Calderón Vielma, Jesús

Herramienta para la enseñanza de Detección y Diagnóstico
de fallas en Procesos Industriales
Gloria Mousalli-Kayat
[email protected]
Jesús Calderón-Vielma
[email protected]
Addison Ríos-Bolívar
[email protected]
Francklin Rivas-Echeverría
[email protected]
Universidad de Los Andes
Mérida, Venezuela
Resumen
El presente trabajo está orientado a la enseñanza de la Detección y Diagnóstico de
Fallas en procesos industriales, a través de una herramienta computacional que
integra un instrumento virtual desarrollado en LabVIEW 6.0 y una aplicación en
MATLAB 6.1 para la simulación del proceso industrial. La integración de las
aplicaciones utiliza el protocolo de intercambio dinámico de datos DDE (Dynamic
Data Exchange). El objetivo del trabajo es proporcionar un instrumento que facilite
al estudiante interactuar con un proceso y familiarizase con el comportamiento del
sistema para lograr detectar mediante inspección las posibles fallas que ocurren en
el mismo; la interacción es posible gracias a la integración de una interfaz hecha en
LabVIEW con un programa simulador en MatLab. Adicionalmente, en MatLab se
desarrollaron dos filtros detectores de falla, uno basado en observadores y otro
basado en un método heurístico e implementado a través de una red neuronal; éstos
confirmarán las conclusiones a las que ha llegado el estudiante por el método de
inspección.
Palabras clave: Software Educativo, LabVIEW, Integración de Aplicaciones,
Detección de Fallas, Aplicaciones de Redes Neuronales
Abstract
The present work aims to the teaching of fault Detection and Diagnostic in industrial
processes, through a computacional tool that integrates a virtual instrument
developed in LabVIEW 6.0 and a computer application in MATLAB 6.1 for the
simulation of the industrial process. For integrating the applications it has been used
the Dynamic Data Exchange (DDE) protocol. The objective of the work is to use the
integration of the LabVIEW interface with the MatLab program, in order to allow the
student to interactuate with the process and be familiar with the behavior of the
system. This will make the student able to detect by means of inspection the possible
faults that could happen. Additionally, two faults detecting filters were developed
using MatLab, one based on state observers and another based on a heuristic method
and implemented through a neural network. These filters will confirm the conclusions
that the student has arrived using the inspection method.
Keywords: Educational software, Lab Views, applications integration, faults
detection, newal networks applications.
Introducción
La inclusión del computador en el ambiente educativo tiene sus raíces a mediados de
la década de los 50 fundamentados en la teoría conductista de Skinner (1970). El
paradigma sobre el cual se desarrolló la tecnología aplicada a la enseñanza fue
denominado “instrucción programada”, basado en el diseño de material instruccional
compuesto por una serie de pequeños “pasos”, cada uno de los cuales requiere la
respuesta activa del estudiante, quien recibe una realimentación instantánea en los
mismos.
A comienzos de los años 70 con el auge de la inteligencia artificial (Aguilar y Rivas,
2001)) surge la propuesta de la aplicación de estas técnicas a la instrucción asistida
por computadora, Carbonell (1970) desarrolló un sistema tutor inteligente para la
enseñanza de la geografía de América del Sur, éste puede considerarse como el
primer paso hacia los Sistemas Tutores Inteligentes.
Otro tipo de programas que han tenido gran auge en las últimas décadas son los
simuladores que intentan apoyar el aprendizaje asemejando situaciones a la realidad
(Galvis, 1992). Estos programas tienen una aplicación muy especial en el campo de la
ingeniería facilitando el modelado y simulación de procesos químicos, físicos y
mecánicos desde un computador personal (PC).
Los programas simuladores permiten crear ambientes similares a los encontrados en
las salas de control de las industrias; así, es factible acumular conocimientos y
experiencias que puedan utilizarse en condiciones reales.
El avance tecnológico ha traído el desarrollo de protocolos y técnicas de
comunicación que hacen posible la integración de programas con características
diferentes como simuladores, manejadores de bases de datos, tutoriales, etc., con
miras a obtener herramientas computaciones que combinen las potencialidades de
cada uno de ellos. Uno de estos protocolos es el de intercambio dinámico de datos
DDE que permite la comunicación entre aplicaciones bajo ambiente Windows.
