Diagnóstico de Fallas en Centrales Termoeléctricas

Diagnóstico de Fallas en Centrales Termoeléctricas Utilizando
Modelado Neuronal y Lógica Difusa
Nemecio Tlalolini Ramos1, José A. Ruz Hernández2, Dionisio A. Suárez Cerda3, Alfredo Sánchez
López3, Agustín Quintero Reyes3
1
Demar Instaladora y Constructora S. A. de C. V., Calle 5 Sur, Mz. “Q”, Lote 9, Col. Puerto Industrial y
Pesquero Laguna Azul, C. P. 24140, Cd. del Carmen, Campeche.
[email protected]
2
Universidad Autónoma del Carmen, Av. 56 #4 Esq. Av. Concordia, Col. Aviación,
C.P. 24180, Cd. del Carmen, Campeche
[email protected]
3
Instituto de Investigaciones Eléctricas, Calle Reforma # 113, Col. Palmira, C. P. 62040, Cuernavaca, Morelos
{suarez, jasl, aqr}@iie.org.mx
Resumen—En este artículo se describe un sistema de
diagnóstico de fallas para el generador de vapor de una central
termoeléctrica, utilizando modelado neuronal y lógica difusa.
El sistema consta de dos componentes; la primera, consiste en
la generación de residuos mediante la diferencia que existe
entre las mediciones actuales de la planta y las estimaciones
que se obtienen con un predictor neuronal; la segunda, es un
módulo difuso que se utiliza para evaluar los residuos y
realizar el diagnóstico de la falla correspondiente. Los datos
saludables con los que se entrenan las redes neuronales que
integran el predictor y la base de datos que corresponden a las
principales fallas que se presentan en este tipo de centrales se
obtienen de un simulador de alcance total. La metodología
propuesta puede aplicarse en los casos en que la lógica difusa
actuando de manera individual no es suficiente para hacer un
diagnóstico adecuado de las fallas.
Palabras clave: Detección y diagnóstico de fallas, lógica
difusa, redes neuronales, simulador de alcance total,
generador de vapor, centrales termoeléctricas.
I. INTRODUCCIÓN
En este trabajo se propone una estrategia de diagnóstico
de fallas en el generador de vapor de una central
termoeléctrica. En este tipo de centrales, es frecuente que
cuando se presenta una perturbación inesperada en el
proceso, el operador se enfrente a la incertidumbre de que la
información llegue muy rápido, en gran cantidad y sin
indicar con claridad la causa ni el origen del problema.
Además, el operador cuenta con poco tiempo para
responder adecuadamente. De aquí la importancia del
desarrollo de técnicas basadas en inteligencia
computacional para el diagnóstico de fallas, de tal modo
que sean el medio para tener la información causante del
problema de manera temprana y precisa. Esto permitirá al
operador realizar las acciones necesarias para impedir el
mal funcionamiento o un paro no programado de la unidad,
buscando minimizar los períodos de tiempo en que la
unidad sale de servicio en caso de que esto sea inevitable.
La importancia del diagnóstico oportuno de fallas en las
unidades termoeléctricas es una valiosa herramienta en la
operación, en el entendido de que toda falla lleva un costo
asociado que se incrementa a medida que la falla
evoluciona y no es atendida. En sentido opuesto, una falla
detectada y atendida con oportunidad, tendrá un costo
mínimo (Ruz et al., 2005). En las últimas tres décadas, el
diagnóstico de fallas que utilizan técnicas de inteligencia
computacional tales como los sistemas difusos, redes
neuronales y algoritmos genéticos se ha incrementado
(Korbicz et al., 2004). Una red neuronal tiene el potencial
de aprendizaje utilizando patrones obtenidos desde la
información de entradas y salidas del sistema. Con la red es
posible construir un modelo útil para la generación de
residuos y detectar la aparición de fallas (Ruz et al., 2006).
