Detección y aislamiento de fallas

La detección, aislamiento y recuperación de fallos (FDIR) es un subcampo de la ingeniería de control que se ocupa de la monitorización de un sistema, la identificación de fallos y la localización de su tipo y ubicación. Se pueden distinguir dos enfoques: el reconocimiento directo de patrones de las lecturas de los sensores que indican un fallo y el análisis de la discrepancia entre las lecturas de los sensores y los valores esperados, derivados de un modelo. En este último caso, se considera que un fallo se detecta si la discrepancia o el valor residual supera un umbral determinado. La tarea del aislamiento de fallos consiste entonces en categorizar el tipo de fallo y su ubicación en la maquinaria. Las técnicas de detección y aislamiento de fallos (FDI) se pueden clasificar en dos categorías: la FDI basada en modelos y la FDI basada en procesamiento de señales.

En las técnicas de FDI basadas en modelos, se utiliza un modelo del sistema para determinar la ocurrencia de una falla. El modelo del sistema puede ser matemático o basado en el conocimiento. Algunas de estas técnicas incluyen el enfoque basado en el observador, el enfoque de espacio de paridad y los métodos basados en la identificación de parámetros. Existe otra tendencia en los esquemas de FDI basados en modelos, denominados métodos de pertenencia a conjuntos. Estos métodos garantizan la detección de fallas bajo ciertas condiciones. La principal diferencia radica en que, en lugar de encontrar el modelo más probable, estas técnicas omiten los modelos que no son compatibles con los datos.El ejemplo que se muestra en la figura de la derecha ilustra una técnica de FDI basada en modelos para un controlador reactivo de elevador de aeronave mediante el uso de una tabla de verdad y un diagrama de estados. La tabla de verdad define cómo reacciona el controlador a las fallas detectadas, y el diagrama de estados define cómo conmuta el controlador entre los diferentes modos de operación (pasivo, activo, en espera, apagado y aislado) de cada actuador. Por ejemplo, si se detecta una falla en el sistema hidráulico 1, la tabla de verdad envía un evento al diagrama de estados indicando que el actuador interno izquierdo debe desactivarse. Una de las ventajas de esta técnica de FDI basada en modelos es que este controlador reactivo también puede conectarse a un modelo de tiempo continuo del sistema hidráulico del actuador, lo que permite el estudio de transitorios de conmutación.En el procesamiento de señales basado en FDI, se realizan operaciones matemáticas o estadísticas sobre las mediciones, o se entrena una red neuronal utilizando las mediciones para extraer información sobre la falla.Un buen ejemplo de FDI basada en procesamiento de señales es la reflectometría en el dominio temporal, en la que se envía una señal por un cable o línea eléctrica y la señal reflejada se compara matemáticamente con la señal original para identificar fallas. La reflectometría en el dominio temporal de espectro ensanchado, por ejemplo, implica enviar una señal de espectro ensanchado por un cable para detectar fallas. También se han propuesto varios métodos de agrupamiento para identificar la falla nueva y segmentar una señal dada en segmentos normales y defectuosos.El diagnóstico de fallos en máquinas es un campo de la ingeniería mecánica que se ocupa de la detección de fallos en las máquinas. Una parte particularmente desarrollada de este campo se aplica específicamente a la maquinaria rotativa, uno de los tipos más comunes. Para identificar los fallos más probables que provocan un fallo, se utilizan diversos métodos de recopilación de datos, como la monitorización de vibraciones, la termografía, el análisis de partículas de aceite, etc. Posteriormente, estos datos se procesan mediante métodos como el análisis espectral, el análisis wavelet, la transformada wavelet, la transformada de Fourier de corto plazo, la expansión de Gabor, la distribución de Wigner-Ville (WVD), el cepstrum, el biespectro, el método de correlación, el análisis espectral de alta resolución, el análisis de forma de onda (en el dominio temporal, ya que el análisis espectral suele considerar solo la distribución de frecuencia y no la información de fase), entre otros. Los resultados de este análisis se utilizan en un análisis de causa raíz del fallo para determinar la causa original del fallo. Por ejemplo, si se diagnostica un fallo en un rodamiento, es probable que este no se haya dañado durante la instalación, sino que sea consecuencia de otro error de instalación (por ejemplo, una desalineación) que posteriormente provocó el daño. Diagnosticar el estado de daño del rodamiento no es suficiente para realizar un mantenimiento de precisión. Es necesario identificar y solucionar la causa raíz. De lo contrario, el rodamiento de repuesto se desgastará pronto por la misma razón y la máquina sufrirá más daños, lo que seguirá siendo peligroso. Por supuesto, la causa también puede ser visible mediante el análisis espectral realizado durante la recopilación de datos, pero esto no siempre es así.La técnica más común para detectar fallas es el análisis de tiempo-frecuencia. En una máquina rotatoria, la velocidad de rotación (a menudo conocida como RPM) no es constante, especialmente durante las etapas de arranque y parada. Incluso si la máquina funciona en estado estacionario, la velocidad de rotación variará alrededor de un valor medio estacionario, y esta variación depende de la carga y otros factores. Dado que las señales de sonido y vibración obtenidas de una máquina rotatoria están estrechamente relacionadas con su velocidad de rotación, se puede decir que son señales variables en el tiempo. Estas características variables en el tiempo son las que indican las fallas de la máquina. Por lo tanto, la forma en que se extraen e interpretan estas características es importante para la investigación y las aplicaciones industriales.El método más común en el análisis de señales es la FFT, o transformada de Fourier. Esta y su contraparte inversa ofrecen dos perspectivas para estudiar una señal: en el dominio del tiempo o en el dominio de la frecuencia. El espectro de una señal temporal basado en la FFT nos muestra la existencia de su contenido de frecuencia. Al estudiarlo y sus relaciones de magnitud o fase, podemos obtener diversos tipos de información, como armónicos, bandas laterales, frecuencia de batido, frecuencia de fallo de cojinete, etc. Sin embargo, la FFT solo es adecuada para señales cuyo contenido de frecuencia no cambia con el tiempo; sin embargo, como se mencionó anteriormente, el contenido de frecuencia de las señales de sonido y vibración obtenidas de una máquina rotatoria depende en gran medida del tiempo. Por esta razón, los espectros basados en la FFT no pueden detectar cómo se desarrolla el contenido de frecuencia con el tiempo. Para ser más específicos, si las RPM de una máquina aumentan o disminuyen durante su arranque o parada, su ancho de banda en el espectro de la FFT será mucho mayor que en estado estacionario. Por lo tanto, en tal caso, los armónicos no son tan distinguibles en el espectro.