En este trabajo se explotan las ventajas del programa LabVIEW (National
Instruments Corporation, 2000) para el desarrollo de interfaces Hombre-Máquina,
combinándolas con un programa simulador de procesos desarrollado en MatLab para
crear una herramienta tipo tutorial, con el objetivo de enseñar al usuario los métodos
de detección y diagnóstico de fallas. El aprendizaje se logra a través de un conjunto
de pruebas virtuales sobre el proceso, el usuario observará el comportamiento del
sistema ante distintas condiciones de fallas.
El trabajo está estructurado de la siguiente forma: en la sección dos se presenta una
breve introducción a la Detección de Fallas, en la sección tres se encuentra el
protocolo de comunicación de aplicaciones DDE y el esquema DDE implementado
entre LabVIEW - MATLAB, la sección cuatro contiene la descripción de la
herramienta computacional desarrollada, en la sección cinco se realiza la discusión de
resultados y finalmente en la sección seis se encuentran las conclusiones.
Detección de Fallas
Es conocido que la confiabilidad operacional debe estar conformada por: la correcta
operación de los procesos, los sistemas de control asociados y la coordinación de los
mismos. Toda esta infraestructura está soportada por diversos sistemas de apoyo
dentro de una estructura de automatización integral, donde la información y su
intercambio se consideran relevantes, desde el punto de vista de confiabilidad,
seguridad y productividad. En cualquiera de los niveles de la cadena de producción,
esta información debe ser manejada con miras a mantener altos índices de eficiencia y
productividad operacional.
Dentro de un marco de operación confiable y segura, deben estar presentes los
sistemas que permiten el reconocimiento de eventos, los cuales deben orientar la toma
de decisiones cuando el desempeño del proceso productivo se ve afectado por la
presencia de cualquier eventualidad adversa. Puesto que la confiabilidad está muy
ligada al concepto de seguridad, entonces, es fundamental dotar a los procesos
industriales de exigentes mecanismos de seguridad, cuyos elementos básicos son los
sistemas de Monitoreo, Diagnóstico y Detección, (MDD); los cuales, mediante los
indicadores y las variables medidas de los procesos, mantienen una supervisión
continua y constante del comportamiento evolutivo en el tiempo de la producción,
reportando cualquier sintomatología que se considere anormal.
Los sistemas de MDD se fundamentan en su capacidad para responder ante
situaciones inesperadas del comportamiento del proceso, de manera que su principal
tarea es la del Diagnóstico y Detección de Fallas, (DDF). Un sistema de DDF, tal
como se muestra en la Figura 1, utiliza las mediciones del proceso a objeto de
producir unos residuos, a partir de los cuales, mediante funciones de evaluación y
lógicas de decisión, se busca la identificabilidad y la separabilidad de las fallas. En el
marco de estas ideas, cualquier sistema que permita, a partir de las variables medidas
de los procesos, generar los residuales y evaluar dichos residuales en forma objetiva,
en relación a las tomas de decisiones orientadas en el reconocimiento de fallas, se
denomina Filtro de Detección y de Diagnóstico de Fallas.
Figura 1. Un Sistema MDD
Desde el punto de vista de la generación de residuos por comparación, las técnicas de
diseño de filtros de DDF se pueden clasificar en, (ver la Figura 2):
1.
Métodos de Redundancia Física; en los cuales se hace uso de las réplicas
físicas de los dispositivos y sistemas bajo estudio. Los residuos se obtienen por la
comparación de las respuestas de los distintos elementos. Estas técnicas tienen el
inconveniente principal de los costos involucrados para su implementación y
seguimiento.
2.
Métodos Basados en Modelos; a partir de los cuales se producen valores
estimados de las salidas de los procesos para la generación de los residuales,
mediante su comparación con las salidas medidas. El principal inconveniente de estas
técnicas es el de construir o disponer de modelos muy precisos.
Diseño de Filtros basados en Observadores
Los observadores de estados es una técnica analítica que se base en el diseño de
Filtros Detectores y Diagnosticadores de Fallas (DDF). El diseño de estos filtros DDF
se puede dividir es dos etapas: la primera fase es la generación de los residuales, (el
problema de detección). La segunda etapa es la evaluación de los residuales a objeto
de determinar el origen de las fallas, (el problema de separación de las fallas). Así, los
residuales son señales escalares o vectoriales que contienen la información acerca del
tiempo y localización de las fallas. En principio, los residuales deben ser iguales a
cero en ausencia de fallas y, obviamente, distintos de ceros cuando alguna falla hace
su aparición.