Por otro lado, los sistemas difusos son capaces de
reproducir el razonamiento heurístico el cual es trasladado a
reglas lingüísticas que representan el conocimiento y la
experiencia humana (Frank y Marcu, 2001).
El objetivo principal del diagnóstico de fallas es detectar
y aislar la falla, ofreciendo la información acerca de su
magnitud y origen. Esto debe realizarse en línea
considerando las señales de entrada conocidas y teniendo el
menor número posible de falsas alarmas; en este caso, las
señales del proceso útiles para el diagnóstico se obtienen de
un simulador de alcance total (González, 1981). Una
arquitectura y suficientes datos de entrenamiento permiten
que las redes neuronales sean útiles para representar el
comportamiento dinámico de sistemas no lineales
complejos (Norgaard, 2000). Así se proporcionarán
estimaciones muy precisas de la salida del sistema a partir
de las entradas evaluando los residuos generados por medio
del bloque difuso.
La metodología propuesta se utiliza para el caso en el que
el patrón de evolución del conjunto de variables clave
asociado a cada falla no puede ser determinístico para la
detección y consecuente diagnóstico de la falla.
Congreso Nacional de Control Automático A.M.C.A. 2007
24-26 de octubre, Monterrey, N.L.
II. DESCRIPCIÓN DEL PROBLEMA
En los operadores de las centrales termoeléctricas recae
la responsabilidad de monitorear, identificar y atender los
problemas que eventualmente se presentan en el proceso de
generación eléctrica. De presentarse una falla y no ser
atendida a tiempo en principio ocasiona degradación del
equipo, fallas en el servicio, pérdidas económicas pero
principalmente peligro para la integridad del operador. Es
por esto que además del conocimiento experto del operador
se requiere de un diagnóstico adecuado que le permita
tomar las decisiones acertadas para mantener la correcta
operación de la central termoeléctrica.
La Figura 1 muestra el diagrama de una central
termoeléctrica. Las fallas que generalmente se presentan en
este tipo de centrales pueden clasificarse en los siguientes
grupos: fallas relacionadas con el control de temperatura de
vapor sobrecalentado y recalentado, fallas relacionadas con
el control de nivel del domo y fallas relacionadas con el
control de combustión.
Figura 2. Diagrama simplificado sistema aire/gases
Combustible.
Una de las fallas de este grupo es la del filtro sucio en la
succión de bombas de alta presión de aceite combustible a
quemadores (falla 1). Un ensuciamiento del filtro se
presenta normalmente de acuerdo a la calidad del
combustible, teniendo como posible causa a la existencia en
gran escala de partículas contenidas en el combustible. En
otras ocasiones se debe a la operación con niveles muy
bajos en el tanque de almacenamiento con el consecuente
arrastre de sedimentos (CFE, 1997). Cuando se presenta el
ensuciamiento de este filtro, el flujo de combustible no es
suficiente para mantener la demanda de carga de la unidad,
la presión del combustible en la descarga de las bombas se
abatirá, la presión del vapor principal disminuirá de su valor
nominal y por consiguiente el flujo de vapor hacia la
turbina también disminuirá.
III.
ESQUEMA DE DIAGNÓSTICO
El esquema propuesto en este artículo posee dos componentes: la generación de residuos y la clasificación de fallas
(Figura 3).
Figura 1. Diagrama de una central termoeléctrica
Este último grupo es el que se analiza de manera
particular en este trabajo. Para comprender mejor la
operación de este grupo de fallas es necesario explicar el
diagrama simplificado del sistema aire / gases-combustible
que se muestra en la Figura 2.
El control de combustión tiene la función de controlar la
mezcla de aire-combustible en el hogar en forma segura y
eficiente, manteniendo el equilibrio entre el calor generado
y la demanda de vapor para obtener una salida de presión de
vapor controlada. Una alta eficiencia de la combustión se
logra con exceso de aire adecuado para quemar la cantidad
de combustible para cada quemador, con un diámetro
mínimo de las partículas de combustible y una longitud de
flama adecuada en el generador de vapor.