El enfoque tiempo-frecuencia para el diagnóstico de fallas de máquinas se puede dividir en dos grandes categorías: métodos lineales y métodos cuadráticos. La diferencia radica en que las transformadas lineales pueden invertirse para construir la señal temporal, por lo que son más adecuadas para el procesamiento de señales, como la reducción de ruido y el filtrado variable en el tiempo. Si bien el método cuadrático describe la distribución de energía de una señal en el dominio conjunto tiempo-frecuencia, lo cual es útil para el análisis, la clasificación y la detección de características de la señal, la información de fase se pierde en la representación cuadrática tiempo-frecuencia; además, los historiales temporales no pueden reconstruirse con este método.La transformada de Fourier de corto plazo (STFT) y la transformada de Gabor son dos algoritmos comúnmente utilizados como métodos lineales de tiempo-frecuencia. Si consideramos el análisis lineal de tiempo-frecuencia como la evolución de la FFT convencional, el análisis cuadrático de tiempo-frecuencia sería su contraparte en el espectro de potencia. Los algoritmos cuadráticos incluyen el espectrograma de Gabor, la clase de Cohen y el espectrograma adaptativo. La principal ventaja del análisis de tiempo-frecuencia es descubrir los patrones de cambios de frecuencia, que generalmente representan la naturaleza de la señal. Al identificar este patrón, se puede identificar la falla de la máquina asociada a él. Otro uso importante del análisis de tiempo-frecuencia es la capacidad de filtrar un componente de frecuencia particular mediante un filtro variable en el tiempo.En la práctica, las incertidumbres del modelo y el ruido de las mediciones pueden complicar la detección y el aislamiento de fallas.Por lo tanto, el uso del diagnóstico de fallas para satisfacer las necesidades industriales de forma rentable y reducir los costos de mantenimiento sin requerir más inversiones que las que se pretenden evitar, requiere un plan eficaz de aplicación. Este es el tema del mantenimiento, la reparación y las operaciones; las diferentes estrategias incluyen:

• Mantenimiento basado en condiciones
• Mantenimiento preventivo previsto
• Mantenimiento preventivo
• Mantenimiento correccional (no utiliza diagnóstico)
• Gestión integrada de la salud de los vehículos

