocurre si se provoca la falla en el resorte de la rueda 3 (5% aumento en
Ks3), vemos como aparece el residual desde los 15 segundos hasta los 22 segundos, en donde
vemos la aparición del residual 3.
Estos resultados concuerdan con la matriz de falla presentada en el punto 4.3.2.
Figura 9.
Figura 10.
Si cambiamos algunas de las entradas como puede ser la forma del suelo y el torque del
motor, y provocamos las mismas fallas (igual cambio de parámetros) que en los casos de las
dos figuras anteriores, obtenemos los residuales de las figuras 11 y 12.
Perfil de la calzada
Curva suave que se observa en la figura 4, en donde la amplitud máxima positiva de 0.2 rad, y
amplitud máxima negativa -0.13 rad.
CAPÍTULO 5 - ANÁLISIS Y SIMULACIONES
Figura 11.
Figura 12.
CONCLUSIONES
CAPÍTULO 6 - CONCLUSIONES
calzada eran los mismos y el auto no se dobló. Esto es debido a que bajo esas condiciones, no
existe intercambio de potencia entre una suspensión y otra y vale la suposición de que sobre
cada suspensión esta posado un cuarto del vehículo.
También aplicamos sobre el BG del modelo de 14 grados de libertad el DBG
correspondiente al modelo de ½ medio vehículo. Al simular el sistema, los residuales no
respondieron correctamente dando continuamente valores distintos de cero. Aquí se consiguió
un buen funcionamiento sólo en el caso en que los dos perfiles de la calzada delanteros eran
los mismos, los dos traseros también y el auto no se dobló. Esto es debido a que bajo esas
condiciones, no existe intercambio de potencia entre las suspensiones derechas con las
izquierdas y adquiere validez el modelo de ½ vehículo.
REFERENCIAS Y BIBLIOGRAFÍA
REFERENCIAS Y BIBLIOGRAFÍA
[1] F. E. Cellier “Continuous System Modeling”, Ed. Springer – Verlag New York, inc
pp.251-287, 1991.
[2] S. Junco, “Introducción a la modelización con Bond Graphs” Dept. Elect. Eng.
Disponible: http://www.fceia.unr.edu.ar/dsf/files/A_IntroBG.PDF
[5] J. M. Mera, C. Vera, J. Félez, J. J. Esperilla, “Influence of the Roll Axis Consideration
in Vehicle Dynamics. Bond Graph Models”, Proc. ICBGM’03, 2003, pp.203-209.
[7] K. Medjaher, A.K. Samantaray, B. Ould Bouamama, “Diagnostic Bond Graphs for
Direct Residual Evaluation”, Proc. ICBGM’05, 2005, pp.307-312.
[8] K. Sia, A. Naamane, “Bond Graph: a suitable tool for component faults diagnosis”
Proc. ICBGM’03, 2003, pp.89-102.
[10] F. Aparicio Izquierdo, C.Vera Alvarez, V. Diaz López, “Teoría de los vehículos
automóviles”, Ed. Madrid: Escuela Técnica Superior de Ingenieros Industriales de
Madrid, 1995.
[13] L. Felipe Blázquez, Luis J. de Miguel, “Diagnóstico automático de fallas para sistemas
dinámicos no lineales”. Dpto. Ingeniería eléctrica y electrónica. Universidad de león.
León, Septiembre 2003. Disponible:
http://www.cea-ifac.es/actividades/jornadas/XXIV/documentos/incon/78.pdf
INTRODUCCIÓN AL MODELADO DE
SISTEMAS FÍSICOS CON BOND GRAPH
ANEXO 1
El bond graph (del inglés: gráfico de enlaces) es un lenguaje gráfico, con simbología
cuantificadora del flujo instantáneo de potencia e independiente de alinealidades.
Este formalismo se encuentra orientado a objetos y su principal aplicación se encuentra
en la modelización de sistemas físicos dinámicos. Entendemos por “sistema físico dinámico”
a un conjunto de componentes interactuantes con una determinada estructura. Esta interacción
consiste en transformación y/o transporte de materia y/o energía. La calidad de dinámico
implica la posibilidad de almacenamiento de materia y/o energía de ciertos componentes.
En el bond graph completo de un sistema físico determinado intervienen tres tipo de
entidades:
• Variables dinámicas que representan la evolución del sistema.
• Los distintos componentes que forman parte del sistema y que se encuentran
interactuando (intercambiando potencia).
• Vínculos estructurales que dependen de la disposición física y modos de
interconexión de los componentes.
Variables dinámicas
Existen dos tipos de variables asociadas a todos los componentes. Ellas son: esfuerzos
generalizados y flujos generalizados. Como tratamos a lo largo de este trabajo con sistemas
mecánicos, los esfuerzos siempre serán fuerzas o torques y los flujos serán velocidades
lineales o velocidades angulares. Estos dos tipos de variables se encuentran asociados a todos
los enlaces de potencias que existen en el bond graph y su producto representa la potencia que
el componente está intercambiando. En este gráfico se considera que si este producto es
positivo, el componente de la izquierda le entrega potencia al de la derecha.
Para el caso de los componentes almacenadores de energía, se definen dos nuevos tipos
de variables: momento (p) cuya derivada instantánea es el esfuerzo y desplazamiento (q) cuya
derivada instantánea es el flujo.
ANEXO 1
Vínculos estructurales
Una vez definidos todos los componentes que intervienen en el sistema, los mismos
deben interconectarse para poner de manifiesto el tipo de interacción que producen.
Un claro ejemplo se presenta a continuación donde interviene un resorte y un
amortiguador sometidos a una fuerza exterior e(t):
ANEXO 1
La evolución dinámica de las variables serán diferentes pese a existir los mismos tres
componentes (capacitor, resistor, fuente de esfuerzo modulada). Para el caso I los tres
componentes poseen la misma velocidad (flujo común) y ese vinculo se denomina de tipo uno
mientras que para el caso II los tres componentes poseen la misma fuerza en sus extremos
(esfuerzo común) y ese vinculo es tipo cero. Estos vínculos y otros se pueden observar en la
siguiente tabla con sus correspondientes ecuaciones.
Estamos en condiciones de realizar el bond graph de los sistemas presentados en ambos casos.
Se Se
CASO I CASO II
ANEXO 1
Causalidad
La causalización del bond graph se puede realizar a través de una codificación realizada
sobre el mismo gráfico. Para todos los componentes existen dos posibles causalidades. Una es
recibir del resto del sistema el flujo como información y en función del mismo “imponer” en
el sistema el esfuerzo.
Mientras que la otra posibilidad es recibir del resto del sistema el esfuerzo como
información y en función del mismo “imponer” en el sistema el flujo. En el enlace de potencia
aparece un nuevo código gráfico que representa la causalidad.
Para el caso de las fuentes, la causalidad ya está predeterminada ya que por la definición
misma de fuente, las mismas imponen al sistema un esfuerzo (fuente de esfuerzo) o un flujo
(fuente de flujo).
Para el caso de los resistores la causalidad es arbitraria y las dos posibilidades son:
t
1 de(t )
⇒ e ( t ) = K . q0 +
∫
t0
f (τ )dτ o equivalentemente f (t ) =
K dt
; K es la constante del
resorte.
Mientras que las inercias serán siempre cuerpos con un momento de inercia y una masa
constante quedando una relación como la que se indica a continuación.
1 t
df (t )
⇒ f (t ) = . p +
I 0 ∫ t0
e(τ )dτ o equivalentemente e(t ) = I
dt
; donde I es el momento de
1 INTRODUCCIÓN
Figura 1: Redundancia física frente a redundancia
Es un hecho que los modernos sistemas de control se analítica
vuelven cada vez más complejos y que los algoritmos
de control que se implementan son cada vez más Otros métodos se basan en la redundancia analítica,
sofisticados. En consecuencia, las características de figura 1, es decir la comparación del comportamiento
fiabilidad, disponibilidad, seguridad y protección actual de la planta con el esperado obtenido mediante
medioambiental adquieren cada vez mayor un modelo matemático de la misma [29], [75], [48],
importancia. Dichas características son importantes [77]. Algunos de estos métodos tienen un marco
no solo en aquellos sistemas cuya seguridad es determinista, como las ecuaciones de paridad a partir
crítica, tales como centrales nucleares, plantas del modelo de espacio de estado [29], [75],
químicas y aeronaves, sino en cualquier tipo de ecuaciones de paridad a partir del modelo entrada
proceso de fabricación automatizado como los salida [68], [77], [40], [70], [71], y observadores [30],
implicados por ejemplo en el sector del automóvil. [48], [49], [23], [26], [154], [199]; mientras que otros
Para los sistemas en los que la seguridad es crítica, métodos se formulan en un contexto estocástico,
las consecuencias de los fallos pueden ser como los filtros de Kalman [218], [238], [127], y la
extremadamente serias en términos de vidas estimación de parámetros [91]. La teoría lineal de
humanas, impacto medioambiental y pérdidas estos métodos está bien desarrollada y sus relaciones
económicas; por lo que existe una necesidad bien establecidas. La equivalencia entre algunos de
creciente en la supervisión en línea y en el los métodos anteriores ha sido estudiada por varios
diagnóstico de fallos con el objetivo de incrementar autores, por ejemplo [69], [152], [72], [103].
la fiabilidad, teniendo en cuenta que los síntomas que Aunque desde los primeros años de la década de los
presentan fallos que se están desarrollando pueden 70 se vienen produciendo avances significativos en el
ayudar a evitar fallos irreversibles como caídas del campo del diagnóstico de fallos tanto en la teoría
sistema y catástrofes. Para aquellos sistemas donde la como en la práctica, ha sido en los últimos años
seguridad no es crítica, las técnicas de diagnóstico de cuando las investigaciones en este campo más se han
fallos en línea se pueden utilizar para mejorar la dirigido hacia los sistemas de control no lineales.
eficiencia, mantenibilidad, disponibilidad y fiabilidad Tradicionalmente, el problema del diagnóstico de
de la planta. Los métodos modernos de diagnóstico fallos en sistemas dinámicos no lineales se ha
de fallos pueden aportar información del estado del manejado en dos etapas. En la primera se linealiza el
sistema que permita implementar un mejor plan de modelo alrededor de un punto de operación, para en
mantenimiento. una segunda etapa aplicar técnicas robustas para
Los métodos tradicionales de detección y diagnóstico generar los residuos [119], [15], [14], [234]. En
de fallos se basan en la comparación de variables general, la mayoría de los sistema físicos dan lugar a
medidas del proceso con valores límite constantes y modelos prácticos y reales de alto orden, variables en
preestablecidos (chequeo de umbrales) o la aplicación el tiempo y no lineales. En sistemas de control, sin
de sensores redundantes (redundancia física). Otros embargo, es importante mantener el sistema en un
métodos más avanzados se basan en la aplicación de punto de equilibrio y se puede considerar la respuesta
test (univariables o multivariables) de hipótesis a del sistema a señales pequeñas en torno a dicho
propiedades estadísticas de las variables del proceso equilibrio. Este método solo funciona bien cuando la
[164]. Dentro de los multivariables, se encuentran linealización no causa mucha diferencia entre los
aquellos métodos basados en análisis estadísticos de modelos lineal y no lineal y el sistema opera cerca del
los datos (data-driven), especialmente indicados para punto de operación especificado. Al tratar con
grandes sistemas que producen una gran cantidad de sistemas con no linealidades altas y amplios rangos
datos, ya que reducen esa gran cantidad de de operación, el problema del diagnóstico de fallos
información quedándose con la parte más debe manejarse utilizando directamente técnicas no
significativa [28]. Entre estos métodos están el lineales.