Figura 3. Esquema de detección y diagnóstico de fallas
La primera componente consiste en la comparación entre
las mediciones de la planta y los valores proporcionados por
Congreso Nacional de Control Automático A.M.C.A. 2007
24-26 de octubre, Monterrey, N.L.
un predictor basado en redes neuronales. Las diferencias
entre estos valores se conocen como residuos y constituyen
un buen indicador para la detección de fallas. De acuerdo
con lo anterior, el vector de residuos se calcula como:
ri (k ) = xi (k ) − xˆi (k ),
i = 1, 2,..., n.
(1)
donde xi (k ) corresponde a las mediciones de la planta y
xˆ i (k ) a las predicciones. Los residuos generados en esta
forma son independientes del estado de operación del
sistema bajo condiciones de operación nominal de la planta
puesto que el predictor se entrena con datos saludables del
proceso. En ausencia de fallas, los residuos reflejan
solamente ruido y dinámicas no modeladas. Cuando ocurre
una falla, los residuos se desvían de cero siguiendo
trayectorias diferentes (Ruz, 2005).
El predictor se diseñó usando cinco modelos basados en
redes neuronales. Las redes se entrenaron mediante el
Algoritmo de Levenberg-Marquardt. Cada red es del tipo
perceptrón multicapa. Tienen una capa oculta de neuronas
cuyas funciones de activación son tangentes hiperbólicas y
una sola neurona con función de activación lineal en la capa
de salida. Los modelos se obtienen empleando la
herramienta NNSYSID de Matlab. Además, poseen una
estructura NNARX de 8 entradas y una salida:
xˆ1 (k) = F1[W1, x1 (k −1),...,x1 (k − 6),u1 (k −1),...,u1 (k − 6),...,u8 (k −1),...,u8 (k − 6)]
(2)
xˆ2 (k) = F2 [W2 , x2 (k − 1),...,x2 (k − 6), u1 (k − 1),...,u1 (k − 6),...,u8 (k − 1),...,u8 (k − 6)]
(3)
xˆ3 (k) = F3[W3 , x3 (k −1),...,x3 (k − 2),u1(k −1),...,u1 (k − 2),...,u8 (k −1),...,u8 (k − 2)]
(4)
xˆ4 (k) = F4[W4 , x4 (k −1),...,x4 (k − 2),u1(k −1),...,u1 (k − 2),...,u8 (k −1),...,u8 (k − 2)]
A. Generación de residuos
(5)
Para la generación de residuos, un predictor neuronal
reemplaza al modelo analítico que generalmente describe al
proceso bajo condiciones de operación normal, saludable o
libre de fallas. La obtención del predictor mediante redes
neuronales se basa en la teoría de identificación para
sistemas dinámicos con estructuras no lineales. Para lograr
la identificación se requiere la adquisición de datos
experimentales que se obtienen de un simulador de alcance
total.
El aprendizaje de las redes se realiza con el esquema
serie-paralelo. Cuando el proceso de entrenamiento de la
red o de las redes que integran el predictor neuronal
concluye, este último se utiliza para generar residuos
(Figura. 4). Una vez que el aprendizaje finaliza, se fijan los
pesos de la red o de las redes que sean necesarias en el
predictor y se emplean en simulación o en paralelo con la
planta para efectuar la predicción.
u(k −1)
x(k)
Planta
+
q-1
∧
Red
Neuronal
x(k )
-
(7)
xˆ7 (k ) = F7 [W7 , x7 (k − 1),..., x7 (k − 3), u1 (k − 1),...,u1 (k − 6),...,u8 (k − 1),...,u8 (k − 6)]
(8)
xˆ8(k) = F8[W8, x8(k −1),...,x8(k −3),u1(k −1),...,u1(k −6),...,u8(k −1),...,u8(k − 6)]
(9)
xˆ9 (k ) = F9 [W9 , x9 (k − 1),..., x9 (k − 6), u1 (k − 1),...,u1 (k − 6),...,u8 (k − 1),...,u8 (k − 6)]
(10)
xˆ10 (k ) = F10[W10 , x10 (k −1),...,x10 (k − 3), u1 (k − 1),...,u1 (k − 6),...,u8 (k −1),...,u8 (k − 6)]
(11)
donde las variables de entrada son:
u1 (.) = Flujo de combustible (%)
u 2 (.) = Flujo de aire (%)
u 3 (.) = Flujo de agua de condensado (Litros/min.)