En la detección y diagnóstico de fallos, los modelos de clasificación matemática, que pertenecen a métodos de aprendizaje supervisado, se entrenan en un conjunto de datos etiquetado para identificar con precisión redundancias, fallos y muestras anómalas. En las últimas décadas, se han desarrollado y propuesto diferentes modelos de clasificación y preprocesamiento en esta área de investigación. El algoritmo de los k vecinos más cercanos (kNN) es una de las técnicas más antiguas utilizadas para resolver problemas de detección y diagnóstico de fallos. A pesar de su lógica simple, este algoritmo basado en instancias presenta problemas de gran dimensionalidad y tiempo de procesamiento cuando se utiliza en grandes conjuntos de datos. Dado que kNN no puede extraer automáticamente las características para superar la limitación de la dimensionalidad, a menudo se utilizan técnicas de preprocesamiento como el análisis de componentes principales (PCA), el análisis discriminante lineal (LDA) o el análisis de correlación canónica (CCA) para mejorar el rendimiento. En muchos casos industriales, la eficacia de kNN se ha comparado con la de otros métodos, especialmente con modelos de clasificación más complejos como las Máquinas de Vectores de Soporte (SVM), ampliamente utilizadas en este campo. Gracias a su adecuado mapeo no lineal mediante métodos kernel, las SVM presentan un rendimiento de generalización impresionante, incluso con datos de entrenamiento reducidos. Sin embargo, las SVM generales no incorporan extracción automática de características y, al igual que kNN, suelen combinarse con una técnica de preprocesamiento de datos. Otra desventaja de las SVM es que su rendimiento es muy sensible a los parámetros iniciales, en particular a los métodos kernel, por lo que en cada conjunto de datos de señales se requiere un ajuste previo de parámetros. Por lo tanto, la baja velocidad de la fase de entrenamiento limita su uso en la detección y el diagnóstico de fallos.

Las redes neuronales artificiales (RNA) se encuentran entre los algoritmos de clasificación matemática más maduros y utilizados en la detección y el diagnóstico de fallos. Son conocidas por su eficiente capacidad de autoaprendizaje de relaciones complejas (que generalmente existen de forma inherente en los problemas de detección y diagnóstico de fallos) y su facilidad de uso. Otra ventaja de las RNA es que realizan la extracción automática de características asignando pesos insignificantes a las características irrelevantes, lo que ayuda al sistema a evitar la necesidad de otro extractor de características. Sin embargo, las RNA tienden a sobreajustar el conjunto de entrenamiento, lo que conlleva una baja precisión de validación en dicho conjunto. Por lo tanto, a menudo se añaden términos de regularización y conocimiento previo al modelo de RNA para evitar el sobreajuste y lograr un mayor rendimiento. Además, determinar correctamente el tamaño de la capa oculta requiere un ajuste exhaustivo de los parámetros para evitar una aproximación y una generalización deficientes. En general, diferentes modelos de SVM y ANN (es decir, redes neuronales de retropropagación y perceptrones multicapa) han demostrado un rendimiento satisfactorio en la detección y el diagnóstico de fallos en industrias como cajas de engranajes, piezas de maquinaria (es decir, cojinetes mecánicos), compresores, turbinas eólicas y de gas, y placas de acero.

Con los avances en la investigación de las redes neuronales artificiales (RNA) y la llegada de algoritmos de aprendizaje profundo que utilizan capas profundas y complejas, se han desarrollado nuevos modelos de clasificación para la detección y el diagnóstico de fallos. La mayoría de los modelos de aprendizaje superficial extraen algunos valores característicos de las señales, lo que reduce la dimensionalidad de la señal original. Mediante el uso de redes neuronales convolucionales, el escalograma de la transformada wavelet continua puede clasificarse directamente en clases normales y defectuosas. Esta técnica evita la omisión de mensajes de fallo importantes y mejora el rendimiento de la detección y el diagnóstico de fallos. Además, al transformar las señales en imágenes, se pueden implementar redes neuronales convolucionales 2D para identificar señales defectuosas a partir de las características de las imágenes de vibración.

Las redes de creencias profundas, las máquinas de Boltzmann restringidas y los autocodificadores son otras arquitecturas de redes neuronales profundas que se han utilizado con éxito en este campo de investigación. En comparación con el aprendizaje automático tradicional, gracias a su arquitectura profunda, los modelos de aprendizaje profundo pueden aprender estructuras más complejas a partir de conjuntos de datos; sin embargo, requieren muestras más grandes y un mayor tiempo de procesamiento para lograr una mayor precisión.La recuperación de fallos en FDIR es la acción que se toma tras detectar y aislar un fallo para restablecer la estabilidad del sistema. Algunos ejemplos de recuperación de fallos son:

• Cambio de equipo defectuoso
• Cambio de equipo defectuoso a un equipo redundante
• Cambio de estado del sistema completo en un modo seguro con funcionalidades limitadas

• reconfiguración de control
• Teoría de control
• Análisis del modo y los efectos de falla
• Sistema de tolerancia predeterminada
• Mantenimiento predictivo
• Spread-spectrum time-domain reflectometry
• Identificación del sistema