Publicaciones

Libros

Monitoreo, Detección de Fallas y Control de Procesos Industriales

Dr. Ing. David Zumoffen y Dra. Ing. Marta Basualdo

Socios de AADECA: $150 | No-socios: $300

SUMARIO
INTRODUCCIÓN

La mayoría de las plantas industriales poseen sistemas de control para asegurar simultáneamente el correcto comportamiento de cientos de variables del proceso, tales como presiones, temperaturas, niveles en recipientes, etcétera.

Dependiendo entonces, de las características propias de tales sistemas de control la planta a lazo cerrado presentara un determinado comportamiento ante perturbaciones, cambios en las trayectorias de referencia y eventos anormales. El sistema de control, además de la dinámica, define los dispositivos de medición y actuación utilizados sobre el proceso. En otras palabras, define algunasde las posibles fuentes de fallas habituales.

El principal rol humano en estos sistemas de control altamente automatizados es el de supervisión. Esta actividad supervisora requiere: monitoreo del estado actual de la planta, ajuste de los parámetros de control, realizar actividades planeadas de operación y detectar, diagnosticar, compensar y corregir situaciones anormales. Estas actividades se ven directamente influenciadas por cuestiones como: dimensión del proceso, estructura de control y del controlador, tipo y cantidad de dispositivos de medición utilizados, entre otras.

El incremento de la demanda de alta eficiencia y operación en los procesos industriales han derivado en un incremento muy importante en la sofisticación de los sistemas de control mediante el desarrollo de nuevas estrategias y sensores avanzados. De todas formas estos avances no han eliminado el problema de la presencia de situaciones anormales.

Una paradoja persistente en el dominio del control supervisor es que a medida que las tecnologías de Automacion incrementan su complejidad y sofisticación, los operarios profesionales deben tomar decisiones cada vez más complejas para el manejo de situaciones anormales (MSA).

En virtud de lo expresado se podrá observar en este libro dos ejes bien detenidos: las estrategias tendientes a automatizar el MSA y las estrategias para la sistematización del control de plantas completas. Ambas áreas están vinculadas y cada una define el marco de desarrollo de la otra pensando endiseños óptimos y eficientes.