u 4 (.) = Flujo de agua de atemperación (Kg/s)
u 5 (.) = Flujo de agua de alimentación (T/H)
u 7 (.) = Flujo de vapor de agua (Litros/min.)
u 8 (.) = Ángulo de inclinación de quemadores (Grados)
x(k )
Planta
+
r (k )
q-1
∧
Predictor
Neuronal
xˆ6 (k) = F6[W6 , x6 (k − 1),...,x6 (k − 3),u1(k − 1),...,u1(k − 3),...,u8 (k − 1),...,u8 (k − 3)]
u 6 (.) = Flujo de repuesto al condensador (Litros/s)
Entrenamiento de la red
u(k −1)
xˆ5(k) =F5[W5, x5(k −1),...,x5(k −2),u1(k −1),...,u1(k −2),...,u8(k −1),...,u8(k −2)]
(6)
x(k )
-
Generación de residuos
Figura 4. Esquema de entrenamiento y generación de
residuos.
y las variables de salida son:
x1 (.) = Carga de la unidad (MW)
x 2 (.) = Presión del hogar (Pa)
x3 (.) = Nivel del domo (m)
x 4 (.) = Temperatura de vapor sobrecalentado (o K)
x5 (.) = Temperatura de vapor recalentado (o K)
Congreso Nacional de Control Automático A.M.C.A. 2007
24-26 de octubre, Monterrey, N.L.
x6 (.) = Presión de vapor recalentado (Pa)
x7 (.) = Presión del domo (Pa)
x8 (.) = Presión diferencial (vapor de atomización – aceite
combustible (%)
x9 (.) = Temperatura de aceite combustible (o K)
x10 (.) = Temperatura de agua de alimentación (o K)
Wi representa los pesos de cada red neuronal.
La estructura con retardos de cada modelo neuronal se
selecciona utilizando el criterio dado en (Norgaard, 2000).
Este criterio esta basado en los cocientes de Lipschitz.
El esquema de generación residual se aplica fuera de
línea para una falla que ocurre en las centrales
termoeléctricas: filtro sucio en la succión de bombas de alta
presión, a la que nos referimos como falla 1. Se adquirieron
datos de la falla con la ayuda del simulador de alcance total
(Figura 5), para un 75% de carga inicial de la unidad; las
tendencias de los residuos que se utilizarán para el
diagnóstico de ésta falla son mostradas en la Figura 6.
B. Clasificación de Fallas
Con el vector de residuos obtenidos en la sección anterior,
se tienen las entradas para el sistema difuso en el que se
realizará la evaluación y clasificación de la falla. Cada
residuo representa una entrada para el sistema difuso, para
el caso de la falla 1, se tienen 3 residuos que la determinan:
r1 (Temperatura de vapor sobrecalentado), r2 (Presión de
vapor recalentado) y, r3 (Presión del domo), los demás no
proporcionan información importante al respecto.
Al presentarse ésta falla se obtiene la tendencia de las
variables (Presión de aceite combustible a quemadores y
Flujo de combustible total) indicadas en la Figura 7, en las
que se observan oscilaciones por lo que en estos casos no es
posible aplicar la lógica difusa de manera aislada para la
detección y diagnóstico de fallas debido a la dificultad para
discriminar entre un valor saludable y uno en falla.