ANEXO 2
dos engranajes acoplados, la característica de resorte cumplir cierta función, frecuentemente es mejor
no lineal, la fuerza de fricción no lineal o par entre desde un punto de vista económico, de espacio y de
dos miembros móviles, etc. Muy a menudo las confiabilidad frente a sistemas lineales diseñados
características no lineales son introducidas en forma para cumplir la misma tarea. El ejemplo más simple
intencional en un sistema de control para mejorar su de un sistema no lineal intencional es un sistema
desempeño o proveer un control más efectivo. Por corriente accionado por un relé. Se pueden encontrar
ejemplo, para alcanzar un control de tiempo mínimo, otros ejemplos en sistemas de controlóptimo y
un tipo de controlador encendido-apagado (relevador) control adaptativo que frecuentemente emplean
se emplea en muchos misiles o sistemas de control de controles no lineales complicados. Debe notarse que
naves espaciales. Los comportamientos más típicos aunque los sistemas no lineales intencionales, pueden
encontrados en los sistemas no lineales son los mejorar el comportamiento del sistema bajo ciertas
siguientes [143], [189], [122], [31], [99]: condiciones de funcionamiento especificadas, en
• Oscilación subarmónica general degradan el comportamiento del sistema en
• Oscilación autoexcitada o ciclo límite otras condiciones defuncionamiento [143], [117]. Las
• Arrastre de frecuencia no linealidades inherentes son aquellas que vienen de
• Bifurcación forma natural en el hardware o movimiento del
• Caos sistema, por lo que son inevitables en los sistemas de
control. Las siguientes son ejemplos de tales no
2.1 TIPOS DE NO LINEALIDADES EN linealidades: saturación; zona muerta; histéresis;
SISTEMAS DE CONTROL juego; fricción estática, fricción de Coulomb y otras
fricciones no lineales; resorte no lineal;
En este apartado se van a revisar la no linealidades
compresibilidad de fluido; fuerza centrípeta en
que se encuentran en los sistemas de control. En la
movimiento rotacional. En términos generales, la
figura 4 se muestra el diagrama de bloques típico de
presencia de estas no linealidades en el sistema de
un sistema de control. Se compone de cuatro partes:
control, afecta adversamente el comportamiento del
una planta que va a ser controlada, sensores para las
sistema, por lo que dichos sistemas deben estar
medidas, actuadores para las acciones de control y
adecuadamente diseñados para compensarlas. Por
una ley de control generalmente implementada en
ejemplo, el juego puede producir inestabilidad en el
una computadora. Las no linealidades pueden ocurrir
sistema y la zona muerta a su vez puede producir
en cualquier parte del sistema, dando lugar a los
error de régimen.
sistemas de control no lineales.
También se pueden clasificar las no linealidades
como blandas o continuas y duras o discontinuas
[34], [189], [117]. Si un elemento se desvía
gradualmente de la operación lineal cuando el nivel
de excitación aumenta o la temperatura asociada
gradualmente se eleva, este hecho se puede describir
como una no linealidad blanda o continua. Hay
Figura 4: Diagrama de bloques de un sistema de también no linealidades duras o discontinuas que se
control observan cuando los elementos cambian
abruptamente en un nivel específico de excitación.
A la hora de analizar el efecto de las no linealidades Un ejemplo de este tipo de fenómeno es la limitación
inherentes en la exactitud estática, hay que tener en que ocurre cuando el nivel de salida de un
cuenta que una característica de los sistemas de amplificador operacional se aproxima a la magnitud
control es que la potencia es transmitida por el paso de la tensión de suministro de continua. La elevada
directo, mientras que la exactitud estática del sistema ganancia en el camino directo y la acción de
es determinada por los elementos en el paso de realimentación negativa del circuito tienden a
realimentación. Por esto, el elemento de medición proporcionar una operación casi lineal dentro de un
determina el límite superior de exactitud estática; la rango limitado de niveles de señal, pero hay un nivel
exactitud estática no puede ser mejor que la exactitud en el que los transistores de salida se fuerzan para
de este dispositivo de medición. Por tanto, cualquier trabajar en saturación y aparece abruptamente una
no linealidad inherente en los elementos de limitación.
realimentación debe ser mínima.
Las no linealidades pueden ser intencionadas 2.1.1 No linealidades continuas
(artificiales) y accidentales o inherentes (naturales).
Las no linealidades intencionadas se emplean para Las no linealidades continuas aparecen en las
mejorar la respuesta del sistema o para simplificar su ecuaciones del sistema en forma de términos
construcción o por ambas causas. En general, el senoidales, potencias, exponenciales de una variables,
empleo de elementos no lineales da lugar a sistemas productos de diferentes variables. Un caso particular
más pequeños y que funcionan mejor que los lineales. de sistemas con no linealidades continuas son los
Un sistema no lineal adecuadamente diseñado para sistemas bilineales, que son aquellos en los que los
ANEXO 2
únicos términos no lineales que aparecen en sus tamaño de los componentes, propiedades de los
ecuaciones de estado son productos de variables de materiales, potencia disponible.
estado con variables de entrada. Una típica no linealidad de saturación se representa
Las no linealidades continuas se eliminan usualmente en la figura 5, donde la línea gruesa es la no
de la ecuación diferencial asignando márgenes linealidad real y la línea fina es una no linealidad de
restringidos a las variables y mediante saturación ideal [122], [79].
aproximaciones lineales para representar los
coeficientes no lineales. Se reconoce,
indudablemente, que la verdadera respuesta no será
exactamente la predicha. Sin embargo, la diferencia
debe ser pequeña en tanto lo sea la perturbación. De
interés inmediato es la estabilidad del sistema.
Mediante la teoría de Lyapunov, puede llegarse a la
conclusión de que el empleo de la aproximación Figura 5: No linealidad de saturación
lineal de ecuaciones no lineales da un análisis
correcto de la estabilidad. Sin embargo, este sólo es La mayoría de los actuadores presentan
válido para pequeñas perturbaciones [34], [189], [31], características de saturación [189], [121], [116],
[116], [99]. [205]. Por ejemplo, el par de salida de un servomotor
de dos fases no puede incrementarse indefinidamente
2.1.2 No linealidades discontinuas y tiende a saturarse, debido a las propiedades del
Las no linealidades discontinuas o duras también se material magnético. Análogamente, válvulas
las conoce como no linealidades rápidas, significando controladas por servomotor hidráulico se saturan por
con ello que el modo de operar cambia rápidamente los máximo y mínimo caudales permitidos.
comparándolo con el tiempo de respuesta del sistema La saturación tiene efectos complicados sobre las
[143], [34], [189], [31], [116], [205], [99]. A prestaciones de un sistema de control. En general, la
continuación se presentan las no linealidades duras presencia de saturación tiende a reducir la ganancia
que más habitualmente se presentan en los sistemas del dispositivo (por ejemplo el amplificador) según se
de control. incrementa la entrada. Como resultado, si un sistema
es inestable en su rango lineal, este comportamiento
Fricción de Coulomb y precarga divergente se puede convertir en una oscilación
automantenida, debido a la inhibición creada por el
La fricción de Coulomb existe en todo sistema físico
componente de saturación sobre las señales del
con movimiento de deslizamiento. Así, por ejemplo,
sistema. Por otro lado, si el sistema es estable en su
está presente entre las escobillas y el colector de un
rango lineal, la saturación tiende a ralentizar la
motor, entre engranajes apretados y en cojinetes. La
respuesta del sistema, ya que reduce la ganancia
fuerza de fricción es de magnitud constante y siempre
efectiva [189].
de dirección opuesta al movimiento, por lo que
aparece una discontinuidad en el instante en que se
No linealidad todo-nada
invierte el movimiento [144], [117]. Una precarga
tiene la misma característica que una fricción de Un caso extremo de saturación es la no linealidad
Coulomb. La fuerza puede variar de más a menos el todo-nada o relé. Ocurre cuando el rango de
valor de la precarga sin producir desplazamiento. La linealidad se reduce a cero y la pendiente de dicho
precarga se emplea a menudo para eliminar el arrastre rango se hace vertical. Importantes ejemplos de no
de una posición neutral. linealidades todo-nada incluyen pares de salida de
propulsores a gas para control de naves espaciales y,
Saturación o limitación por supuesto relés eléctricos. Las no linealidades
todo-nada tienen similares efectos que los de las no
Cuando se incrementa la entrada de un dispositivo
linealidades de saturación. Además pueden provocar
físico, a menudo se observa el siguiente fenómeno:
vibraciones en sistemas físicos debido a su naturaleza
cuando la entrada es pequeña, su incremento causa un
discontinua [189].
incremento (frecuentemente proporcional)
correspondiente en la salida; pero cuando la entrada
Zona muerta
alcanza cierto nivel, su incremento posterior produce
un incremento pequeño o no produce incremento En muchos dispositivos físicos, la salida es cero hasta
alguno en la salida. La salida simplemente permanece que la magnitud de la entrada supera un determinado
alrededor de su valor máximo. Cuando esto ocurre, se valor δ, tal y como muestra la figura 6. Dicha
dice que el dispositivo está en saturación. Como relación de entrada-salida se conoce como zona
ejemplos tenemos amplificadores de transistor y muerta, umbral, trozo llano o espacio muerto [189],
amplificadores magnéticos. Una no linealidad de [112]. Si por ejemplo se considera un motor de
saturación es usualmente causada por los límites en el corriente continua, en un modelo ideal se asume que
cualquier voltaje aplicado al bobinado causará
ANEXO 2
movimiento de rotación, por lo que con pequeño los dos engranajes, el engranaje conducido sigue la
voltaje se provoca pequeño movimiento. En realidad, rotación del engranaje conductor en el sentido
debido a la fricción estática del eje del motor, la contrario (segmento CD). Así, si el engranaje
rotación ocurrirá solo si el par proporcionado por el conductor tiene movimiento periódico, el engranaje
motor es suficientemente grande. Análogamente, conducido se moverá siguiendo el camino cerrado
cuando se transmite movimiento por conexión de EBCD. Se hace notar que la altura de B, C, D, E en
componentes mecánicos, aparecen zonas muertas por esta figura depende de la amplitud de la entrada
los espacios debidos a la fabricación. Fenómenos sinusoidal [198]. Para reducir la holgura en
similares a la zona muerta ocurren en los actuadores engranajes desgastados es preciso un buen ajuste de
neumáticos de válvulas controladas y en los dientes y reducción de las excentricidades.
componentes hidráulicos [198].
diferencial de segundo orden, en vez de buscar una múltiples modelos lineales para describir los
solución analítica. El resultado es una familia de diferentes modos de operación. La simulación es
trayectorias de movimiento del sistema en un plano lineal a tramos y cada uno de los modelos lineales es
de dos dimensiones, llamado el plano fásico, en el aplicable bajo condiciones definidas cuidadosamente.
cual se puede visualizar los patrones de movimiento Cuando se detecta una condición para cambiar
del sistema. Aunque el análisis del plano fásico tiene modelos, la información que se necesita para
un número importante de ventajas, tiene como continuar la simulación es una descripción del nuevo
principal desventaja el ser aplicable solo a sistemas modelo y una descripción del estado del sistema. Si
que pueden ser bien aproximados por dinámicas de se utiliza un modelo de estado para describir cada
segundo orden. Debido a su naturaleza gráfica, se uno de los diferentes modos de operación de un
utiliza frecuentemente para proporcionar pistas sobre sistema lineal a tramos, toda la información que se
los efectos no lineales. En concreto, el plano de fase requiere está disponible. En el instante que el modelo
es útil para determinar la estabilidad y la respuesta cambia, el estado final del modelo previo se convierte
temporal de sistemas de segundo orden con no en el estado inicial del nuevo modelo [117].
linealidades [143], [189], [212], [116], [117], [205], Los modelos obtenidos a partir de linealización son
[99]. simples de manejar y permiten un estudio analítico de
los sistemas, no obstante es importante tener en
2.2.2 Teoría de Lyapunov cuenta lo siguiente:
La teoría básica de Lyapunov comprende dos • En general, los modelos lineales sólo son válidos
métodos introducidos por Lyapunov, el primer alrededor del punto de operación.
método o método indirecto y el segundo método o • Las variables implicadas en el modelo son cambios
método directo [143], [144], [145], [146], [189], [59], sobre el punto de operación.