Bajo esas premisas, los observadores de estados se pueden emplear para la
generación de los residuales. La idea es construir un observador clásico, en general de
orden completo, para el sistema dado en (1), mediante el uso de las variables de salida
y(t) y las variables de control u(t), a objeto de producir un vector de estados
estimados. Los residuales se producen al comparar la salida estimada con la salida
medida de la planta física (Massoumnia, 1986).
Métodos Basados en Conocimiento
Los métodos basados en conocimiento son útiles en los casos en los que resulta difícil
lograr un modelo analítico para la obtención de los residuos. Estos métodos están
basados en el conocimiento que exista sobre el comportamiento de las salidas del
sistema, éste conocimiento permitirá inferir las condiciones en las cuales se encuentra
operando el proceso. Una de las técnicas empleadas para este con las redes
neuronales (Rios, Mousalli y Rivas, 2002). Un esquema neuronal utilizado para la
detección de fallas, consiste de una red Neuronal que posee como entradas: las
variables del proceso usadas para la detección y como salidas: un conjuntos de
valores asociados con la condición operacional del sistema. En este esquema, al igual
que en la mayoría de aplicaciones neuronales, es recomendable que todas las señales
de entrada hayan sido convenientemente normalizadas entre 0 y 1 para garantizar que
el entrenamiento no dependerá del rango de variabilidad de cada señal. Por otro lado,
cada salida deseada debe ser elegida de forma tal que represente una condición
particular del proceso. Por ejemplo, 1 representa la presencia de una falla y –1 su
ausencia.
Figura 2. Métodos de generación de Residuos
La Comunicación entre procesos: El Protocolo DDE
El protocolo de intercambio dinámico de datos DDE (Dynamic Data Exchange) es
uno de los métodos de comunicación entre procesos que permite intercambiar datos
entre aplicaciones de Windows. El protocolo DDE está basado en el sistema de
mensajería construido por Windows (Petzold, 1996). Así, dos programas de
aplicación bajo Windows tal como se muestra en la figura 3 realizan una
“conversación DDE” enviándose mensajes entre ellos. Estos dos programas se
conocen como el servidor y el cliente. Un servidor DDE es el programa que tiene
acceso a los datos que pueden ser útiles a otros programas. El cliente DDE es el
programa que obtiene estos datos desde el servidor.
Figura 3. Diagrama de Conversación DDE
APLICACION
SERVIDOR
MODULO
DDE
APLICACION
CLIENTE
CONVERSACION
MODULO
DDE
Una conversación DDE se inicia con el programa que actúa como cliente, éste
transfiere un mensaje a todos los programas que se están ejecutando en ese momento
en Windows. Dicho mensaje indica una categoría general de datos que el cliente
necesita. Un servidor DDE que posee dichos datos puede responder a este mensaje,
en ese instante comienza la conversación. Un único programa puede ser cliente para
un programa, y servidor para otro, pero esto requiere dos conversaciones DDE
distintas. Un servidor puede entregar datos a múltiples clientes y un cliente puede
obtener datos desde múltiples servidores, pero esto requiere múltiples conversaciones
DDE.
En comunicaciones de TCP/IP, las aplicaciones abren una línea de comunicación y
entonces transfieren datos crudos. DDE trabaja a un nivel más alto, donde las
aplicaciones envían mensajes para intercambiar información. Un mensaje simple es
enviar un comando a otra aplicación. La mayoría de los mensajes se transfieren como
datos, donde los datos son referenciados por nombre.
Ambas aplicaciones deben estar ejecutándose y las dos deben dar a Windows una
dirección a sus funciones de llamada antes de que la comunicación de DDE pueda
comenzar. La función de llamada acepta cualquier mensaje de DDE que Windows
envía a la aplicación.
Un cliente de DDE comienza una conversación con otra aplicación (un servidor de
DDE) enviando un mensaje de conexión. Después de establecer una conexión, el
cliente puede enviar órdenes o datos al servidor y a cambio puede pedir el valor de
datos que el servidor maneja. Cuando la comunicación DDE es completada, el cliente
envía un mensaje de cerrar la conversación al servidor.