Figura 7. Tendencias de presión de aceite combustible a
quemadores y flujo de combustible para la falla1
Figura 5. Simulador de alcance total
Figura 6. Residuos del predictor neuronal
Un sistema lógico difuso (SLD) tiene la propiedad
principal de ser capaz de manejar simultáneamente datos
numéricos y conocimiento lingüístico. En otras palabras,
los (SLD) son sistemas basados en conocimiento que
consisten en reglas lingüísticas IF-THEN que pueden
diseñarse usando el conocimiento de expertos. Los (SLD)
realizan de manera determinística un mapeo de los datos del
vector de entrada a salidas escalares.
El esfuerzo computacional de un sistema basado en
reglas difusas incrementa fuertemente si el número de
sistemas difusos y el número de reglas crece.
En el caso del análisis de la falla 1 al utilizar solamente la
lógica difusa, como las variables del proceso no son muy
representativas al presentarse la falla, se tiene la necesidad
de incrementar el número de entradas al sistema difuso para
poder discriminarla. Debido a esto, el número de funciones
de membresía, el número de intervalos difusos y por
consiguiente el número de reglas difusas se incrementa
considerablemente.
De acuerdo con lo anterior, se propone el uso de los
residuos obtenidos con el predictor neuronal y su
evaluación difusa para el diagnóstico de fallas en el
generador de vapor. La arquitectura general se indica en la
Figura 8.
Congreso Nacional de Control Automático A.M.C.A. 2007
24-26 de octubre, Monterrey, N.L.
Figura 8 Arquitectura general para diagnóstico de fallas
Para diagnosticar la falla 1, las variables de entrada al
modelo difuso corresponden a la de los residuos r1, r2, y r3,
respectivamente. Se tiene una sola salida utilizando el
modelo de Mamdani. Para cada entrada se definen dos
funciones de membresía tipo gaussianas una llamada PREC
que está asociada al valor de residuo que aunque ya es
diferente de cero todavía no rompe el umbral de falla
confirmada, la otra función de membresía se llama OF que
indica cuando el residuo correspondiente ya sobrepasó el
límite del umbral indicando operación en falla (Figura 9).
De manera similar en la salida se tienen dos funciones de
membresía llamadas PRECAUCIÓN y FALLA. Esto se
muestra en la Figura 10.
c)
Figura 9. Funciones de membresía para: a) entrada r1, b)
entrada r2, c) entrada r3.
De manera similar en la salida se tienen dos funciones de
membresía llamadas PRECAUCIÓN y FALLA. Esto se
muestra en la Figura 10.
Figura 10 Funciones de membresía para la salida (y)
Las reglas para el modelo difuso que permiten
diagnosticar la falla 1 son:
a)
1.- SI r1 es OF y r2 es PREC y r3 es PREC ENTONCES
y es PRECAUCIÓN.
2.- SI r1 es PREC y r2 es OF y r3 es PREC ENTONCES
y es PRECAUCIÓN.
3.- SI r1 es PREC y r2 es PREC y r3 es OF ENTONCES
y es PRECAUCIÓN.
4.- SI r1 es OF y r2 es OF y r3 es PREC ENTONCES
y es PRECAUCION.
5.- SI r1 es PREC y r2 es OF y r3 es OF ENTONCES
y es PRECAUCIÓN.
6.- SI r1 es OF y r2 es PREC y r3 es OF ENTONCES
y es PRECAUCIÓN.
7.- SI r1 es OF y r2 es OF y r3 es OF ENTONCES
y es FALLA.
IV.
b)
RESULTADOS DEL DIAGNÓSTICO
Para la implementación del sistema se utilizó el toolbox
de Matlab-Simulink, en la Figura 11 se muestra el diagrama
Congreso Nacional de Control Automático A.M.C.A. 2007
24-26 de octubre, Monterrey, N.L.
a bloques utilizado, en el cual se tiene un bloque constante
que corresponde al umbral específico que se ajustará para
cada falla. En al caso de la falla 1 éste umbral es de 0.38.
integran el predictor se utilizan en paralelo con la planta.