[212], [31], [122], [116], [10], [205], [99].
• Es posible obtener modelos diferentes para
Método indirecto condiciones de operación diferentes.
El método indirecto o método de linealización, • Los parámetros de los modelos lineales pierden su
establece que las propiedades de estabilidad de un significado físico original.
sistema no lineal en las proximidades de un punto de
equilibrio son esencialmente las mismas que las de su Método directo
correspondiente sistema linealizado simple [45], El segundo método de Lyapunov o método directo es
[121], [112], [79], [99]. Algunos ejemplos una herramienta poderosa para el análisis de sistemas
importantes son la técnica de análisis de pequeña no lineales, por lo que el llamado análisis de
señal que se aplica a circuitos de transistores y el Lyapunov a menudo se refiere de hecho al método
modelo de pequeña señal que se aplica al análisis del directo. El método directo es una generalización de
péndulo. los conceptos de energía asociados con un sistema
El método sirve como la justificación teórica para mecánico: el movimiento de un sistema mecánico es
usar control lineal para sistemas físicos, los cuales estable si el total de su energía mecánica disminuye
son inherentemente no lineales. Así, por ejemplo, en todo el tiempo. Al utilizar el método directo para
el diseño de sistemas de control, es práctico primero analizar la estabilidad de un sistema no lineal, la idea
diseñar el controlador con base en un modelo de un es construir una función escalar de energía (una
sistema lineal despreciando las no linealidades del función de Lyapunov) para el sistema y ver si decrece
sistema. Entonces, el controlador diseñado se aplica [31], [79], [99].
al modelo del sistema no lineal para su evaluación o La potencia de este método viene de su generalidad:
rediseño mediante simulación en computadora. En es aplicable a todos los tipos de sistemas de control,
muchos casos prácticos, el interés primario es la sean variantes o invariantes con el tiempo, de
estabilidad de los sistemas de control no lineales, y dimensión finita o infinita. La limitación de este
pueden no ser necesarias las soluciones analíticas de método recae en el hecho de que a menudo es difícil
las ecuaciones diferenciales no lineales, puesto que encontrar una función de Lyapunov para un sistema
establecer criterios de estabilidad es mucho más dado. Así, el segundo método de Lyapunov puede ser
simple que obtener soluciones analíticas. aplicado a análisis de estabilidad de cualquier sistema
Otra situación donde es aplicable la linealización es no lineal, pero su aplicación puede ser obstaculizada
cuando la operación del sistema no lineal se por la dificultad en hallar funciones de Lyapunov
caracteriza por cambios abruptos en el modelo que para sistemas no lineales complicados. Aunque el
ocurren en niveles de señales específicos. Este tipo de método directo de Lyapunov es originalmente un
peración sucede con la presencia de fenómenos tales método de análisis de estabilidad, se puede utilizar
como rozamiento estático y de Coulomb o puede para otros problemas de control no lineal.
generarse mediante la introducción a propósito de Una aplicación importante es el diseño de
una característica no lineal, tal como la acción de un controladores no lineales. La idea es de algún modo
controlador tipo relé. Es posible entonces desarrollar
ANEXO 2
formular una función escalar positiva de los estados Con las computadoras modernas, se han desarrollado
del sistema, y entonces escoger una ley de control nuevos métodos para tratar los problemas no lineales.
que haga esa función decrecer. Un sistema de control Las técnicas de simulación con el uso de
así diseñado tendrá garantizada su estabilidad. Tal computadoras analógicas y/o digitales, son muy
enfoque de diseño ha sido utilizado para resolver poderosas para analizar y diseñar sistemas de control
muchos problemas complejos de diseño en robótica y no lineales. Ahora es posible manejar sistemas no
control adaptativo. El método directo también se lineales complicados en tiempo razonable utilizando
puede utilizar para estimar las prestaciones de un computadoras. Cuando la complejidad de un sistema
sistema de control y estudiar su robustez. impide el uso de cualquier método analítico, las
simulaciones en computadora pueden ser una forma
2.2.3 Función descriptiva ventajosa de obtener la información necesaria a los
fines del diseño [143], [162], [32], [33], [34], [116],
El método de la función descriptiva es una técnica
[117], [67], [131], [205].
aproximada para estudiar los sistemas no lineales. La
idea básica del método es aproximar los componentes
no lineales en los sistemas de control no lineales por 3 DIAGNÓSTICO DE FALLOS EN
sus sistemas lineales equivalentes, y así utilizar SISTEMAS NO LINEALES
técnicas del dominio de la frecuencia para analizar
La mayoría de los métodos de diagnóstico de fallos
los sistemas resultantes. El método de la función
basados en modelos consideran modelos lineales de
descriptiva da información respecto a la estabilidad
los sistemas. Para sistemas no lineales, el problema
del sistema no lineal, pero no da información exacta
del diagnóstico de fallos se ha abordado en dos pasos.
respecto a las características de respuesta temporal
Un primer lugar se linealiza el modelo alrededor de
[143], [34], [189], [212], [31], [116], [117], [205],
un punto de operación, y posteriormente se aplican
[99].
técnicas robustas para generar los residuos que sean
Al contrario que el plano fásico, no se restringe a los
insensibles a variaciones en los parámetros del
sistemas de segundo orden. Al contrario que los
modelo dentro de un pequeño intervalo en la
métodos de Lyapunov, en los cuales su aplicabilidad
vecindad del citado punto de operación [119], [15],
a un sistema específico depende del éxito en una
[234], [14]. Las técnicas robustas que se aplican son
búsqueda basada en prueba y error de una función de
las desarrolladas para modelos lineales [35], [71],
Lyapunov, la aplicabilidad de la función descriptiva
[25], [158]. Esta estrategia sólo funciona bien si el
es directa para los sistemas no lineales que satisfagan
modelo linealizado no se comporta muy diferente del
ciertas condiciones fáciles de comprobar. Este
propio sistema no lineal, pues los residuos se han
método es utilizado principalmente para predecir
diseñado para ser lo suficientemente robustos para
ciclos límite en sistemas no lineales dando una
tolerar pequeñas perturbaciones del modelo alrededor
medida aproximada de la magnitud y de la
de su punto de operación, y el sistema opera cerca del
frecuencia. Otras aplicaciones incluyen la predicción
punto de operación especificado. Sin embargo, para
de generación de subarmónicos, fenómenos de salto y
sistemas con grandes no linealidades y amplios
la determinación de la respuesta del sistema frente a
rangos de operación dinámica, la técnica de
una excitación sinusoidal. El método de la función
linealización no puede dar resultados satisfactorios.
descriptiva presenta ciertas ventajas:
Un modelo linealizado es una descripción
• Se puede aplicar a sistemas de bajo orden y a
aproximada de un sistema dinámico no lineal
sistemas de alto orden siguiendo el mismo
alrededor de su punto de operación. Sin embargo,
procedimiento directo.
cuando el rango de operación se hace más amplio, el
• Debido a su similitud con el análisis en el dominio
modelo linealizado no es capaz de representar la
de la frecuencia de sistemas lineales, es
dinámica del sistema. Una posible solución es utilizar
conceptualmente simple y físicamente atractivo,
varios modelos linealizados que se corresponden con
permitiendo al usuario manejar conceptos de física e
varios puntos de operación. Sin embargo, esto
ingeniería en sistemas de control.
implicaría un gran número de sistemas de
• Puede manejar las no linealidades duras que
diagnóstico, uno por cada punto de operación, cosa
frecuentemente se encuentran en sistemas de control
que no es muy práctica para aplicaciones en tiempo
sin dificultad alguna.
real.
Las desventajas del método están ligadas a su
Así, para sistemas dinámicos con grandes no
naturaleza aproximativa e incluyen la posibilidad de
linealidades y amplios rangos de operación, es
predicciones inexactas (falsas predicciones pueden
necesario utilizar métodos de diagnóstico de fallos
ser hechas si ciertas condiciones no se satisfacen) y
que manejen modelos dinámicos no lineales
restricciones en los sistemas a los cuales se aplica,
directamente. Ha habido varios intentos de utilización
por ejemplo, es complicado de aplicar a sistemas con
de observadores no lineales para resolver problemas
múltiples no linealidades.
de diagnóstico de fallos en sistemas no lineales. El
primer trabajo fue [87] donde se utilizó un
2.2.4 Simulación
observador no lineal identidad. Este método fue
ANEXO 2
posteriormente considerado por [1]. Sin embargo, un modelos analíticos, en los que se basan las técnicas
método de diseño de la matriz de ganancias que de observador no lineal, no son fáciles de obtener en
asegure la estabilidad del observador no ha sido la práctica. Algunas veces el sistema no se puede
desarrollado. En [51] y [110] se revisan, desde modelar mediante modelos matemáticos explícitos.
diferentes perspectivas, los desarrollos de los Sin un modelo, el diagnóstico de fallos basado en
métodos de diagnóstico de fallos en sistemas no observador es imposible. Para resolver este problema,
lineales anteriores a 1994. La técnica de observador es deseable encontrar un modelo aproximado
de entrada desconocida fue extendida para incluir universal que pueda usarse para representar cualquier
términos no lineales [222], [58], [173], [54], [158], sistema no lineal de forma aproximada. Además,
[96], [97]. Se han propuesto varios métodos de debería haber un mecanismo que pueda identificar
diagnóstico de fallos basados en un observador automáticamente ese modelo universal. La red
adaptativo para ciertas clases de sistemas no lineales neuronal puede ser tal poderosa herramienta para
[44], [165], [213], [39], [236], [201], [119], [164], manejar problemas no lineales. Una de las más
[163], [13], [232]. En [209] se propone un observador importantes ventajas de las redes neuronales es su
adaptativo para el diagnóstico robusto de fallos en capacidad para implementar transformaciones no
sensor aplicado a una clase de modelos no lineales en lineales por problemas de aproximación funcional.
tiempo discreto. En [42] se propone un método Así, las redes neuronales son capaces de generar una
geométrico para caracterizar el problema de la aproximación arbitrariamente cercana a cualquier
detección y aislamiento de fallos para una clase de función continua no lineal, dando los factores de peso
modelos no lineales, estableciendo la condición y una arquitectura de red adecuada [141], [90], [140].
necesaria y suficiente (expresada en términos de Hay muchos modos sistemáticos de establecer
distribuciones no observables) de existencia de un modelos de red neuronal basados en la poderosa
observador que se puede utilizar como generador de habilidad de aprender de las redes neuronales. Hay un
residuos. En [210] se propone un método gran número de publicaciones sobre diagnóstico de
numéricamente factible para el diagnóstico robusto y fallos basado en redes neuronales [214], [137], [88],
estable de fallos en sistemas modelados mediante [194], [217], [193], [98], [115], [139], [138], [126],
ecuaciones combinadas algebraicas y diferenciales no [157], [104], [153], [56], [129], [38], [37], [150],
lineales. [36], [130], [135], [149], [125], [61].
