unidad 4 eai. equipo dcs. tema 7 deteccion de fallos
DESCRIPTION
Detección de fallos parte 1. PresentaciónTRANSCRIPT
UNIVERSIDAD DE ORIENTENÚCLEO MONAGAS
DEPARTAMENTO DE INGENIERÍA DE SISTEMASMATURIN MONAGAS VENEZUELA
Cursos Especiales de Grado
DETECCIÓN DE FALLOSPARTE I
Prof:Judith Devia
Equipo DCS:Anthony Cedeño José López
CONTENIDO
Introducción
Fallas
Tipos de detección de fallas
Sistemas SCADA y detección de fallas
Métodos estadísticos de detección: SPC/SQC
Conclusiónes
Referencias
introducción
Fallas
Una falla es un evento indeseable, cuantificable o no en la operación de un equipo. Mucho se ha discutido que una falla tiene que ver con la parada del equipo, pues no. Un equipo puede estar en falla y aunque está cumpliendo con su cometido está generando consecuencias cuantificables o no.
Esto amerita una clasificación de la falla, que según los expertos en mantenimiento definen algunas según su velocidad de aparición, impacto, manera de manifestarse en: catalépticas, progresivas, críticas, súbitas, parciales, totales, externas, etc. Pero de todas estas características lo mas importante es su impacto negativo sobre las personas, equipos, ambiente y producción
Fallas Totales: causan incapacidad total del equipo.
Fallas Parciales: causan degradación del servicio, pero no incapacidad total del equipo
Fallas súbitas: ocurren imprevistamente.
Fallas progresivas: El equipo presenta síntomas y la falla se presenta gradualmente.
Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales.
Fallas por deriva: Son progresivas y parciales.
Fallas Totales: causan incapacidad total del equipo.
Fallas Parciales: causan degradación del servicio, pero no incapacidad total del equipo
Fallas súbitas: ocurren imprevistamente.
Fallas progresivas: El equipo presenta síntomas y la falla se presenta gradualmente.
Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales.
Fallas por deriva: Son progresivas y parciales.
Fallas Totales: causan incapacidad total del equipo.
Fallas Parciales: causan degradación del servicio, pero no incapacidad total del equipo
Fallas súbitas: ocurren imprevistamente.
Fallas progresivas: El equipo presenta síntomas y la falla se presenta gradualmente.
Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales.
Fallas por deriva: Son progresivas y parciales.
Fallas Totales: causan incapacidad total del equipo.
Fallas Parciales: causan degradación del servicio, pero no incapacidad total del equipo
Fallas súbitas: ocurren imprevistamente.
Fallas progresivas: El equipo presenta síntomas y la falla se presenta gradualmente.
Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales.
Fallas por deriva: Son progresivas y parciales.
Fallas Totales: causan incapacidad total del equipo.
Fallas Parciales: causan degradación del servicio, pero no incapacidad total del equipo
Fallas súbitas: ocurren imprevistamente.
Fallas progresivas: El equipo presenta síntomas y la falla se presenta gradualmente.
Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales.
Fallas por deriva: Son progresivas y parciales.
Fallas Totales: causan incapacidad total del equipo.
Fallas Parciales: causan degradación del servicio, pero no incapacidad total del equipo
Fallas súbitas: ocurren imprevistamente.
Fallas progresivas: El equipo presenta síntomas y la falla se presenta gradualmente.
Fallas catalépticas o catastróficas: son simultáneamente súbitas y totales.
Fallas por deriva: Son progresivas y parciales.
Pueden clasificarse de acuerdo con la naturaleza del conocimiento disponible sobre el proceso en:
Detección basada en métodos
analíticos
Utiliza solamente herramientas matemáticas
o analíticas (modelos matemáticos precisos,
procesado de señales) para realizar sus funciones.
Detección basada en conocimiento
Incluye herramientas de la Inteligencia Artificial. Por ejemplo, representación simbólica de señales, o
modelos cualitativos incluyendo imprecisión o
incertidumbre.