ÍNDICE
  • 1. Introduccion 1
  • 1.1. Manejo de situaciones anormales . . . . . . . . . . . . . . . . . 2
  • 1.1.1. Fuentes o causas . . . . . . . . . . . . . . . . . . . . . . 2
  • 1.1.2. Desafíos . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
  • 1.1.3. Impacto . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
  • 1.2. Monitoreo de procesos . . . . . . . . . . . . . . . . . . . . . . . 8
  • 1.3. Control de procesos . . . . . . . . . . . . . . . . . . . . . . . . . 10
  • 2. Estado del arte 13
  • 2.1. Deteccion y diagnostico de fallas . . . . . . . . . . . . . . . . . . 14
  • 2.1.1. Características de un sistema de diagnostico . . . . . . . 15
  • 2.1.2. Metodos basados en modelos cuantitativos . . . . . . . . 17
  • 2.1.3. Metodos basados en modelos cualitativos . . . . . . . . . 20
  • 2.1.4. Metodos basados en datos historicos . . . . . . . . . . . 23
  • 2.1.5. Comparaciones . . . . . . . . . . . . . . . . . . . . . . . 26
  • 2.1.6. Sistemas híbridos . . . . . . . . . . . . . . . . . . . . . . 27
  • 2.1.7. DDF y el diseño de otras operaciones de proceso . . . . . 28
  • 2.2. Control tolerante a fallos . . . . . . . . . . . . . . . . . . . . . . 30
  • 2.2.1. Estructura de un sistema de CTF . . . . . . . . . . . . . 31
  • 2.2.2. Metodos clasicos . . . . . . . . . . . . . . . . . . . . . . 34
  • 2.2.3. Aspectos temporales . . . . . . . . . . . . . . . . . . . . 35
  • 2.3. Analisis de operabilidad y riesgos . . . . . . . . . . . . . . . . . 36
  • 2.3.1. AOR para un proceso continuo . . . . . . . . . . . . . . 36
  • 2.4. Monitoreo en procesos industriales . . . . . . . . . . . . . . . . 37
  • 2.4.1. La naturaleza multivariada en la deteccion de fallas . . . 38
  • 2.4.2. Control estadístico de procesos vs. control estadístico de calidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
  • 2.4.3. Aplicacion industrial . . . . . . . . . . . . . . . . . . . . 39
  • 2.4.4. Utilizando el conocimiento teorico y del proceso . . . . . 40
  • 2.4.5. Productos comerciales existentes . . . . . . . . . . . . . . 41
  • 2.5. Control de plantas completas . . . . . . . . . . . . . . . . . . . 41
  • 2.5.1. Locacion optima de sensores . . . . . . . . . . . . . . . . 42
  • 2.5.2. Control de procesos . . . . . . . . . . . . . . . . . . . . . 43
  • 3. Herramientas y tecnicas 47
  • 3.1. Analisis de componentes principales . . . . . . . . . . . . . . . . 47
  • 3.1.1. Seleccion de los componentes principales . . . . . . . . . 48
  • 3.1.2. Ejemplo No1 . . . . . . . . . . . . . . . . . . . . . . . . . 49
  • 3.1.3. Estadísticos de control basados en ACP . . . . . . . . . . 49
  • 3.1.4. Ejemplo No2 . . . . . . . . . . . . . . . . . . . . . . . . . 51
  • 3.1.5. Diferentes estrategias de ACP . . . . . . . . . . . . . . . 53
  • 3.2. Sistemas de logica difusa . . . . . . . . . . . . . . . . . . . . . . 54
  • 3.2.1. Fuzzicacion de las entradas . . . . . . . . . . . . . . . . 55
  • 3.2.2. Operaciones logicas y base de reglas . . . . . . . . . . . . 56
  • 3.2.3. Defuzzicacion . . . . . . . . . . . . . . . . . . . . . . . 58
  • 3.2.4. Tipos de SLD . . . . . . . . . . . . . . . . . . . . . . . . 59
  • 3.2.5. Ejemplo No3 . . . . . . . . . . . . . . . . . . . . . . . . . 59
  • 3.3. Transformada wavelet discreta . . . . . . . . . . . . . . . . . . . 61
  • 3.3.1. Analisis wavelet . . . . . . . . . . . . . . . . . . . . . . . 62
  • 3.3.2. Ejemplo No4 . . . . . . . . . . . . . . . . . . . . . . . . . 64
  • 3.4. Redes neuronales articiales . . . . . . . . . . . . . . . . . . . . 66
  • 3.4.1. La neurona . . . . . . . . . . . . . . . . . . . . . . . . . 66
  • 3.4.2. Redes de multiples capas . . . . . . . . . . . . . . . . . . 66
  • 3.4.3. Aprendizaje de la red . . . . . . . . . . . . . . . . . . . . 67
  • 3.4.4. Ejemplo No5 . . . . . . . . . . . . . . . . . . . . . . . . . 68
  • 3.5. Identicacion de sistemas . . . . . . . . . . . . . . . . . . . . . . 69
  • 3.5.1. Procedimiento en IS . . . . . . . . . . . . . . . . . . . . 69
  • 3.5.2. Problema clasico: Modelo ARX-Mínimos cuadrados lineales . . . . . . 70
  • 3.5.3. Ejemplo No6 . . . . . . . . . . . . . . . . . . . . . . . . . 71
  • 3.5.4. Mínimos cuadrados recursivos (MCR) . . . . . . . . . . . 74
  • 3.5.5. Ejemplo No7 . . . . . . . . . . . . . . . . . . . . . . . . . 75
  • 3.6. Control predictivo basado en modelos . . . . . . . . . . . . . . . 77
  • 3.6.1. La idea basica . . . . . . . . . . . . . . . . . . . . . . . . 77
  • 3.6.2. Modelo FIR . . . . . . . . . . . . . . . . . . . . . . . . . 79
  • 3.6.3. Modelo en espacio de estados . . . . . . . . . . . . . . . 82
  • 3.6.4. Efecto de las restricciones . . . . . . . . . . . . . . . . . 85
  • 3.6.5. Ejemplo No8 . . . . . . . . . . . . . . . . . . . . . . . . . 85
  • 3.7. Control adaptivo predictivo . . . . . . . . . . . . . . . . . . . . 93
  • 3.8. Control con ltro robusto adaptivo predictivo . . . . . . . . . . 95
  • 3.9. Diseño de estructuras de control multivariable . . . . . . . . . . 97
  • 3.9.1. Matriz de ganancias relativas . . . . . . . . . . . . . . . 97
  • 3.9.2. Ejemplo No9 . . . . . . . . . . . . . . . . . . . . . . . . . 98
  • 3.9.3. Matriz de ganancias relativas normalizada . . . . . . . . 98
  • 3.9.4. Ejemplo No10 . . . . . . . . . . . . . . . . . . . . . . . . 99