Desde un punto de vista puramente matemático, el La red neuronal, como herramienta de aproximación
diagnóstico preciso de fallos en sistemas dinámicos óptima para manejar problemas no lineales, se puede
no lineales es algo muy ambicioso. Este objetivo se usar para superar las dificultades de las técnicas
vuelve considerablemente más difícil cuando existe tradicionales a la hora de tratar con no linealidades.
incertidumbre en el sistema. Así, es necesario Según Chen y Patton [25], hay poco que ganar
restringirse a una clase de sistemas no lineales en el mediante la aplicación de redes neuronales a sistemas
estudio de los métodos de diagnóstico de fallos [211], lineales invariantes con el tiempo. Las redes
[232], [183]. Una clase de sistemas no lineales que ha neuronales están propiamente dirigidas a procesos
sido ampliamente estudiada son los sistemas de mal definidos, complejos, no lineales y estocásticos.
dinámica bilineal. Estudios importantes de Las redes neuronales tienen muchas ventajas y se
diagnóstico de fallos es sistemas bilineales se pueden pueden utilizar de varias maneras para abordar
encontrar en [230], [226], [229], [227], [177], [224], problemas de diagnóstico de fallos en sistemas
[228], [132], [4], [171], [84], [235]. La idea principal dinámicos no lineales.
es tratar los términos no lineales como perturbaciones En el uso de las redes neuronales para el diagnóstico
y desacoplar sus efectos del residuo utilizando un de fallos, hay dos problemas principales que
observador de entrada desconocida. Esta idea se acompañan la mayorías de las primeras
demuestra en un ejemplo práctico en [25]. El publicaciones. El primer problema es que la mayoría
observador de modo deslizante (sliding mode de los estudios solo tratan con procesos en estado
observer) [188], [46], también se ha aplicado a estacionario. Para alcanzar el diagnóstico en línea de
diagnóstico de fallos en sistemas no lineales [176], fallos en presencia de comportamientos transitorios,
[47], [100], [101], [2], [197], [95], [27]. hay que considerar la dinámica del sistema. El
Hay estudios que extienden el método de las segundo problema es que la red neuronal solo se usa
relaciones de paridad a sistemas no lineales [109], como un clasificador del fallo y otras ventajas de las
[108], [111], [80], [14], [16]. Al contrario que en los redes neuronales no han sido totalmente explotadas.
sistemas lineales, en los sistemas no lineales no hay En estas aplicaciones, las redes neuronales son
una relación directa entre los métodos de diagnóstico simplemente utilizadas para examinar la posibilidad
de fallos basados en relaciones de paridad y los de fallo o comportamiento anormal de las salidas del
basados en observadores. Debido a nuevos sistema y dar una señal de clasificación del fallo que
desarrollos en observadores no lineales [167], [223], declare si el sistema tiene o no tiene fallo. Puede ser
el problema del diagnóstico de fallos se ha válido para algunos sistemas estáticos utilizar solo
investigado para sistemas no lineales más generales salidas del sistema para diagnosticar fallos, sin
[172], [62], [82], [83], [25], [158], [12], [178]. Los embargo este no es el caso de los sistemas dinámicos
ANEXO 2
porque el cambio en las entradas del sistema puede observadores borrosos cualitativos [237] y los
también afectar a las salidas el sistema. Un método de basados en algoritmos genéticos [155]. Actualmente
diagnóstico que solo utilice información de las hay algunos estudios que combinan las redes
salidas podría dar información incorrecta sobre los neuronales con la lógica borrosa para formar el
fallos en el sistema cuando cambian las entradas de llamado método neuro-borroso para diagnóstico de
dicho sistema. Esto es especialmente cierto para fallos en sistemas dinámicos no lineales [11], [231],
sistemas no lineales. Hay que señalar que este [5], [160], [57], [6], [19], [168], [207]. Con un
problema ya ha sido resuelto en diagnóstico de fallos método combinado, las ventajas de ambos métodos
basado en modelos utilizando el concepto de pueden ser totalmente explotadas.
generación de residuos en el que tanto las entradas
como las salidas del sistema monitorizado se utilizan 4 COMENTARIOS FINALES
para generar un indicador del fallo. Se puede
desacoplar el efecto de la entrada del residuo y así el En este se presenta la aplicación de los principales
residuo solo contiene información del fallo. El métodos de detección y diagnóstico de fallos basados
diagnóstico de fallo basado en este residuo en el modelo de la planta a los sistemas dinámicos no
adecuadamente diseñado puede dar información del lineales. Dicha aplicación se puede realizar
diagnóstico fiable. básicamente de dos formas:
Recientemente, los conceptos de generación y • Extendiendo los métodos de diagnóstico de fallos
evaluación del residuo han sido combinados con de sistemas lineales a los sistemas no lineales, como
redes neuronales para formar una poderosa son los observadores y las ecuaciones de paridad.
herramienta de diagnóstico de fallos para sistemas Dichas extensiones solo pueden hacerse si se
dinámicos no lineales. En [157] se estudiaron restringe a su vez los sistemas no lineales a los que se
procesos dinámicos en lugar de estáticos y se les aplica (por ejemplo los sistemas bilineales), a
propusieron modos de utilizar las redes neuronales partir del cual se realiza el desarrollo analítico
para la generación y evaluación del residuo. En ese correspondiente, con la limitación que ello supone.
estudio se utilizaron las poderosas propiedades de las • Mediante la utilización de una herramienta de
redes neuronales para modelar y clasificar. Estas modelado universal que incorpore información
ideas se desarrollaron posteriormente en [104], [153], cualitativa del sistema dinámico. Dicha herramienta
[56],[25], [19]. de modelado universal puede ser una red neuronal
Para abordar el problema de la precisión y exactitud que a su vez incorpore información cualitativa del
en el diagnóstico de fallos, se han desarrollado sistema mediante lógica borrosa. La aplicación de
métodos basados en lógica borrosa [43], [55], [94], esta herramienta es adecuada cuando la información
[204], [169], [50], [92]. Sin embargo, la técnica de la del sistema o el conocimiento de las variables del
lógica borrosa en el diagnóstico de fallos no es por su mismo no tienen precisión cuantitativa suficiente para
propia naturaleza eficiente para detectar fallos utilizar otro tipo de métodos.
incipientes. También por su propia naturaleza, la
técnica de la lógica borrosa está limitada a sistemas Referencias
relativamente simples, ya que en otro caso daría lugar
a un número extenso e inmanejable de reglas. [1] K. Adjallah, D. Maquin and J. Ragot. “Nonlinear
Además tales esquemas son difíciles de relacionar bserver-based fault detection”. Proc. of the 3rd IEEE
con las técnicas clásicas de diagnóstico de fallos, las Conf. on Control Applications, Glasgow, Scotland,
cuales proporcionan una herramienta poderosa de pp. 1115-1120, 1994.
diseño y análisis y no están limitadas tan severamente [2] A. Alessandri, G. Bruzzone, M. Cacia, P. Coletta
por la complejidad del sistema. Hay mucho beneficio and G. Veruggio. “Fault detection through dynamics
que ganar al combinar lógica borrosa con los monitoring for unmanned underwater vehicles”.
conceptos de diagnóstico de fallos basado en modelos Preprints of the 4th IFAC Symposium on Fault
[11], [55], [94], [169], [114], [170], [124], [64], Detection, Supervision and Safety for Technical
[136], [105]. Sin embargo la mayoría de los estudios Processes SAFEPROCESS’2000, Budapest, Hungary,
de diagnóstico de fallos basados en lógica borrosa Vol.2, pp. 973-978, June 2000.
utilizan solamente las capacidades de interpretación y [3] S. Altug, M. Y. Chow and H. J. Trussell. “Fuzzy
razonamiento de la lógica borrosa. Takagi y Sugeno Inference Systems Implemented on Neural
probaron en [196] que lógica borrosa se puede Architectures for Motor Fault Detection and
utilizar para formar el modelo borroso, el cual es muy Diagnosis”. IEEE Transactions on Industrial
poderoso a la hora de modelar sistemas dinámicos no Electronics, 46(6), pp. 1069-1079,December 1999.
lineales. Esta habilidad de modelado ha sido utilizada [4] S. A. Ashton, D. N. Shields and S. Daley.
en el diseño de observadores borrosos para “Design of a robust fault detection observer for
diagnóstico de fallos en sistemas dinámicos no polynomial nonlinearities”. Preprints of the 14th
lineales [124], [25], [19], [192]. Dentro de los IFAC World Congress, Beijing, P. R. China, Vol.P,
observadores borrosos se encuentran los basados en pp. 49-54, July 1999.
el modelo borroso de Takagi-Sugeno [192], los
ANEXO 2
[5] M. Ayoubi and R. Isermann. “Neuro-fuzzy Approaches to Fault Diagnosis for Dynamic
systems for diagnosis”. Fuzzy Sets and Systems, Systems”. European Journal of Control, 7, pp. 248-
89(3), pp. 289-307, 1997. 286, 2001.
[6] P. Ballé, M. Fischer, D. Füssel, O. Nelles and R. [20] J. M. F. Calado, M. J. G. C. Mendes, J. M. G. Sá
Isermann. “Integrated Control, Diagnosis and da Costa and J. Korbicz. “Neuro and neurofuzzy
Reconfiguration of a Heat Exchanger”. IEEE Control hierarchical structures comparision in FDI: case
Systems Magazine, 18(3), pp. 52-63, June 1998. study”. Preprints of the 15th IFAC World Congress,
[7] M. Basseville. “Detecting Changes in Signals and Barcelona, Spain, 1246, July 2002.
Systems – A Survey”. Automatica, 24(3), pp. 309- [21] J. Candau. “Sistemas de Control con Tolerancia
326, 1988. a Fallos Activa”. Tesis doctoral, Dpto. Ingeniería de
[8] M. Basseville. “Information Criteria for Residual Sistemas y Automática, Universidad de Valladolid,
Generation and Fault Detection and Isolation”. España, 2001.
Automatica, 33(5), pp. 783-803, 1997. [22] C. T. Chang and J. W. Chen. “Implementation
[9] M. Basseville and I. Nikiforov. “Detection of issues concerning the EKF-based faultdiagnosis
Abrupt Changes: Theory and Application”. Prentice- techniques”. Chemical Engineering Science, 50(18),
Hall Information and System Sciences Series, New pp. 2861-2882, 1995.
York, 1993. [23] S. K. Chang and P. L. Hsu. “A novel design for
[10] J. S. Bay. “Fundamentals of Linear State Space the unknown input fault-detection observer”.
Systems”. The McGraw-Hill Companies, Inc., 1999. Control-Theory and Advanced Technology, 10(4
[11] H. Benkhedda and R. J. Patton. “B-spline Pt2), pp. 1029-1051, 1995.
network integrated qualitative and quantitative fault [24] J. Chen and R. J. Patton. “Optimal filtering and
detection”. Preprints of the 13th IFAC World robust fault-diagnosis of stochastic-systems with
Congress, San Francisco, USA, 1996. unknown disturbances”. IEE Proc-D.: Contr. Theory
[12] G. Besançon. “On high gain observer based & Appl., 143(1), pp. 31-36, 1996.
robust fault detection in nonlinear systems”. [25] J. Chen and R. J. Patton. “Robust Model-Based
Preprints of the 4th IFAC Symp. on Fault Detection, Fault Diagnosis for Dynamic Systems”. Kluwer
Supervision and Safety for Technical Processes Academic Publishers, 1999.
SAFEPROCESS’2000, Budapest, Hungary, Vol.1, pp. [26] J. Chen, R. J. Patton and H. Y. Zhang. “Design
215-220, June 2000. of unknown input observers and robust faultdetection
[13] G. Besançon and Q. Zhang. “Further filters”. Int. J. Contr., 63(1), pp. 85- 105, 1996.
developments on adaptive observers for nonlinear [27] W. Chen and M. Saif. “Robust fault detection
systems with application in fault detection”. and isolation in constrained nonlinear systems via a
Preprints of the 15th IFAC World Congress, second order sliding mode observer”. Preprints of the
Barcelona, Spain, 2085, July 2002. 15th IFAC World Congress, Barcelona, Spain, 1498,
[14] L. F. Blázquez. “Diagnosticabilidad de fallos en July 2002.
sistemas de control no lineales con saturación”. Tesis [28] L. H. Chiang, E. L. Russell and R. D. Braatz.
doctoral, Dpto. Ingeniería de Sistemas y Automática, “Fault Detection and Diagnosis in Industrial
Universidad de Valladolid, España, 2003. Systems”. Springer, 2001.