A su vez, dependiendo de la organización del conocimiento distinguimos entre:
Detección basada en modelos:
Los fallos son detectados a partir de la comparación del funcionamiento del sistema
supervisado con el de un modelo del mismo, que
representa el funcionamiento normal.
Detección basada en señales o
síntomas:
En este caso los fallos se detectan directamente a
partir de las señales procedentes del proceso, después de un procesado
de las mismas.
El papel de los sistemas SCADA en la detección de fallos puede ir desde el simple disparo de alarmas hasta la utilización de técnicas más sofisticadas ya integradas o susceptibles de ser integradas.
La utilización de técnicas estadísticas para detectar variaciones de calidad o de producción data de principios del siglo XX. La evolución de estos trabajos iniciales ha evolucionado hacia el llamado Control Estadístico de Procesos y de calidad (SPC, Statistical Process Control y SQC, Statistical Quality Control).
Uno de los principales propósitos del SPC es el seguimiento de las variables de proceso con el objetivo de diferenciar aquellas variaciones aleatorias, y por tanto incontrolables, de las variaciones controlables, debidas a cambios en el proceso (maquinaria, personal, métodos, entorno, sistema de medida) o en el producto y que por tanto deberán ser corregidas
Análisis de Componentes Principales (PCA).
PCA es una técnica lineal de reducción de dimensionalidad, óptima en términos de capturar la variabilidad de la data y aplicarla para realizar la etapa de Extracción de Características.
Análisis Discriminante de Fisher (FDA).
FDA es una técnica lineal ampliamente usada para la clasificación de patrones, permite reducir la dimensionalidad de la data, es óptima en el término de maximizar la separación entre las clases y aplicada para realizar la Extracción de Características.
Análisis de pares FDA.
En este método propuesto por He, Peter., (2004) las fallas son identificadas aplicando el análisis de pares FDA a la data en condiciones normales, que denotaremos como X0 y la data en presencia de cada clase de falla, que denotaremos como Xi.
Análisis Discriminante
El análisis discriminante es una técnica estadística multivariante cuya finalidad es describir (si existen) las diferencias entre g grupos de objetos sobre los que se observan p variables (variables discriminantes). Más concretamente, se comparan y describen las medias de las p variables clasificadoras a través de los g grupos.
Análisis Discriminante Generalizado (GDA)
Para el caso en que la data requiere de un clasificador nolineal, el clásico FDA ha sido generalizado a su versión kernel y llamado GDA. De manera similar que lo hace FDA, GDA determina un conjunto óptimo de vectores discriminantes tal que se maximice la matriz de dispersión entre las clases mientras se minimiza la matriz de dispersión de cada clase
conclusión
Referencias
Brau Clemanza. (Sep 12, 2011). Las fallas de los equipos y sus consecuencias.http://www.sistemademantenimiento.com/2011/09/las-fallas-de-los-equipos-y-sus.html (Mar 29, 2014)
Joan Colomer, Joaquim Meléndez, Jordi Ayza. Sistemas de Supervisión. http://www.ceautomatica.es/sites/default/files/upload/10/files/sistemas%20de%20supervision.pdf (Mar 29, 2014) José L. Gouveia, Delfina Padilla, Oscar Camacho. DETECCION Y DIAGNOSTICO DE FALLAS UTILIZANDO TECNICAS ESTADISTICAS MULTIVARIABLES A PARTIR DE DATA HISTORICA. http://gibup.files.wordpress.com/2009/11/gda.pdf (Mar 29, 2014) C2CGOMEZ. Marzo 2012. Mantenimiento Industrial. http://www.buenastareas.com/ensayos/Mantenimiento-Industrial/3764045.html (Mar 29, 2014) Analisis Discriminante. Mar 23, 2013. http://es.wikipedia.org/wiki/An%C3%A1lisis_discriminante (Mar 29, 2014)
GRACIAS POR SU ATENCIÓN