• Diagnóstico de fallos en modelos de ingeniería

Default Alternative Text

La estrategia de control basada en el modelo efectivo depende de la precisión del modelo del proceso creado. Sin esta capacidad tan básica, el proceso no se ejecutará correctamente. Así que, cuando surgen fallos, es importante determinar si se deben a problemas operativos reales o a un supuesto de modelado incorrecto. Esta visión global describe una metodología general para la creación de analizadores óptimos de fallos de proceso basados en modelos. Es la conocida como MOME, por las siglas en inglés del método de evidencia mínima.

Un control basado en modelos es uno de los principales enfoques para conseguir una estrategia de control de procesos avanzada (APC) de mayor alcance. Los operadores de planta adoptan este recurso en aquellas situaciones en las que es posible que el control normativo convencional no pueda ejecutar un proceso óptimamente. Por ejemplo, en el caso de un proceso que se ejecuta irregularmente, es difícil acercarse al límite superior en un esfuerzo de maximizar la producción sin superar el límite. Cuando la línea es más estable, es posible trabajar más cerca del límite superior.

Un control basado en modelos es uno de los principales enfoques para conseguir una estrategia de control de procesos avanzada (APC) de mayor alcance. Los operadores de planta adoptan este recurso en aquellas situaciones en las que es posible que el control normativo convencional no pueda ejecutar un proceso óptimamente. Por ejemplo, cuando la ejecución de un proceso es imprevisible, es difícil acercarse al límite superior para maximizar la producción sin superar el límite. Si, por el contrario, la línea es más estable, se puede trabajar más cerca del límite superior.

MOME es una estrategia de diagnóstico basada en la evaluación de modelos de ingeniería que describen el funcionamiento normal del sistema de procesos de destino con datos de los sensores. Esta metodología utiliza la cantidad mínima necesaria de evidencias de diagnóstico para discriminar, de forma única, entre una variable de supuestos de modelo que no es válida (por ejemplo, el supuesto de que no habrá situaciones de error en un proceso particular) y todas las demás variables válidas del supuesto de modelado.

Además, garantiza que el analizador de fallos resultante siempre funcionará de manera competente y optimiza la sensibilidad de diagnóstico y la resolución de sus diagnósticos. Las bases de conocimientos de diagnóstico creadas con esta metodología también son propicias para el diagnóstico de muchas situaciones de fallos múltiples, para determinar la distribución estratégica de los sensores de proceso con los que facilitar el análisis de los fallos, y para determinar la distribución inteligente de analizadores de fallos dentro de las grandes plantas de procesamiento. Se ha demostrado su competencia tanto en una planta de ácido adípico, anteriormente propiedad y operada por DuPont, en Victoria (Texas, EE.UU.) y una planta de persulfato electrolítico, propiedad y operada por FMC en Tonawanda (Nueva York, EE.UU.).

El funcionamiento eficaz de estos procesos de persulfato requiere un control muy estricto de la química de la solución. Mantener las ventanas bien cerradas debido a la intensidad y el pH de las diferentes especies de cationes y aniones es, por ello, crítico. Esto, a su vez, requiere de mediciones altamente precisas y fiables de estas variables y métodos para la verificación de dichas precisiones. En consecuencia, el análisis automatizado de fallos de proceso basado en modelos proporciona una herramienta útil para garantizar cuál de estas medidas actualmente es la correcta e, inmediatamente, marcar aquellas que no lo son. Estas funciones automáticas de detección y alerta permiten a FMC operar sus DCS en el modo piloto automático total con más frecuencia.

Aunque el MOME se puede configurar utilizando un sistema casero, se ha convertido en un algoritmo patentado de razonamiento lógico difuso y se encuentra ahora totalmente automatizado en un programa llamado FALCONEER IV. Una vez que esta plataforma estuvo disponible, FMC descubrió que convertir su analizador de fallos FMC ESP original compilado manualmente al formato necesario para la generación automática de la lógica de diagnóstico solamente le suponía codificar los 30 principales modelos existentes y las ecuaciones de rendimiento que describían dicho proceso. La creación, codificación y análisis de más de 30 modelos principales y cinco ecuaciones de rendimiento para el proceso FMC LAP requirió aproximadamente el esfuerzo de dos semanas de trabajo de una persona para crear un analizador de fallos de procesos totalmente funcional y validado. FMC ha documentado de forma independiente algunos de los beneficios derivados de estas dos aplicaciones. Todas las aplicaciones FALCONEER IV pueden diagnosticar todas las situaciones de fallos individuales en todos los niveles posibles de resolución de diagnóstico, así como todos los pares no interactivos y también casi todos los pares de situaciones de fallos múltiples interactivas.

Estrategia de diagnóstico MOME
El razonamiento basado en modelos es un medio altamente sistemático y de gran alcance para encontrar hipótesis plausibles sobre las causas de un comportamiento anómalo del proceso. El primer paso en el desarrollo de analizadores de fallos competentes basados en modelos es encontrar un conjunto de todos los posibles modelos linealmente independientes del funcionamiento normal del proceso. Estos deben describir con precisión el comportamiento del sistema de proceso de destino durante su funcionamiento libre de fallos; es decir, durante su funcionamiento normal. Estos modelos incluyen las características de funcionamiento normal de los componentes del sistema de procesos, las relaciones funcionales entre los componentes, la estrategia de control de proceso, la conservación fundamental subyacente y los principios termodinámicos y físico-químicos. El conjunto de supuestos de modelado requeridos para crear estos modelos define el dominio en el que predicen el comportamiento normal del proceso.