[15] L. F. Blázquez and L. J. de Miguel. “Saturation [29] E. Y. Chow and A. S. Willsky. “Analytical
effects detecting additive faults”. Proceedings of the Redundancy and the Design of Robust Failure
European Control Conference ECC2001, pp. 2340- Detection Systems”. IEEE Transactions on
2345, September 2001. Automatic Control, AC-29(7), pp. 603-614, July
[16] L. F. Blázquez, J. M. Foces and L. J. de Miguel. 1984.
“Additive fault detection in a real nonlinear system [30] R. N. Clark. “The dedicated observer approach
with saturation”. Preprints of the 5th IFAC to instrument failure detection”. Proc. of the 18th
Symposium on Fault Detection, Supervision and IEEE Conf. on Decision & Control, Fort Lauderdale,
Safety for Technical Processes Fla., pp. 237-241, 1979.
SAFEPROCESS’2003, Washington, D.C., USA, pp. [31] P. A. Cook. “Nonlinear Dynamical System, 2nd
1119-1124, June 2003. edition”. Prentice Hall International Series in
[17] J. Bouattour and J. J. Gertler. “Diagnosis Systems and Control Engineering, UK, 1994.
parametric faults in induction motors with nonlinear [32] A. Creus. “Simulación y control de procesos por
parity relations”. Preprints of the 4th IFAC ordenador”. Marcombo Boixareu Editores, España,
Symposium on Fault Detection, Supervision and 1987.
Safety for Technical Processes SAFEPROCESS 2000, [33] A. Creus. “Simulación de procesos con PC”.
Budapest, Hungary, Vol.2, pp. 992-997, June 2000. Marcombo Boixareu Editores, España, 1989. [34] J.
[18] M. Brown and C. J. Harris. “Neurofuzzy J. D’Azzo y C. H. Houpis. “Sistemas
Adaptive Modelling and Control”. Prentice Hall, realimentados de control: análisis y síntesis, 4ª
New York, 1994. edición”. Paraninfo S.A., 1989.
[19] J. M. F. Calado, J. Korbick, K. Patan, R. J. [35] M. J. de la Fuente. “Técnicas Robustas de
Patton and J. M. G. Sá da Costa. “Soft Computing Detección y Diagnóstico de Fallos basadas en
ANEXO 2
Modelos”. Tesis doctoral, Dpto. Ingeniería de TOOLDIAG’93, Toulouse, France, pp. 817-836,
Sistemas y Automática, Universidad de Valladolid, April 1993.
España 1994. [50] P. M. Frank. “Application of fuzzy logic to
[36] M. J. de la Fuente. “Detección y diagnóstico de process supervision and fault diagnosis”. Preprints of
fallos usando redes neuronales”. Primeras Jornadas the 2nd IFAC Symposium on Fault Detection,
de Trabajo sobre Diagnosis, Valladolid, España, pp. Supervision and Safety for Technical Processes
61-70, Julio 2001. SAFEPROCESS’94, Espoo, Finland, pp. 531-538,
[37] M. J. de la Fuente and S. Saludes. 1994.
“Faultdetection and isolation in a non-linear plant via [51] P. M. Frank. “On-line fault-detection in
neural networks”. Preprints of the 4th IFAC uncertain nonlinear-systems using diagnostic
Symposium on Fault Detection, Supervision and observers: a survey”. Int. J. Systems Sci., 25(12), pp.
Safety for Technical Processes SAFEPROCESS 2129-2154, 1994.
’2000, Budapest, Hungary, pp. 472-477, 2000. [52] P. M. Frank and X. Ding. “Survey of robust
[38] M. J. de la Fuente and P. Vega. “Neural residual generation and evaluation methods in
networks applied to fault detection of a observer-based fault detection systems”. J. Proc.
biotechnological process”. Eng. Applications of Cont., 7(6), pp. 403-424, 1997.
Artificial Intelligence, 12(5), pp. 569-584, 1999. [53] P. M. Frank, S. X. Ding and B. Köppen-Seliger.
[39] M. A. Demetriou and M. M. Polycarpou. “Current developments in the theory of FDI”.
“Incipient Fault Diagnosis of Dynamical Systems Preprints of the 4th IFAC Symposium on Fault
Using Online Approximators”. IEEE Transactions on Detection, Supervision and Safety for Technical
Automatic Control, 43(11), pp. 1612-1617, Processes SAFEPROCESS’2000, Budapest, Hungary,
November 1998. Vol.1, pp. 16-27, June 2000.
[40] L. J. de Miguel. “Diagnóstico Automático de [54] P. M. Frank, X. Ding and J. Wochnik.
Fallos basado en Ecuaciones de Paridad”. Tesis “Modelbased fault detection in diesel-hydraulically
doctoral, Dpto. Ingeniería de Sistemas y Automática, driven industrial trucks”. Proc. of 1991 American
Universidad de Valladolid, España, 1994. Control Conference, Boston, pp. 1528-1533, 1991.
[41] L. J. de Miguel y J. R. Perán. “Métodos de [55] P. M. Frank and N. Kiupel. “Fuzzy supervision
detección y diagnóstico de fallos basados en el and application to lean production”. Int. J. Sys. Sci.,
modelo de la planta”. Informática y Automática, 24(10), pp. 1935-1944, 1993.
29(1), pp. 3-29, Junio 1997. [56] P. M. Frank and B. Köppen-Seliger. “Fuzzy
[42] C. de Persis and A. Isidori. “A Geometric Logic and Neural Network Applications to Fault
Approach to Nonlinear Fault Detection and Diagnosis”. International Journal of Approximate
Isolation”. IEEE Transactions on Automatic Control, Reasoning, 16(1), pp. 67-88, 1997.
46(6), pp. 853-865, June 2001. [57] P. M. Frank and B. Köppen-Seliger. “New
[43] A. L. Dexter. “Fuzzy model-based Developments Using AI in Fault Diagnosis”. Engng.
faultdiagnosis”. IEEE Proc.-D: Contr. Theory & Applic. Artif. Intell., 10(1), pp. 3-14, 1997.
Appl., 142(6), pp. 545-550, 1995. [58] P. M. Frank and R. Seliger. “Fault detection and
[44] X. Ding and P. M. Frank. “An adaptive isolation in automatic process”. En C. Leondes (ed.),
observer-based fault detection scheme for nonlinear Control and Dynamics Systems, 49, pp. 241-287,
dynamic systems”. Preprints of the 12th IFAC World 1991.
Congress, Australia, 7, pp. 307-310, 1993. [59] G. F. Franklin, J. D. Powell and A. Emami-
[45] R. C. Dorf. “Sistemas Modernos de Contro, 2ª Naeini. “Control de sistemas dinámicos con
edición”. Addison-Wesley Iberoamericana, S.A., retroalimentación”. Addison-Wesley Iberoamericana,
USA, 1989. S.A., USA, 1991.
[46] C. Edwards and S. K. Spurgeon. “On the [60] Y. Funahashi. “State stable estimator for bilinear
development of discontinuous observers”. Int. J. systems”. Int. J. Contr., 29(2), pp. 181-188, 1976.
Contr., 59(5), pp. 1211-1229, 1994. [61] C. Gan, K. Danai. “Fault diagnosis with a
[47] C. Edwards, S. K. Spurgeon, R. J. Patton and P. model-based recurrent neural network”. Preprints of
Klotzek. “Sliding mode observers for fault the 5th IFAC Symposium on Fault Detection,
detection”. Preprints of the 3rd IFAC Symposium on Supervision and Safety for Technical Processes
Fault Detection, Supervision and Safety for Technical SAFEPROCESS’2003, Washington, D. C., USA, pp.
Processes SAFEPROCESS’97, Hull, UK, pp. 507- 747-752, 2003.
512, August 1997. [62] E. A. García and P. M. Frank. “Deterministic
[48] P. M. Frank. “Fault Diagnosis in Dynamic nonlinear observer-based approaches to fault
Systems using Analytical and Knowledge- Based diagnosis: a survey”. Control Eng. Practice, 5(5), pp.
Redundancy – A Survey and Some New Results”. 663-670, 1997.
Automatica, 26(3), pp. 459-474, 1990. [63] F. J. García, A. J. García, J. Candau and J. R.
[49] P. M. Frank. “Advances in observer-based fault Perán. “Fault diagnosis systems using neural
diagnosis”. Proc. of Int. Conf. on Fault Diagnosis networks models”. Preprints of the 4th IFAC
Symposium on Fault Detection, Supervision and
ANEXO 2
Safety for Technical Processes SAFEPROCESS 2000, Detection and Isolation”. Automatica, 26(2), pp. 381-
Budapest, Hungary, Vol.1, pp. 467-471, 2000. 388, 1990.
[64] F. J. García, V. Izquierdo, L. J. de Miguel and J. [78] J. J. Gertler and M. Staroswiecki. “Structured
R. Perán. “Fault-diagnostic system using analytical fault diagnosis in mildly nonlinear systems: parity
fuzzy redundancy”. Engineering Applications of space and input-output formulations”. Preprints of
Artificial Intelligence, 13(4), pp. 441-450, August the 15th IFAC World Congress, Barcelona, Spain,
2000. 439, July 2002.
[65] V. Garg and J. K. Hedrick. “Fault detection filter [79] G. C. Goodwin, S. F. Graebe and M. E. Salgado.
for a class of non-linear systems”. Proc. Of the 1995 “Control System Design”. Prentice Hall Inc., New
American Control Conf., Seatlle, USA, pp. 1647- Jersey, USA, 2001.
1651, 1995. [80] C. Guernez, J. P. Cassar and M. Staroswiecki.
[66] M. Ge, G. Zhang, R. Du and Y. Xu. “Extension of parity space to nonlinear polynominal
“Application of support vector machine based fault dynamic systems”. Preprints. Of the 3rd IFAC
diagnosis”. Preprints of the 15th IFAC World Symposium on Fault Detection, Supervision and
Congress, Barcelona, Spain, 962, July 2002. Safety for Technical Processes SAFEPROCESS’97,
[67] C. F. Gerald y P. O. Wheatley. “Análisis Hull, UK, pp. 861-866, August 1997.
numérico con aplicaciones, 6ª edición”. Pearson [81] A. Hać. “Design of disturbance decoupled
Educación S.A., México, 2000. observer for bilinear systems”. J. Dyn. Sys. Meas. &
[68] J. J. Gertler. “Survey of Model-Based Failure Contr. – Trans. of the ASME, 114(4), pp. 556-562,
Detection and Isolation in Complex Plants”. IEEE 1992.
Control Systems Magazine, 8(6), pp. 3-11, December [82] H. Hammouri, M. Kinnaert and E. H. El
1988. Yaagoubi. “Fault detection and isolation for
[69] J. J. Gertler. “Analytical redundancy methods in state affine systems”. European J. Control,
fault detection and isolation”. Preprints of 4(1), pp. 2-16, 1998.
IFAC/IMACS Symposium on Fault Detection, [83] H. Hammouri, M. Kinnaert and E. H. El
Supervision and Safety for Technical Processes Yaagoubi. “Observer-Based Approach to Fault
SAFEPROCESS’91, Baden-Baden, Germany, pp. 9- Detection and Isolation for Nonlinear Systems”.
21, 1991. IEEE Transactions on Automatic Control, 44(10), pp.
[70] J. J. Gertler. “Fault detection and isolation using 1879-1884, October 1999.
parity relations”. Contr. Eng. Practice, 5(5), pp. 653- [84] H. Hammouri, P. Kabore and M. Kinnaert. “A
661, 1997. Geometric Approach to Fault Detection and Isolation
[71] J. J. Gertler. “Fault Detection and Diagnosis in for Bilinear Systems”. IEEE Transactions on
Engineering Systems”. Marcel Dekker, 1998. Automatic Control, 46(9), pp. 1451-1455, September
[72] J. J. Gertler. “All linear methods are equal – 2001.
andextendible to nonlinearities”. Preprints of the 4th [85] A. Hara and K. Furuta. “Minimal order state
IFAC Symposium on Fault Detection, Supervision observers for bilinear systems”. Int. J. Contr., 24(5),
and Safety for Technical Processes SAFEPROCESS pp. 705-718, 1976.
