Diagnóstico de fallas con redes neuronales. parte ii: reconocimiento de flujos

Abstract

En el presente trabajo el sistema de diagnóstico presentado en la parte I es modificado para supervisar procesos que evolucionan en forma compleja ante la presencia de fallas. Al igual que en la Parte I, se considera que cuando una falla afecta a un proceso, cada variable evoluciona siguiendo una trayectoria. Sin embargo, esta vez dicha trayectoria no es única, sino que pertenece a un conjunto de infinitas trayectorias posibles denominado flujo. Cada falla tiene asociado un flujo particular para cada variable. Entonces, en un proceso afectado por una falla, el problema del diagnóstico de fallas se traduce a reconocer, para todas las variables, a cuál flujo pertenece la trayectoria que está siendo observada. Al identificar los flujos se habrá identificado la falla que los provoca. Modelado el diagnóstico de fallas como un problema de reconocimiento de flujos, se realizó un desarrollo teórico que culminó con la definición tanto de la estructura como del método de entrenamiento de las redes neuronales empleadas por el nuevo sistema de diagnóstico. En las pruebas hechas, el nuevo sistema de diagnóstico presentó muy buen comportamiento, siendo el diagnóstico exacto, de alta resolución y estable frente al ruido. Finalmente, la teoría desarrollada también indica cómo deben ser escaladas las redes para supervisar procesos de mayor complejidad.

The diagnostic system introduced in Part I is modified in this work for supervising complex processes when faults present themselves. As in Part I, it is supposed that when a fault affects a process, then each variable evolves fo-llowing a trajectory. However, this time the aforementioned trajectory is not unique but belongs to a set of infinite possible trajectories named flow. Each fault in a particular flow is associated with each variable. Faults affecting a process can then be diagnosed by recognising which flow the trajectory being observed belongs to for every variable in turn. Once flows have been identified, then the fault causing them is also identified. Theory was de-veloped after modelling fault diagnosis as being a flow recognition problem, definitions being yielded for both structure and training method for the artificial neural networks used by the new diagnostic system. The diagnostic system performed well in tests, diagnosis being exact, having high, stable resolution in the presence of noise. The theory so developed recommends networks being scaled-up for supervising more complex processes.