Comunicación DDE LabVIEW-MatLab
MatLab es un ambiente matemático cuyos elementos fundamentales de operación son
las matrices, lo que permite su aplicación inmediata en la solución de problemas de
álgebra lineal, incluye capacidades gráficas, y estructuras básicas de programación
cuya sintaxis es similar a la de ciertos lenguajes de programación como C, Fortran y
Basic. MatLab posee un ambiente gráfico de programación denominado Simulink, el
cual, permite el análisis y simulación de sistemas lineales y no lineales mediante
programación basada en diagramas de bloques.
El protocolo DDE puede utilizarse para interactuar con Simulink a través de otra
aplicación (Calderon-Vielma, Viloria y otros, 1998); para ello MatLab puede ser un
cliente o un servidor (The MathWorks, Inc, 1998). En la aplicación MatLab es la
aplicación cliente, para ello fue necesario construir una caja de diálogo en Simulink
con funciones que puedan iniciar una conversación DDE para el intercambio de
datos.
LabVIEW es un ambiente de programación gráfico diseñado para desarrollar
aplicaciones de: adquisición de datos y análisis de datos con interfaz hacia un
computador personal (Lazaro, 2001). La programación de una aplicación en
LabVIEW es muy diferente de la programación en un lenguaje basado en texto tal
como C o Basic. LabVIEW utiliza los símbolos gráficos (iconos) para describir el
programa de acciones. El flujo de los datos es a través de los conductores en un
diagrama de bloque. Puesto que LabVIEW es gráfico y basado en un sistema de
ventanas, es a menudo mucho más sencillo su uso que un lenguaje típico.
Los programas de LabVIEW se les llaman instrumentos virtuales (VIs) debido a que
su aspecto y operación imitan a los instrumentos reales. Los VIs se pueden utilizar
directamente o a través de una subrutina (llamada subVIs). La interfaz de usuario se
llama el panel frontal, debido a que simula el panel frontal de un instrumento físico.
El diagrama de bloque muestra los componentes internos del programa. Los controles
y los indicadores están conectados con otros operadores y estructuras del programa.
LabVIEW provee de un conjunto de VIs para DDE, éstos facilitan la creación de VIs
que actúen como clientes DDE de otras aplicaciones (estos VIs piden o envían datos a
otras aplicaciones). También se pueden crear VIs que actúen como servidores de
información, que puede ser utilizada a través de otras aplicaciones. Como un servidor,
LabVIEW no usa comunicación basada en conexión.
La comunicación entre las aplicaciones se realiza según el diagrama de flujo
mostrado en la figura 4, el programa en MatLab inicia la conversación enviando datos
de proceso y solicitando las condiciones de operación de los instrumentos, la
conversación se mantiene hasta que la aplicación en MatLab se cierre.
Figura 4. Conversación DEE MatLab-LabVIEW
Descripción de la Herramienta Computacional Desarrollada
Se desarrolló un software tipo tutorial que pretende fortalecer el proceso enseñanzaaprendizaje en los métodos de detección y diagnóstico de fallas. La herramienta
permite al usuario interactuar con el proceso a través de la interfaz diseñada en
LabVIEW, el proceso es simulado en MatLab, este instrumento virtual trata de
emular una sala de control donde el operador observa los mímicos del proceso para
detectar las condiciones en las que se encuentra operando el sistema.
La pantalla principal de la herramienta se presenta en la Figura 5 en ella se presenta
una introducción de los métodos de detección y diagnóstico de fallas. El usuario
podrá profundizar las diferentes técnicas utilizando los enlaces a los métodos basados
en redundancia y métodos heurísticos. Desde esta pantalla principal el usuario puede
acceder al proceso que se escogió para reforzar el entendimiento del tema.
Figura 5 Pantalla Principal de la Herramienta
En la Figura 6 se presenta el esquema de tres tanques interconectados que se tomó
como ejemplo de aplicación.
Figura 6 Sistema de tres tanques interconectados
El sistema está compuesto de tres tanques, donde el tanque 1 recibe un caudal
constante u(t) de 5000 cm3/s, y a su vez alimenta al tanque 2 y al tanque 3.