2000, Budapest, Hungary, Vol.1, pp. 52-63, June [86] Y. Hayashi, J. J. Buckley and E. Czogala.
2000. “Systems engineering applications of fuzzy neural
[73] J. J. Gertler, Y. Hu, Y. Huang and T. McAvoy. networks”. J. of Systems Eng., 2(4), pp. 232-236,
“Structured partial component analysis: extension to 1992.
polynomial nonlinearities”. Preprints of the 4th IFAC [87] D. Hengy and P. M. Frank. “Component failure
Symposium on Fault Detection, Supervision and detection via nonlinear state observers”. Proc. of
Safety for Technical Processes SAFEPROCESS2000, IFAC Workshop on Fault Detection and Safety in
Budapest,Hungary, Vol.2, pp. 1004-1009, June 2000. Chemical Plants, Kyoto, Japan, pp. 153-157, 1986.
[74] J. J. Gertler, W. Li, Y. Huang and T. J. McAvoy. [88] D. M. Himmelblau, R. W. Barker and W.
“Isolation enhanced principal component analysis”. Suewatanakul. “Fault classification with the aid of
AIChE J., 45, pp. 323- 332, 1999. artificial neural networks”. Preprints of IFAC/IMACS
[75] J. J. Gertler and Q. Luo. “Robust isolable models Symposium on Fault Detection, Supervision and
for failure diagnosis”. AIChE J., 35(11), pp. 1856- Safety for Technical Processes SAFEPROCESS’91,
1868, 1989. Baden-Baden, Germany, Vol.2, pp. 369-373, 1991.
[76] J. J. Gertler and T. J. McAvoy. “Principal [89] M. Hou and A. C. Pugh. “Observing state in
component analysis and parity relations – a strong bilinear systems: a UIO approach”. Preprints of the
duality”. Preprints. of the 3rd IFAC Symposium on 3rd IFAC Symposium on Fault Detection,
Fault Detection, Supervision and Safety for Technical Supervision and Safety for Technical Processes
Processes SAFEPROCESS’97, Hull, UK, pp. 837- SAFEPROCESS’97, Hull, UK, pp. 783-788, August
842, August 1997. 1997.
[77] J. J. Gertler and D. Singer. “A New Structural [90] K. J. Hunt, D. Sbarbaro, R. Zbikowski and P. J.
Framework for Parity Equation-based Failure Gawthrop. “Neural networks for control systems – a
survey”. Automatica, 28(6), pp. 1083-1112, 1992.
ANEXO 2
[91] R. Isermann. “Fault Diagnosis of Machines via [105]J. M. Kościelny, M. Syfert. “Fuzzy logic
Parameter Estimation and Knowledge Processing – application to diagnostics of industrial processes”.
Tutorial Paper”. Automatica, 29(4), pp. 815-835, Preprints of the 5th IFAC Symposium on Fault
1993. Detection, Supervision and Safety for Technical
[92] R. Isermann. “On fuzzy logic applications for Processes SAFEPROCESS’2003, Washington, D. C.,
automatic control, supervision and fault diagnosis”. USA, pp. 771-776, 2003.
IEEE Trans. on Sys. Man and Cyber. Part A-Sys. & [106]J. R. Koza. “Genetic programming”. Cambridge
Humans, 28(8), pp. 221-235, 1998. MIT, The MIT Press 1992. [107]M. A. Kramer and
[93] R. Isermann and P. Ballé. “Trends in the B. M. Palowitch Jr. “A Rule- Based Approach to
application of model-based fault detection and Fault Diagnosis using the Signed Directed Graph”.
diagnosis of technical processes”. Control Eng. AIChE Journal, 33(7), pp. 1067-1078, 1989.
Practice, 5(5), pp. 709-719, 1997. [108]V. Krishnaswami, G. Luh and G. Rizzoni.
[94] R. Isermann and M. Ulieru. “Integrated fault “Nonlinear parity equation based residual generation
detection and diagnosis”. Proc. of the 1993 IEEE for diagnosis of automotive engine faults”. Contr.
Conference on Systems, Man & Cybernetics, Le Eng. Practice, 3(10), pp. 1385- 1392, 1995.
Touquet, France, pp. 743-748, 1993. [109]V. Krishnaswami and G. Rizzoni. “Nonlinear
[95] B. Jiang, V. Cocquempot and C. Christophe. parity equation residual generation for fault detection
“Fault diagnosis using sliding mode observer for and isolation”. Preprints of the 2nd IFAC Symposium
nonlinear systems”. Preprints of the 15th IFAC World on Fault Detection, Supervision and Safety for
Congress, Barcelona, Spain, 674, July 2002. Technical Processes SAFEPROCESS’94, Espoo,
[96] P. Kabore, S. Toman, T. F. Mckenna and H. Finland, Vol.1, pp. 317-322, 1994.
Hammouri. “Observer based fault diagnosis for a [110]V. Krishnaswami and G. Rizzoni. “A survey of
class of nonlinear system – application to a free observer based residual generation for FDI”.
radical copolymerisation reaction”. Int. J. Control, Preprints of the 2nd IFAC Symposium on Fault
73, pp. 787-803, 2000. Detection, Supervision and Safety for Technical
[97] P. Kabore and H. Wang. “Design of Fault Processes SAFEPROCESS’94, Espoo, Finland,
Diagnosis Filters and Fault-Tolerant Control for a Vol.1, pp. 34-39, 1994.
Class of Nonlinear Systems”. IEEE Transactions on [111]V. Krishnaswami and G. Rizzoni. “Robust
Automatic Control, 46(11), pp. 1805-1810, residual generation for nonlinear system fault
November 2001. detection and isolation”. Preprints of the 3rd IFAC
[98] S. N. Kavuri and V. Venkatasubramanian. Sympo. on Fault Detection, Supervision and Safety
“Neural network decomposition strategies for large- for Technical Processes SAFEPROCESS’97, Hull,
scale fault diagnosis”. Int. J. Contr., 59(3), pp. 767- UK, pp. 154-159, August 1997.
792, 1994. [112]B. C. Kuo. “Sistemas de Control Automático, 7ª
[99] H. K. Khalil. “Nonlinear Systems, third edition”. edición”. Prentice Hall Hispanoamericana, S.A.,
Prentice Hall Inc., New Jersey, USA, 2002. México, 1996.
[100]Y. W. Kim, G. Rizzoni, A. Soliman, P. Azzoni [113]S. H. Lane, D. A. Handelman and J. J. Gelfand.
and D. Moro. “Powertrain diagnostics using “Theory and development of higher-order CMAC
nonlinear sliding-mode observers”. Preprints of the neural-networks”. IEEE Contr. Syst. Mag., 12(2), pp.
3rd IFAC Symposium on Fault Detection, 23-30, 1992.
Supervision and Safety for Technical Processes [114]E. G. Laukonen, K. M. Passino, V.
SAFEPROCESS’97, Hull, UK, pp. 825-830, August Krishnaswami, G.-C. Luh and G. Rizzoni. “Fault
1997. Detection and Isolation for an Experimental Internal
[101]Y.-W. Kim, G. Rizzoni and V. Utkin. Combustion Engine via Fuzzy Identification”. IEEE
“Automotive Engine Diagnosis and Control via Transactions on Control Systems Technology, 3(3),
Nonlinear Estimation”. IEEE Control Systems pp. 347-355, September 1995.
Magazine, 18(5), pp. 84-99, October 1998. [115]J. A. Leonard and M. A. Kramer. “Diagnosing
[102]M. Kinnaert. “Robust fault detection based on dynamic faults using modular neural-nets”. IEEE
observers for bilinear systems”. Automatica, 35, pp. Expert-Intelligent Systems & Their Applications,
1829-1842, 1999. 8(2), pp. 44-53, 1993.
[103]M. Kinnaert. “Fault diagnosis based on [116]W. S. Levine. “The Control Handbook”. CRC
analytical models for linear and nonlinear systems. A Press Inc., 1996.
tutorial”. Preprints of the 5th IFAC Symposium on [117]P. H. Lewis y C. Yang. “Sistemas de control en
Fault Detection, Supervision and Safety for Technical ingeniería”. Prentice Hall Iberia, S.R.L., España,
Processes SAFEPROCESS’2003, Washington, D. C., 1999.
USA, pp. 37-50, 2003. [118]C. J. Li and Y. M. Fan. “Recurrent neural
[104]B. Köppen-Seliger and P. M. Frank. “Fault networks for fault diagnosis and severity assessment
detection and isolation in technical processes with of a screw compresor”. J. Dynamic Sys. Measurement
neural networks”. Proc. of the 34th Conf. on Decision & Control, Trans. of the ASME 121(4), pp. 724-729,
& Control, New Orleans, USA, pp. 2414-2419, 1995 1999.
ANEXO 2
[119]W. Lin and H. Wang. “Linearization techniques [134]D. P. Morgan and C. L. Scofield. “Neural
in fault diagnosis of non-linear systems”. Journal of Networks and Speech Processing”. Kluwer Academic
Systems and Control Engineering Part I, 214(4), pp. Publishers, 1991.
241-245, March 2000. [135]E. Moya, G. I. Sainz, B. Grande, M. J. de la
[120]D. K. Lindner. “Introduction to Signals and Fuente and J. R. Perán. “Neural PCA based fault
Systems”. The McGraw-Hill Companies, Inc., 1999. diagnosis”. Proceedings of the European Control
[121]B. G. Lipták. “Process Control, 3rd edition”. Conference ECC2001, pp. 809-813, September 2001.
Butterworth-Heinemann, 1995. [136]E. Moya, G. I. Sainz, J. Juez, J. Candau and J.
[122]D. Liu and A. N. Michel. “Dynamical Systems R. Perán. “Fault diagnosis and automatic extraction
with Saturation Nonlinearities. Analysis and Design”. of fuzzy rules in AC motors”. Preprints of the 15th
Springer-Verlag, 1994. IFAC World Congress, Barcelona, Spain, 1026, July
[123]L. Ljung. “System identification: Theory for the 2002.
user, 2nd edition”. Prentice Hall, New Jersey, 1999. [137]S. Naidu, E. Zafiriou and T. J. McAvoy. “Use
[124]C. J. Lopez-Toribio, R. J. Patton and J. Chen. of neural networks for failure detection in a control
“Fuzzy Observers for Non-linear Dynamic Systems system”. IEEE Contr. Syst. Mag., 10, pp. 49-55,
Fault Diagnosis”. Proc. of the 27th IEEE Conf. on 1990.
Decision and Control, Tampa, Florida, pp. 16-18, [138]M. R. Napolitano, V. Casdorph, C. Neppach, S.
1998. Naylor, M. Innocenti and G. Silvestri. “Online
[125]L. Ma, Y. Yang, F. Wang and N. Lu. “A neural learning neural architectures and crosscorrelation
network observer approach for actuator fault dtection analysis for actuator failuredetection and
and diagnosis in nonlinear systems”. Preprints of the identification”. Int. J. Contr., 63(3), pp. 433-455,
15th IFAC World Congress, Barcelona, Spain, 642, 1996.
July 2002. [139]M. R. Napolitano, C. Neppach, V. Casdorph, S.
[126]Y. Maki and K. A. Loparo. “A Neural-Network Naylor, M. Innocenti and G. Silvestri.
Approach to Fault Detection and Diagnosis in “Neuralnetwork- based scheme for sensor
Industrial Processes”. IEEE Transactions on Control failuredetection, identification and accommodation”.
Systems Technology, 5(6), pp. 529-541, November J. of Guidance, Contr. & Dynamics, 18(6), pp. 1280-
1997. 1286, 1995.