Dada la naturaleza no lineal del predictor neuronal, los
residuos generados se desvían de su valor nominal para
detectar la presencia de fallas; en caso contrario, los
residuos nos indican que la planta opera en condiciones
normales. Los modelos difusos empleados para el
diagnóstico aprovechan las características de los residuos
para determinar la falla que se está presentando mediante
una base de reglas.
En corto tiempo, se pretenden realizar pruebas en línea
utilizando como planta al simulador de alcance total de
centrales termoeléctricas. Así mismo, se ampliará el
universo de las fallas a detectar y diagnosticar.
VI.
Figura 11 Diagrama a bloques en Simulink.
En la figura 12 se muestran el resultado del
diagnóstico de la falla 1 con la metodología propuesta al
configurar en el simulador de alcance total los siguientes
parámetros: 75% de carga inicial de la unidad (225 MW),
un porcentaje de severidad del 15%, un retardo de 2 mín.,
un tiempo de evolución de 3 mín. y un tiempo de
simulación de 15 min.
AGRADECIMIENTOS
Los autores agradecen al Instituto de Investigaciones
Eléctricas (IIE) y en particular a la Gerencia de Control de
Procesos (GSP), su apoyo y las facilidades otorgadas para
el uso del simulador de alcance total de centrales
termoeléctricas. El primer autor agradece a la empresa
Demar, Instaladora y Constructora por proporcionarle el
tiempo necesario para realizar estancias en el IIE. El
segundo autor agradece a la Universidad Autónoma del
Carmen (UNACAR) y al Promep el apoyo a través de los
proyectos PR/60/2006 y P/-CA-7 2006 05, respectivamente.
REFERENCIAS
Figura 12 Salida del modelo difuso para la falla 1.
V.
CONCLUSIONES
El sistema de detección y diagnóstico propuesto en este
artículo permitió obtener resultados alentadores mediante su
aplicación fuera de línea a tres de las fallas que
comúnmente ocurren en las centrales termoeléctricas. Por
cuestiones de espacio, aquí solo se presentaron los
resultados correspondientes a la detección y diagnóstico de
la falla denominada filtro sucio en la succión de bombas de
alta presión de aceite combustible a quemadores.
Las redes neuronales que constituyen el predictor se
entrenan con datos saludables obtenidos de un simulador de
alcance total que reproduce fielmente el conocimiento del
proceso. Una vez que finaliza el entrenamiento, los pesos se
fijan y a diferencia de los observadores, las redes que
Comisión Federal de Electricidad (1997). Manual del
Centro de Adiestramiento de Operadores Ixtapantongo,
Módulo III, Unidad 1, México.
Frank P. M., T.Marcu (2001). Fuzzy Techniques in Fault
Detection Isolation and Diagnosis, Gerhard Mercator
University of Duisburg, Department of Measurement
and Control.
González Santaló J. (1981), “Desarrollo de un Simulador de
Centrales Termoeléctricas”, Boletín IIE, Vol. 5,
Num. 2, pp. 47-50.
Korbicz J., J.M. Koscienly, Z. Kowalczuk, W. Cholewa
(2004). Fault Diagnosis models, Artificial
Intelligence, Applications, Springler-Verlag Berlin
Heidelberg.
Norgaard M., O. Ravn, N.K.. Poulsen and L. K. Hansen
(2000). Neural Networks for Modelling and Control
of Dynamics Systems, Springler Verlag, London,
Great Britain.
Ruz J. A., E.N. Sánchez, D.A. Suárez y A. Quintero R.
(2006). Avances en línea de investigación de
diagnóstico de fallas en centrales termoeléctricas,
Boletín IIE, pp. 116- 125.
Ruz J. A., E.N. Sánchez y D.A. Suárez (2005) Esquema
neuronal para diagnóstico de fallas en centrales
termoeléctricas, Congreso Nacional de la Asociación
de México de Control Automático.
Congreso Nacional de Control Automático A.M.C.A. 2007
24-26 de octubre, Monterrey, N.L.