  • 3.9.5. Matriz de ganancias relativas para procesos no cuadrados 100
  • 3.9.6. Ejemplo No11 . . . . . . . . . . . . . . . . . . . . . . . . 101
  • 3.9.7. Ganancia de perturbacion relativa generalizada . . . . . 102
  • 3.9.8. Ejemplo No12 . . . . . . . . . . . . . . . . . . . . . . . . 104
  • 3.10. Algoritmos geneticos . . . . . . . . . . . . . . . . . . . . . . . . 104
  • 3.10.1. Ejemplo No13 . . . . . . . . . . . . . . . . . . . . . . . . 107
  • 3.11. Estabilidad y rendimiento robusto en sistemas multivariables . . 109
  • 3.11.1. Ejemplo No14 . . . . . . . . . . . . . . . . . . . . . . . . 111
  • 3.11.2. Ejemplo No15 . . . . . . . . . . . . . . . . . . . . . . . . 115
  • 4. Control adaptivo predictivo como CTF activo 119
  • 4.1. Clasicacion de las fallas . . . . . . . . . . . . . . . . . . . . . . 119
  • 4.2. Ejemplo No1: Caso academico . . . . . . . . . . . . . . . . . . . 121
  • 4.2.1. Control adaptivo predictivo . . . . . . . . . . . . . . . . 126
  • 4.2.2. Modicaciones en el proceso (CAP, CFRAP y CAPFRA) 131
  • 4.2.3. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
  • 4.3. Ejemplo No2: Reactor de tanque agitado continuo (RTAC) con
  • camisa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
  • 4.3.1. Diseño del SDEF . . . . . . . . . . . . . . . . . . . . . . 145
  • 4.3.2. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
  • 5. SDDEF híbrido integrado al CTF activo 157
  • 5.1. Diseño del SDDEF . . . . . . . . . . . . . . . . . . . . . . . . . 158
  • 5.1.1. Monitoreo y deteccion de fallas: ACP, ACP adaptivo y
  • estadísticos combinados . . . . . . . . . . . . . . . . . . 158
  • 5.1.2. Aislamiento: SLD y extraccion automatica de reglas (EAR)162
  • 5.1.3. Estimacion de la falla: metodo RNA . . . . . . . . . . . 165
  • 5.2. Indices de rendimiento . . . . . . . . . . . . . . . . . . . . . . . 168
  • 5.3. Ejemplo No1: Planta de tratamiento de aguas residuales . . . . . 170
  • 5.3.1. Ajustes de SDDEF . . . . . . . . . . . . . . . . . . . . . 173
  • 5.3.2. Integracion al CTF . . . . . . . . . . . . . . . . . . . . . 177
  • 5.3.3. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . 178
  • 5.4. Ejemplo No2: Planta de pulpa y papel . . . . . . . . . . . . . . 192
  • 5.4.1. Estrategia de control . . . . . . . . . . . . . . . . . . . . 195
  • 5.4.2. Denicion de las fallas . . . . . . . . . . . . . . . . . . . 196
  • 5.4.3. PPP con control descentralizado . . . . . . . . . . . . . . 197
  • 5.4.4. PPP con control predictivo . . . . . . . . . . . . . . . . . 217
  • 5.4.5. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
  • 6. Control de plantas completas 239
  • 6.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 240
  • 6.2. Metodología sistematica y generalizada para el control de plantas
  • completas . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
  • 6.2.1. Optimizacion, estabilizacion e identicacion . . . . . . . 242
  • 6.2.2. Locacion optima de sensores – Seleccion de las VCs . . . 243
  • 6.2.3. Diseño de la estructura de control . . . . . . . . . . . . . 246
  • 6.2.4. Ajuste de los controladores . . . . . . . . . . . . . . . . . 249
  • 6.3. Ejemplo No1: Columnas DL . . . . . . . . . . . . . . . . . . . . 250
  • 6.4. Ejemplo No2: Columnas integradas CL . . . . . . . . . . . . . . 257
  • 6.5. Ejemplo No3: Fraccionador Shell . . . . . . . . . . . . . . . . . . 262
  • 6.6. Ejemplo No4: Columna Petlyuk . . . . . . . . . . . . . . . . . . 268
  • 6.7. Ejemplo No5: Proceso Tennessee Eastman . . . . . . . . . . . . 285
  • 6.7.1. Operacion en el caso base . . . . . . . . . . . . . . . . . 287
  • 6.7.2. Operacion en el caso optimo . . . . . . . . . . . . . . . . 299
  • 6.8. Analisis de la estabilidad y rendimiento robusto . . . . . . . . . 314
  • 6.9. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
  • 7. Diseño optimo de sistemas de supervision 323
  • 7.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 324
  • 7.2. Detectabilidad basado en T2 y Q . . . . . . . . . . . . . . . . . 325
  • 7.3. Diseño optimo de sistemas de supervision . . . . . . . . . . . . . 327
  • 7.3.1. Detectabilidad de fallas basada en z . . . . . . . . . . . . 327
  • 7.3.2. Seleccion optima de señales maximizando detectabilidad 328
  • 7.3.3. Solucion mediante AG . . . . . . . . . . . . . . . . . . . 328
  • 7.4. Extraccion del subespacio de fallas . . . . . . . . . . . . . . . . 329
  • 7.5. Ejemplo: Proceso Tennessee Eastman . . . . . . . . . . . . . . . 330
  • 7.6. Sinopsis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
  • 8. Direcciones futuras 343
  • 9. Conclusiones 345
  • Apendices 351
  • A. MCR con factor de olvido 351
  • B. Prediccion con modelo FIR 353
  • C. Prediccion con modelo en ecuaciones de estado 355
  • D. Algoritmo de factorizacion UD 357
  • E. Control basado en modelo interno (CBMI) 359
  • F. Control en avance (feedforward control) 363
  • G. TFL y modelado de incertidumbres 365
  • G.1. Incertidumbre parametrica y no parametrica . . . . . . . . . . . 365
  • Bibliografía 367

¡Súmese a AADECA!

Ingrese a un ámbito de intercambio profesional, donde sus socios recibirán múltiples beneficios
como descuentos, becas, jornadas de actualizaciones gratuitas, entre otros.

Beneficios para socios