[127]R. S. Mangoubi. “Robust Estimation and [140]K. S. Narendra. “Neural networks for control:
Failure Detection. A Concise Treatment”. Springer- Theory and practice”. Proc. IEEE, 84(10), pp. 1385-
Verlag, 1998. 1406, 1996.
[128]M. Männle. “FSTM – Fast Takagi-Sugeno [141]K. S. Narendra and K. Parthasarathy.
fuzzy modeling”. Preprints of the 4th IFAC “Identification and Control of Dynamic Systems
Symposium on Fault Detection, Supervision and Using Neural Networks”. IEEE Transactions on
Safety for Technical Processes SAFEPROCESS2000, Neural Networks, 1(1), pp. 4- 27, March 1990.
Budapest, Hungary, Vol.2, pp. 663-668, June 2000. [142]A. Obuchowicz and K. Patan. “An algorithm of
[129]T. Marcu and L. Mirea. “Robust Detection and evolutionary search with soft selection for training
Isolation of Process Faults Using Neural Networks”. multi-layer feedforward NNs”. Proceedings of 3er
IEEE Control Systems Magazine, 17(5), pp. 72-79, Conference NN & their applications, Kule, Poland,
October 1997. pp. 123-128, 1997.
[130]T. Marcu, L. Mirea, P. M. Frank and H. D. [143]K. Ogata. “Ingeniería de Control Moderna”.
Kochs. “System identification and fault diagnosis Prentice Hall Hispanoamericana, S.A., México,
using dynamic functional-link neural networks”. 1980.
Proceedings of the European Control Conference [144]K. Ogata. “Dinámica de Sistemas”. Prentice
ECC2001, pp. 1618-1623, September 2001. Hall Hispanoamericana, S.A., México, 1987.
[131]J. H. Mathews y K. D. Fink. “Métodos [145]K. Ogata. “Sistemas de Control en Tiempo
Numéricos con MatLab, 3ª edición”. Pearson Discreto, 2ª edición”. Prentice may
Educación S.A., España, 2000. Hispanoamericana, S.A., México, 1996.
[132]C. Mechmeche and S. Nowakowski. “Residual [146]K. Ogata. “Ingeniería de Control Moderna, 3ª
generator synthesis for bilinear systems with edición”. Prentice Hall Hispanoamericana, S.A.,
unknown inputs”. Preprints of the 3rd IFAC México, 1998.
Symposium on Fault Detection, Supervision and [147]A. V. Oppenheim, A. S. Willsky y S. H. Nawad.
Safety for Technical Processes SAFEPROCESS’97, “Señales y Sistemas, 2ª edición”. Prentice Hall
Hull, UK, pp. 765-770, August 1997. Hispanoamericana, S.A., México, 1998.
[133]M. J. G. C. Mendes, M. Kowal, J. Korbicz and [148]I. B. Özyurt, L. O. Hall and A. K. Sunol.
J. M. G. Sá da Costa. “Neuro-fuzzy structures in FDI “SQFDiag: Semiquantitative Model-Based Fault
systems”. Preprints of the 15th IFAC World Monitoring and Diagnosis via Episodic Fuzzy
Congress, Barcelona, Spain, 2024, July 2002. Rules”. IEEE Transactions on Systems, Man and
Cybernetics-Part A: Systems and Humans, 29(3), pp.
294-306, May 1999.
ANEXO 2
index for nonlinear observer-based fault diagnosis”. chemical processes”. Preprints of the 15th IFAC
Proc. of Int. Conf. on Fault Diagnosis: World Congress, Barcelona, Spain, 294, July 2002.
TOOLDIAG’93, Toulouse, France, pp. 496-504, [188]J.-J. E. Slotine, J. K. Hedrick and E. A. Misawa.
April 1993. “On sliding observers for nonlinear systems”. J. Dyn.
[176]Y. Shiao and J. J. Moskwa. “Cylinder Pressure Sys. Meas. & Contr. – Trans. of the ASME, 109(2),
and Combustion Heat Realease Estimation for SI pp. 245-252, 1987.
Engine Diagnostics Using Nonlinear Sliding [189]J.-J. E. Slotine and W. Li. “Applied Nonlinear
Observers”. IEEE Transactions on Control Systems Control”. Prentice Hall, Englewood Cliffs, New
Technology, 3(1), pp. 70-78, March 1995. Jersey, 1991.
[177]D. N. Shields. “Observer design and detection [190]T. Söderström and P. Stoica. “System
for nonlinear descriptor systems”. Int. J. Contr., identification”. Prentice Hall, UK, 1989. [191]S. S.
67(2), pp. 153-168, 1997. [178]D. N. Shields and S. Soliman y M. D. Srinath. “Señales y Sistemas
Ashton. “A fault detection observer method for continuos y discretos, 2ª edición”. Prentice Hall
nonlinear systems”. Preprints of the 4th IFAC Iberia, S.R.L., España, 1999.
Symposium on Fault Detection, Supervision and [192]H. Song, H.-Y. Zhang. “Fault diagnosis based
Safety for Technical Processes on fuzzy observer for uncertain nonlinear systems”.
SAFEPROCESS’2000, Budapest, Hungary, Vol.1, pp. Preprints of the 5th IFAC Symposium on Fault
226-231, June 2000. Detection, Supervision and Safety for Technical
[179]R. Shih and L. Lee. “Use of fuzzy cause-effect Processes SAFEPROCESS’2003, Washington, D. C.,
digraph for resolution fault diagnosis for process USA, pp. 759-764, 2003.
plants I. Fuzzy cause-effect digraph”. Industrial [193]T. Sorsa and H. N. Koivo. “Application of
Engineering and Chemical Research 34, 1688-1702, artificial neural networks in process faultdiagnosis”.
1995. Automatica, 29(4), pp. 843-849, 1993.
[180]R. Shih and L. Lee. “Use of fuzzy cause-effect [194]T. Sorsa, H. N. Koivo and H. Koivisto. “Neural
digraph for resolution fault diagnosis for process networks in process fault diagnosis”. IEEE Trans.
plants II. Diagnostic algorithm and applications”. Systems, Man & Cybernetics, 21(4), pp. 815-825,
Industrial Engineering and Chemical Research 34, 1991.
1703-1717, 1995. [195]M. Syfert and J. M. Kościelny. “Fuzzy neural
[181]A. Y. Shumsky. “Robust residual generation for network based diagnosis system application for three-
diagnosis of nonlinear systems: parity relation tank system”. Proceedings of the European Control
approach”. Preprints of the 3rd IFAC Symposium on Conference ECC2001, pp. 1631-1636, September
Fault Detection, Supervision and Safety for Technical 2001.
Processes SAFEPROCESS’97, Hull, UK, pp. 867- [196]T. Takagi and M. Sugeno. “Fuzzy identification
872, August 1997. of systems and its applications to modelling and
[182]A. Y. Shumsky. “Continuous-time parity control”. IEEE Trans. Sys. Man. & Cyber., 15(1), pp.
relation method for fault diagnosis in nonlinear 116-132, 1985.
uncertain systems”. Preprints of the 4th IFAC [197]C. P. Tan and C. Edwards. “An LMI approach
Symposium on Fault Detection, Supervision and for designing sliding mode observers for fault
Safety for Technical Processes SAFEPROCESS2000, detection and isolation”. Proceedings of the
Budapest, Hungary, Vol.2, pp. 998-1103, June 2000. European Control Conference ECC2001, pp. 481-
[183]A. Shumsky. “Diagnostic observer design for 486, September 2001.
one class of nonlinear systems”. Preprints of the 5th [198]G. Tao and P. V. Kokotović. “Adaptive Control
IFAC Symposium on Fault Detection, Supervision of Systems with Actuators and Sensor
and Safety for Technical Processes SAFEPROCESS Nonlinearities”. John Wiley & Sons Inc., 1996.
2003, Washington, D. C., USA, pp. 807-812, 2003. [199]R. Tarantino, F. Szigeti and E. Colina-Morles.
[184]A. Shumsky and D. Savransky. “Quasi-linear “Generalized Luenberger observer-based filter
parity relations for fault detection in nonlinear design: an industrial application”. Control
uncertain systems”. Preprints of the 14th IFAC World Engineering Practice, 8(6), pp. 665-671, 2000.
Congress, Beijing, P. R. China, Vol.P, pp. 151-156, [200]F. E. Thau. “Observing the state of non-linear
July 1999. dynamic systems”. Int. J. Contr., 17(3), pp. 471-479,
[185]S. Simani, C. Fantuzzi and S. Beghelli. “Fuzzy 1973.
system identification and fault diagnosis of industrial [201]A. B. Trunov and M. M. Polycarpou.
processes”. Proceedings of the European Control “Automated Fault Diagnosis in Nonlinear
Conference ECC2001, pp. 1642-1629, September Multivariable Systems Using a Learning
2001. Methodology”. IEEE Transactions on Neural
[186]S. Simani, C. Fantuzzi and R. J. Patton. “Model- Networks, 11(1), pp. 91-101, January 2000.
based Fault Diagnosis in Dynamic Systems Using [202]Y. Tsuge, J. Shiozaki, H. Masuyama and E.
Identification Techniques”. Springer, 2003. O’Shima. “Fault Diagnosis Algorithms based on the
[187]S. Simani and R. J. Patton. “Model-based Signed Directed Graph and its modifications”. I.
datadriven approach to robust fault diagnosis in Chem. Eng. Symp. Ser., 92, 133, 1985.
ANEXO 2
[203]S. G. Tzafestas, M. Singh and G. Schmidt. networks in process engineering”. IEE Proc.-D:
“System Fault Diagnostics, Reliability and Related Contr. Theory & Appl., 138(3), pp. 256-266, 1991.
Knowledge-Based Approaches”. Dordrecht [218]A. S. Willsky. “A Survey of Design Methods
(Holland): Reidel, 1987. for Failure Detection in Dynamic Systems”.
[204]M. Ulieru. “A fuzzy logic based computer Automatica, 12(6), pp. 601-611, 1976.
assisted fault diagnosis system”. Proc. of Int. Conf. [219]M. Witczak and J. Korvicz. “Genetic
on Fault Diagnosis: TOOLDIAG’93, Toulouse, programming based observers for non-linear
France, pp. 689-699, (Vol.2), April 1993. systems”. Preprints of the 4th IFAC Symposium on
[205]E. Umez-Eronini. “Dinámica de sistemas y Fault Detection, Supervision and Safety for Technical
control”. Thomson Learning, Inc., México, 2001. Processes SAFEPROCESS’2000, Budapest, Hungary,
[206]F. J. Uppal and R. J. Patton. “Application of Vol.2, pp. 967-972, June 2000.
Bspline neuro fuzzy networks to identification, fault [220]M. Witczak, A. Obuchowicz and J. Korvicz.
detection and isolation”. Preprints of the 4th IFAC “Design of nonlinear state observers using genetic
Symposium on Fault Detection, Supervision and programming”. Proc. of the 3rd National Conference
Safety for Technical Processes SAFEPROCESS2000, on Evolutionary Algorithms and Global
Budapest, Hungary, Vol.1, pp. 358-363, June 2000. Optimization, Potok Zloty, Poland, pp. 345-352,
[207]F. J. Uppal, R. J. Patton, M. Witczak. “A hybrid 1999.
neuro-fuzzy and de-coupling approach applied to the [221]M. Witczak, R. J. Patton, J. Korbicz. “Fault
DAMADICS benchmark problem”. Preprints of the detection with observers and genetic programming:
5th IFAC Symposium on Fault Detection, Supervision Application to the DAMADICS benchmark
and Safety for Technical Processes SAFEPROCESS problem”. Preprints of the 5th IFAC Symposium on
2003, Washington, D. C., USA, pp. 1059-1064, 2003. Fault Detection, Supervision and Safety for Technical
[208]D. van Schrick. “Remarks on terminology in the Processes SAFEPROCESS’2003, Washington, D. C.,
field of supervision, fault detection and diagnosis”. USA, pp. 1203-1208, 2003.
