Applied Sensor Fault Detection, Identification and Data Reconstruction
La deteccin̤ e identificacin̤ de fallas en los sensores (SFD/I) ha atrad̕o considerable atencin̤ en las aplicaciones militares, especialmente cuando las cuestiones de seguridad o de misin̤ crt̕ica son de suma importancia. Aqu ̕se proponen dos enfoques fc̀ilmente implementables para la SFD/I mediante...
Saved in:
| Other Authors: | , , , |
|---|---|
| Format: | Book |
| Language: | English |
| Subjects: | |
| Online Access: | Applied Sensor Fault Detection, Identification and Data Reconstruction |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | La deteccin̤ e identificacin̤ de fallas en los sensores (SFD/I) ha atrad̕o considerable atencin̤ en las aplicaciones militares, especialmente cuando las cuestiones de seguridad o de misin̤ crt̕ica son de suma importancia. Aqu ̕se proponen dos enfoques fc̀ilmente implementables para la SFD/I mediante la agrupacin̤ jerr̀quica y la autoorganizacin̤ de las redes neuronales del mapa. Las metodologa̕s propuestas son capaces de detectar fallos de los sensores a partir de un gran grupo de sensores que miden diferentes cantidades fs̕icas y lograr el DFFI en una sola etapa. Adems̀, es posible reconstruir las mediciones que se esperan del sensor con la falla y as ̕facilitar una mejor disponibilidad de la unidad. La eficacia de los enfoques propuestos se demuestra mediante el uso de mediciones de ensayos experimentales en una turbina de gas. En l͠tima instancia, los principios subyacentes son fc̀ilmente transferibles a otros sistemas industriales y militares complejos.1. Introduccin̤Los equipos electrn̤icos ahora soportan casi todos los dispositivos y aparatos tčnicos para ayudar al usuario u operador, con sensores que toman el papel de "ojos y od̕os" localizados. Estos sistemas son de especial importancia para las aplicaciones militares en las que las cuestiones de seguridad son una preocupacin̤ importante. Por consiguiente, la deteccin̤ e identificacin̤ de fallos de los sensores (SFD/I) ha atrad̕o recientemente una atencin̤ considerable, tanto en los sectores industriales como en los militares, debido a las ventajas que supone reducir los tiempos de inactividad y la přdida de productividad, y aumentar la garanta̕ de seguridad, calidad y fiabilidad de los sistemas.Los usos de las redes neuronales (NN), por ejemplo, se han convertido en soluciones candidatas populares para la DEFI. A modo de ejemplo, [1] aplic ̤las NN para detectar patrones anm̤alos de seąles de sensores para aeronaves militares avanzadas, mientras que se han notificado redes neuronales probabils̕ticas (PNN) para detectar fallas de sensores especf̕icamente para sistemas de turbinas de gas, con cierto x̌ito (aunque la sensibilidad de las PNN tambiň se examin ̤en) [2]. Adems̀, la aplicacin̤ de redes neuronales de mapa autoorganizadas no supervisadas (SOMNN) para la deteccin̤ de fallas tambiň se ha demostrado en [3], y un estudio en [4] tambiň seąla que las SOMNN generalmente ofrecen mejores soluciones que los enfoques basados en otras redes neuronales de funcin̤ de base radial (RBFNN).Las metodologa̕s de anl̀isis de conglomerados tambiň han sido una opcin̤ popular para la deteccin̤ y el diagns̤tico de fallas del sistema. En comparacin̤ con el uso de los modelos de "caja negra" tp̕icos de los utilizados en las RBFN, o de tčnicas complejas alternativas de autovaloracin̤ como el anl̀isis de componentes principales (PCA), el anl̀isis de conglomerados es una tčnica ms̀ directa derivada de algoritmos de distancia relativamente bs̀icos y, por lo tanto, ha cobrado favoritismo por ser fc̀ilmente implementable e interpretada. Concretamente en [5] se emplean cuatro modelos de agrupacin̤ no supervisados, incluidos los SOMNN, los modelos de r̀bol jerr̀quico y los modelos de umbral adaptativo de calidad, junto con un nuevo modelo hb̕rido para el diagns̤tico de fallos de los robots industriales. A partir de los resultados, los autores concluyen que los algoritmos de clasificacin̤ supervisados a menudo fallan cuando se encuentran "nuevos datos", mientras que, por el contrario, las tčnicas no supervisadas, como los SOMNN y los mťodos de agrupacin̤ jerr̀quica (HC), son muy capaces de detectar novedades en esas condiciones [6,7]. |
|---|---|
| ISBN: | 2533-4123 (Versin̤ electrn̤ica); 1802-2308 (Versin̤ Impresa) |