Applied Sensor Fault Detection, Identification and Data Reconstruction

Detección de fallas en los sensores aplicados, identificación y reconstrucción de datos

La detección e identificación de fallas en los sensores (SFD/I) ha atraído considerable atención en las aplicaciones militares, especialmente cuando las cuestiones de seguridad o de misión crítica son de suma importancia. Aquí se proponen dos enfoques fácilmente implementables para la SFD/I mediante la agrupación jerárquica y la autoorganización de las redes neuronales del mapa. Las metodologías propuestas son capaces de detectar fallos de los sensores a partir de un gran grupo de sensores que miden diferentes cantidades físicas y lograr el DFFI en una sola etapa. Además, es posible reconstruir las mediciones que se esperan del sensor con la falla y así 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 última instancia, los principios subyacentes son fácilmente transferibles a otros sistemas industriales y militares complejos.

1. Introducción

Los equipos electrónicos ahora soportan casi todos los dispositivos y aparatos técnicos para ayudar al usuario u operador, con sensores que toman el papel de "ojos y oídos" localizados. Estos sistemas son de especial importancia para las aplicaciones militares en las que las cuestiones de seguridad son una preocupación importante. Por consiguiente, la detección e identificación de fallos de los sensores (SFD/I) ha atraído recientemente una atención considerable, tanto en los sectores industriales como en los militares, debido a las ventajas que supone reducir los tiempos de inactividad y la pérdida de productividad, y aumentar la garantía 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] aplicó las NN para detectar patrones anómalos de señales de sensores para aeronaves militares avanzadas, mientras que se han notificado redes neuronales probabilísticas (PNN) para detectar fallas de sensores específicamente para sistemas de turbinas de gas, con cierto éxito (aunque la sensibilidad de las PNN también se examinó en) [2]. Además, la aplicación de redes neuronales de mapa autoorganizadas no supervisadas (SOMNN) para la detección de fallas también se ha demostrado en [3], y un estudio en [4] también señala que las SOMNN generalmente ofrecen mejores soluciones que los enfoques basados en otras redes neuronales de función de base radial (RBFNN).

Las metodologías de análisis de conglomerados también han sido una opción popular para la detección y el diagnóstico de fallas del sistema. En comparación con el uso de los modelos de "caja negra" típicos de los utilizados en las RBFN, o de técnicas complejas alternativas de autovaloración como el análisis de componentes principales (PCA), el análisis de conglomerados es una técnica más directa derivada de algoritmos de distancia relativamente básicos y, por lo tanto, ha cobrado favoritismo por ser fácilmente implementable e interpretada. Concretamente en [5] se emplean cuatro modelos de agrupación no supervisados, incluidos los SOMNN, los modelos de árbol jerárquico y los modelos de umbral adaptativo de calidad, junto con un nuevo modelo híbrido para el diagnóstico de fallos de los robots industriales. A partir de los resultados, los autores concluyen que los algoritmos de clasificación supervisados a menudo fallan cuando se encuentran "nuevos datos", mientras que, por el contrario, las técnicas no supervisadas, como los SOMNN y los métodos de agrupación jerárquica (HC), son muy capaces de detectar novedades en esas condiciones [6,7].