Preprints of the 3rd IFAC Symposium on Fault [222]J. Wünnenberg. “Observer-based Fault
Detection, Supervision and Safety for Technical Detection in Dynamic Systems”. PhD thesis,
Processes SAFEPROCESS’97, Hull, UK, pp. 959- University of Duisburg, Germany, 1990. [223]X. Xia
964, August 1997. and M. Zeitz. “On nonlinear continuous observers”.
[209]A. T. Vemuri. “Sensor Bias Fault Diagnosis in a Int. J. Contr., 66(6), pp. 943-954, 1997.
Class of Nonlinear Systems”. IEEE Transactions on [224]H. L. Yang and M. Saif. “State observation,
Automatic Control, 46(6), pp. 949-954, June 2001. failure detection and isolation (FDI) in bilinear
[210]A. T. Vemuri, M. M. Polycarpou and A. R. systems”. Int. J. Contr., 67(6), pp. 901-920, 1997.
Ciric. “Fault Diagnosis of Differential- Algebraic [225]D. L. Yu, J. B. Gomm and D. Williams. “Sensor
Systems”. IEEE Transactions on Systems, Man and fault diagnosis in a chemical process via RBF neural
Cybernetics-Part A: Systems and Humans, 31(2), pp. networks”. Control Engineering Practice, 7(1), pp.
143-152, March 2001. 79-55, 1999.
[211]C. Verde. “Fault diagnosis for nonlinear [226]D. L. Yu and D. N. Shields. “A fault detection
Hessenberg systems”. Preprints of the 15th IFAC method for a nonlinear system and its application to a
World Congress, Barcelona, Spain, 1708, July 2002. hydraulic test rig”. Preprints of the 2nd IFAC
[212]M. Vidyasagar. “Nonlinear System Analysis, Symposium on Fault Detection, Supervision and
2nd edition”. Prentice Hall, Englewood Cliffs, New Safety for Technical Processes SAFEPROCESS’94,
Jersey, 1993. Espoo, Finland, Vol.1, pp. 305-310, 1994.
[213]H. Wang and S. Daley. “Actuator Fault [227]D. L. Yu and D. N. Shields. “A bilinear fault
Diagnosis: An Adaptive Observer-Based Technique”. detection observer”. Automatica, 32(11), pp. 1597-
IEEE Transactions on Automatic Control, 41(7), pp. 1602, 1996.
1073-1078, July 1996. [228]D. L. Yu and D. N. Shields. “A bilinear fault
[214]K. Watanabe, I. Matsuura, M. Abe, M. Kubota detection filter”. Int. J. Contr., 68(3), pp. 417- 430,
and D. M. Himmelblau. “Incipient fault diagnosis of 1997.
chemical processes via artificial neural networks”. [229]D. L. Yu, D. N. Shields and S. Daley. “A
AIChE J., 35(11), pp. 1803- 1812, 1989. bilinear fault-detection observer and its application to
[215]N. A. Wilcox and D. M. Himmelblau. “The a hydraulic drive system”. Int. J. Contr., 64(6), pp.
possible cause and effect graphs (PCEG) model for 1023-1047, 1996.
fault diagnosis I. Methodology”. Computers and [230]D. L. Yu, D. N. Shields and J. L. Mahtani. “A
Chemical Engineering 18, 103-116, 1994. nonlinear fault detection method for a hydraulic
[216]N. A. Wilcox and D. M. Himmelblau. “The system”. Proc. of the IEE Int. Conf.: Control’94,
possible cause and effect graphs (PCEG) model for Peregrinus Press, Conf. Pub. Nº 389, Warwick, UK,
fault diagnosis II. Applications”. Computers and pp. 1318-1322, 1994.
Chemical Engineering 18, 117-127, 1994. [231]J. Zhang and J. Morris. “Process modelling and
[217]M. J. Willis, C. D. Massino, G. A. Montague, fault-diagnosis using fuzzy neural networks”. Fuzzy
M. T. Tham and A. J. Morris. “Artificial neural Sets and Systems, 79(1), 127-140, 1996.
ANEXO 2
Introducción
El principal objetivo de este anexo es presentar un método para detección y aislamiento
de fallas sobre un sistema real modelado con bond graph. El sistema real está formado por dos
tanques T1 y T2 abiertos a la atmósfera e interconectados por una válvula V1. El tanque T2
descarga su propio contenido a presión atmosférica a través de la válvula V2. Ambas válvulas
se encuentran completamente abiertas en condición normal de operación. En los dos tanques
hay sensores de presión P1 y P2. El sistema completo se muestra en la figura 1.
Identificación de parámetros
En el sistema hay dos almacenadores de energía, T1 y T2 cuya relación “caudal-delta
presión” se puede escribir como:
t
1
C i t∫0
∆p (t ) = ⋅ Q(τ ).dτ + ∆p (t 0 ) (1)
Ai
donde Ci = para i=1,2
ρ⋅g
Nota: entendemos por ∆p a la presión diferencial (presión de entrada menos la de salida) de la válvula.
ANEXO 3
Por lo tanto el valor de Ci se obtiene midiendo la sección transversal del tanque Ai (que es
constante). En el bond graph, cada tanque estará representado por el correspondiente elemento
C.
También hay dos elementos, V1 y V2 donde no existe una relación dinámica entre
caudal y delta presión y esta relación estática es invertible (i.e. dada una de las dos variables,
la otra se puede obtener en forma instantánea). La relación general para este elemento es:
Q = R . f NL (∆p )
Cuando el elemento es una restricción en un flujo hidráulico, la relación se aproxima de la
siguiente manera:
1/ x
Q = C d ∆p .sign(∆p ) ; x∈ N Λ C = R (2)
d
[ ]
∆ pK = ( P1K − P2 K ) + ( P1K +1 − P2 K +1 ) / 2 ; P1K, P2K representa la K-ésima muestra temporal
( P1K − P1K +1 ) A1
QK = ⋅ ; que es el equivalente en forma diferencial y discreta de la ec. (1)
∆T ρ.g
1/ 2
Q = C d 1 ∆p .sign(∆p )
Figura 3. Relación Q-Dp experimental (ruidosa) y curva ajustada (no ruidosa) para V1.
Una vez que el sistema se dejó evolucionar, se siguió el mismo procedimiento que en la
identificación de V1. En este caso los pares (Qi;∆pi) se obtienen con:
( P2 K − P2 K +1 ) A1
[ ]
∆ pK = P 2 K + P 2 K + 1 / 2 ; QK =
∆T
⋅
ρ.g
La curva Q-∆p experimental se grafica en la figura 5. En este caso la curva que minimiza el
error cuadrático entre la curva experimental y la propuesta en la ec. (2) es una relación del
tipo raíz cuarta:
1/ 4
Q = C d 2 ∆p .sign(∆p ) ≡ Cd 2 .4 P 2
ANEXO 3
Pese a ser V1 y V2 válvulas similares (mismo diámetro y diseño) se obtuvo una relación
diferente ya que lo que estamos modelando no es sólo la válvula sino también las conexiones
(incluyendo varios caños y curvas) que son diferentes en cada caso.
La curva ajustada para V2 también se muestra en la figura 5.
Figura 5. Relación Q-∆p experimental (ruidosa) y curva ajustada (no ruidosa) para V2.
Del modelo en causalidad integral se realiza inversión causal comenzando por los
sensores tal como se propone en [1]. De esta manera se genera el DBG indicado en la figura 7
para evaluar directamente los residuos [2]. En el DBG, los dos almacenadores se encuentran
en causalidad derivativa. Esta propiedad hace al sistema independiente de las condiciones
iniciales.
ANEXO 3
Figura 7.Bond Graph para diagnóstico y análisis causal hacia los residuos.
Se consideran cuatro posibles fallas (una por cada elemento), estas son: pérdidas en
cualquiera de los dos tanques y bloqueo de cualquier válvula.
En la figura 7 se muestra el análisis causal de cada elemento hacia los residuos. Esto es,
la incidencia (o no) de la variable “fijada” por este elemento sobre el cómputo del residuo.
Los resultados son:
RV1→R1: residuo 1
CT1→R1: residuo 1
RV1→R2: residuo 2
CT2→R2: residuo 2
RV2→R2: residuo 2
A partir de las ecuaciones diferenciales se pueden obtener las Relaciones Redundantes
Analíticas (ARR’s) [1][2][3].
dP1
ARR1 = C1. + Cd 1. P1 − P 2 .sign( P1 − P 2)
dt
dP 2
ARR 2 = C2 . − Cd 1. P1 − P 2 .sign( P1 − P 2) + Cd 2 . P 2
dt
El mismo análisis vale para ARR2 que dejará de ser igual a cero cuando ocurra una falla
en T2 (cuyo parámetro es C2), V1 (cuyo parámetro es Cd1) o V2 (cuyo parámetro es Cd2)
Se puede apreciar que el análisis causal de cada elemento hacia los residuos y las
Relaciones Redundantes conducen a la misma matriz de fallas.
Matriz de fallas
A partir del análisis causal de cada elemento hacia los residuos (o de las ARR’s) se
puede construir la matriz de fallas, donde la presencia de un “1” indica que la variable
“fijada” por este elemento afecta al calculo de ese residuo. Mas específicamente, indica que
cuando una falla ocurra en ese elemento, el residuo dejará de valer cero como ocurre durante
la operación normal.
Esta matriz se muestra en la tabla I.
Figura 10. Evoluciones de los residuos y las presiones con pérdida en T1 a los=14,5 seg.
Evaluación off-line con DBG de la figura 8.
ANEXO 3
Figura 11. Evoluciones de los residuos y las presiones con pérdida en T1 a los=14.5 seg.
El sistema utilizado para la simulación es el de la figura 9.
Figura 12. Evoluciones de los residuos y las presiones con bloqueo en V1 a los=13 seg.
Evaluación off-line con DBG de la figura 8.
ANEXO 3
Figura 13. Evoluciones de los residuos y las presiones con bloqueo en V1 a los=13 seg.
El sistema utilizado para la simulación es el de la figura 9.
Figura 14. Evoluciones de los residuos y las presiones con bloqueo en V2 a los=12 seg.
Evaluación off-line con DBG de la figura 8.
ANEXO 3
Figura 15. Evoluciones de los residuos y las presiones con bloqueo en V2 a los=12 seg.
El sistema utilizado para la simulación es el de la figura 9.
Una vez más las evoluciones de los residuos es la esperada de acuerdo a la tabla I. En
esta ocasión la falla sólo puede ser monitoreada ya que una falla en T2 hubiese producido la
misma combinación de residuos.
Conclusiones
Los resultados de las simulaciones verifican la utilidad del “bond graph para
diagnóstico” en la detección y aislamiento de fallas en sistemas reales.
La causalidad derivativa del DBG le permite operar sin necesidad de conocer las
condiciones iniciales. Esto es una ventaja porque muchas veces son difíciles o imposibles de
conocer. Como contrapartida esto produce que los residuos sean muy sensibles al ruido como
puede apreciarse en todas las simulaciones realizadas a partir de los datos experimentales.
Para el caso de las simulaciones con el bond graph del sistema en lugar de las
evoluciones experimentales, los residuos no presentaron ese alto contenido de ruido ya que
los sensores están también simulados y por lo tanto libres de ruido.
Se observa que a medida que el sistema físico se hace más complejo (relaciones no
lineales, gran número de componentes, etc.) el modelado en bond graph se torna más útil a la
hora de confeccionar un sistema de detección y aislamiento de fallas.
Referencias
[2] K.Medjaher, A.K.Samantaray, B. Ould Bouamama. 2005. “Diagnostic Bond Graphs for
Direct Residual Evaluation”, Proc. ICBGM’05, pp.307-312.