Las posibles fallas que se pueden presentar en este sistema en particular son el
bloqueo de cualquiera de las cuatro válvulas. Las ecuaciones que rigen el sistema son:
En condiciones normales de operación, las cuatro válvulas que componen el sistema
se encuentran abiertas y se asume que el suministro de líquido es constante. A
medida que transcurre el tiempo, los niveles en los 3 tanques se incrementa, y el
suministro de líquido del tanque 1 al 2 ni el de los tanques 1 y 2 al tanque 3 se
interrumpe.
La Figura 7 se presenta el instrumento virtual diseñado en LAbVIEW para este
proceso, el usuario podrá generar cualquiera de las cuatro fallas posibles y observar el
comportamiento de los niveles de los tanques. Adicionalmente, el usuario contará con
una ayuda sobre las ecuaciones del sistema, y los comportamientos de los niveles de
los tanques ante diferentes condiciones de falla del sistema.
La herramienta implementa dos filtros detectores diseñados por los dos métodos
introducidos en la pantalla principal. Uno de los filtros está basado en métodos de
redundancia analítica que calcula los residuos a partir de un observador de estados. El
otro filtro fundamentado en un método heurístico e implementado a través de una red
neuronal; la red fue entrenada utilizando diferentes condiciones de operación. Ambos
filtros se encuentran simulados en MatLab, cuando el filtro detecta una condición de
falla envía una señal a LabVIEW e inmediatamente se enciende una señal indicando
la falla que ha ocurrido, de esta forma el estudiante evaluará el funcionamiento y
eficiencia de los filtros en base a los resultados que arrojen.
Figura 7. Instrumento Virtual desarrollado en LabVIEW
Discusión de Resultados
Como resultados preliminares en la aplicación de la herramienta computacional, la
misma ha sido utilizada por estudiantes de postgrado y tesistas de pregrado, quienes
actualmente desarrollan temas afines a la detección de fallas. La facilidad para
entender y comprender el tópico de detección de fallas mediante esta metodología ha
sido eficientemente mostrada ya que en pocas horas los estudiantes han podido
adquirir los conocimientos fundamentales en este campo e indagar sobre las distintas
posibilidades de actuar sobre los procesos bajo fallas. Esto califica a la herramienta
como un mecanismo facilitador en el proceso enseñanza-aprendizaje.
Conclusiones
Las potencialidades de LabVIEW para el desarrollo de instrumentos virtuales,
interfaces Hombre-Máquina y las bondades del protocolo DDE permitieron crear una
herramienta para la detección y diagnóstico de fallas que puede utilizarse en el
proceso de enseñanza o capacitación de personal en esta área.
Este tipo de herramienta permite al estudiante interactuar con el proceso industrial
modificando las condiciones de operación del sistema, verificando las condiciones de
proceso dependiendo del comportamiento de las salidas del mismo, esto provee de
mecanismos que faciliten la toma de decisiones ante condiciones anómalas de
operación del sistema.
Referencias
Aguilar, J., y Rivas, F. (2001). Introducción a las técnicas de computación
inteligente. Venezuela: Meritec.
Carbonell, J. (1970). AI in CAI: An artificial intelligence approach to computerassisted-instruction. IEEE Transactions on Man-Machine Systems, 190-202.
Calderon-Vielma, J., F. Vitoria y otros. (1998). Integración de herramientas de
programación para la enseñanza de procesos. En XVIII Interamerican Congress of
Chemical Engineering. San Juan. Puerto Rico.
Galvis, A. (1992). Ingeniería de software educativo. Bogotá - Colombia: Ediciones
Uniandes.
Lazaro, A. (2001). Labview 6i. España: Thomson Editores Spain Paraninfo, S.A.
Massoumnia, M. (1986). A geometric approach to the synthesis of failure detection
filters. IEEE Trans. Aut. Control, 839-846.
National Instruments Corporation. (2000). LabVIEW User Manual. USA: National
Instruments Corporation.
Petzold, C. (1996). Programación en Windows®95. España: MacGraw-Hill
Interamericana de España, S.A.
Rios, A., Mousalli, G., & Rivas, F. (2002). Invertibility and neural networks based
FDI filter. En IASTED international conference on intelligent systems and control.
Tsukuba - Japan.
Skinner, B. (1970). Science and human behavior. New York: Free Press.
The MathWorks, Inc. (1998). Application program interface guide. USA.