La evidencia de diagnóstico generada mediante la evaluación de estos modelos con los datos de proceso reales se compara, posteriormente, con los patrones esperados del comportamiento modelo durante varias situaciones de fallo posibles; es decir, la normas de diagnóstico de SV&PFA (siglas en inglés de validación de sensores y análisis de fallos proactivo) que pueden discriminar lógicamente entre los diferentes eventos de funcionamiento del proceso posibles dentro del alcance intencionado del analizador de fallos. Los patrones específicos de evidencias de diagnóstico utilizados para esta discriminación dependen enteramente de la estrategia específica de diagnóstico basada en modelos que se ha empleado realmente. Los analizadores de fallos basados en modelos son, en pocas palabras, programas informáticos que determinan cuáles de sus reglas de diagnóstico SV&PFA se ajustan más fielmente al comportamiento del proceso efectivamente observado. Por lo tanto, su comprensión de las situaciones de fallo de proceso está completamente determinada por sus modelos subyacentes de funcionamiento normal y las consiguientes reglas de diagnóstico SV&PFA para la identificación de dichas situaciones de fallo.

Sin embargo, las reglas de diagnóstico SV&PFA que empleamos han sido generadas automáticamente por nuestro compilador de algoritmo de lógica difusa y, de esta manera, su lógica siempre es la correcta. En consecuencia, como la evidencia del diagnóstico que emplean dichas reglas de diagnóstico se determina directamente de la evaluación de sus modelos de proceso subyacentes, el comportamiento del analizador de fallos está inherentemente circunscrito por completo por la comprensión del comportamiento del proceso normal representado dentro de esos modelos.

La principal ventaja
La principal ventaja de la estrategia de diagnóstico MOME para el desarrollo de reglas de diagnóstico óptimas radica en que se identifican las hipótesis de fallo plausibles en función de si se cumplen o no patrones de posibles diferenciales de modelos de proceso. En las reglas de diagnóstico asociadas solo se incluyen los modelos considerados relevantes para cada posible fallo de proceso. En consecuencia, MOME identifica todas las posibles desviaciones de las variables del supuesto en función del patrón actual de evidencia de diagnóstico generado a partir de los últimos datos de muestra del sensor del proceso. No siempre es posible hallar la solución perfecta entre las diferentes hipótesis de fallo de proceso o solo es posible con magnitudes mayores del fallo específico (es decir, de una magnitud lo suficientemente grande como para incumplir todos los diferenciales del modelo al que afecta).

Este es el clásico punto de equilibrio entre la detección de fallos oportuna y la correcta identificación del fallo subyacente, o los fallos. Cambiar una resolución de diagnóstico más baja por una mayor sensibilidad de diagnóstico permite al analizador de fallos estrechar los fallos de proceso potenciales que podrían estar ocurriendo actualmente, con un número razonable de explicaciones plausibles para el estado actual del proceso que, más adelante, pueden ser comprobadas por el operador del proceso para determinar el fallo real existente. Esto marca directamente de forma anticipada las situaciones potenciales de fallo incipiente, que es mejor que esperar hasta que la magnitud del fallo sea lo suficientemente grave como para saber exactamente cuál es el problema. Esta es la razón por la que la metodología se llama método de evidencia mínima: todas las situaciones de fallo plausibles se diagnostican siempre que haya uno solo de los diferenciales de modelo del conjunto linealmente independiente que indique un funcionamiento anómalo del proceso.

Deducciones lógicas
MOME emplea un razonamiento basado en modelos para deducir la causa o causas del funcionamiento anómalo de un proceso. Lo hace con la menor cantidad de evidencias de diagnóstico necesarias para diagnosticar las diferentes situaciones de fallo posibles de forma exclusiva. Por otra parte, el analizador de fallos resultante siempre hace diagnósticos competentes con la mejor resolución y más alta sensibilidad posibles para la magnitud dada del fallo o fallos que se produzcan.

Una característica clave de este método es la forma en la que se seleccionan los diversos patrones de evidencias de diagnóstico. Esta selección utiliza al máximo toda la información contenida dentro de la evidencia de diagnóstico disponible, especialmente las estimaciones de las magnitudes de fallo de las desviaciones variables de supuestos lineales inherentes a los diferenciales del modelo incumplido. La estrategia utilizada en esta selección se basa en el razonamiento por defecto: se demuestra sistemáticamente que todas, menos una, de las hipótesis de fallo (si la solución perfecta es posible), respaldadas por algunas de las evidencias de diagnóstico contenidas en un patrón determinado de evidencia de diagnóstico no son posibles, como indican algunas de las demás evidencias también contenidas en dicho patrón.

Así, por defecto, la hipótesis de fallo que queda es la única explicación plausible del patrón completo de la evidencia de diagnóstico pertinente. Utilizando, de esta manera, el razonamiento por defecto le permite a esta estrategia de diagnóstico basar cada diagnóstico de fallo en la menor cantidad de evidencias de diagnóstico necesarias para conseguir el diagnóstico adecuado. Esto permite, directamente, que muchas situaciones potenciales de fallo múltiple sean diagnosticadas correctamente.

Conceptos clave:

  • La eficacia de una estrategia de control de procesos basada en modelos depende de la eficacia del modelo del proceso.
  • El análisis de los fallos de raíz que utiliza esta estrategia de análisis puede dar un resultado más fiable con menos información.
  • Encontrarás más información sobre esta técnica on-line.

El Dr. Richard J. Fickelscherer, PE, es socio de Falconeer Technologies, LLC, Williamsville (Nueva York, EE.UU.) El Dr. Daniel L. Chester es, en la actualidad, Presidente Asociado del Departamento de Informática y Ciencias de la Información en la Universidad de Delaware. También es cofundador de Falconeer Technologies, LLC.

CTLx_LOGO_Color_ID

Desarrollado por ContentStream®