Resumen

En los procesos industriales a gran escala, un fallo puede propagarse fácilmente entre las unidades de proceso debido a las interconexiones de los flujos de material e información. Por ello, el problema de la detección y el aislamiento de fallos en estos procesos se centra más en la causa raíz y la propagación del fallo antes de aplicar métodos cuantitativos en modelos locales. La topología y la causalidad del proceso, como características clave de la descripción del proceso, deben captarse a partir del conocimiento y los datos del proceso. En este artículo se describen los métodos de modelización de estos dos aspectos. A partir del conocimiento del proceso, se resumen el modelado de ecuaciones estructurales, diversos gráficos causales, modelos basados en reglas y modelos ontológicos. A partir de los datos del proceso, se presentan el análisis de correlación cruzada, la causalidad de Granger y sus extensiones, los métodos del dominio de la frecuencia, los métodos teóricos de la información y las redes bayesianas. A partir de estos modelos, se discuten métodos de inferencia para encontrar las causas raíz y las vías de propagación de fallos en situaciones anómalas. Al final se proponen algunos trabajos futuros.

• Materias:Automatización Control del proceso Sistemas no lineales Modelo lineal Regulación automática Diagnóstico de fallos
• Subjects:Automation Nonlinear systems Linear model Automatic regulation Fault diagnosis
• Palabras claves:datos del proceso, conocimiento del proceso, métodos del dominio de la frecuencia, modelización de ecuaciones estructurales, diversos gráficos causales, modelos, redes bayesianas, causalidad de Granger, topología del proceso, situaciones anómalas
• Keywords:process data, process knowledge, frequency domain methods, structural equation modelling, various causal graphs, models, bayesian nets, granger causality, process topology, abnormal situations