DOI:
https://doi.org/10.14483/22484728.11025Publicado:
2015-12-31Número:
Vol. 9 Núm. 2 (2015)Sección:
Visión InvestigadoraPropuesta de un estimador de fallas usando fracciones coprimas
Proposal of a fault estimation using coprime fractions
Palabras clave:
Formas canónicas, fracciones coprimas, falla, FDD, estimador multivariable, residuos (es).Palabras clave:
Canonical forms, coprime fraction, fault, FDD, multivariable estimator, residuals (en).Descargas
Resumen (es)
Los sistemas de detección, diagnóstico y aislamiento de fallas (FDDI), generan señales (residuos) que contienen detalles de la falla. La estimación de estado es un procedimiento común para la generación de residuos cuando se usa redundancia analítica. En este artículo, la hipótesis propuesta es usar la teoría de fracciones coprimas para generar un estimador de salida; este compite con algunos estimadores clásicos como Kalman, Luemberger, Lyapunov y Jordan, con ellos se analizan los tiempos de ejecución y tasas de precisión en la estimación usando el error medio cuadrático en presencia de fallas aditivas. Los resultados son validados sobre un sistema FDDI implementado sobre un tanque de homogenización en lazo cerrado usando el estándar para control de procesos OPC y simulando físicamente una falla en el sensor RTD de salida
Resumen (en)
detection, diagnostic and fault isolation systems FDD generate signals (residuals) containing details of the fault. The state estimation is a common procedure for residual generation when it used analytically. In this article, the proposed hypothesis is to use the theory of coprime fractions to generate an estimator of the output; it competes with some classic Kalman, Luenberger, Lyapunov and Jordan estimators and thus analyses their execution times and accuracy rates by the mean square error in presence of additive failures. The results are validated on a FDD system implemented on a homogenization tank in a closed loop using the standard process control OPC and physically simulating a sensor fault in a RTD.
Referencias
R. Isermann, “Model-Based Fault Detection and Diagnosis - Status and Applications,” Changes, vol. 29, no. c, pp. 71–85, 2005.
R. Isermann, and T. Höfling “Adaptive parity equations and advanced parameter estimation for fault detection and diagnosis”. In: IFAC. pp. 55-60, (1996).
P. Rosa, J. Vasconcelos, and M. Kerr, “A Mixed-μ Approach to the Integrated Design of an FDI/FTC System Applied to a High-Fidelity Industrial Airbus Nonlinear Simulator,” IFAC-PapersOnLine, vol. 48, no. 21, pp. 988–993, 2015.
R. Martinez-Guerra and J. L. Mata-Machuca, Fault Detection and Diagnosis in Nonlinear Systems. Springer. 2014.
Á. Castillo and P. J. Zufiria, “Fault isolation schemes for a class of continuous-time stochastic dynamical systems,” Annu. Rev. Control, vol. 37, no. 1, pp. 43–55, 2013.
J. Gertler, “Fault Detection and Diagnosis in Engineering Systems”. CRC press. 1998.
Chen Chi Tsong. “Analog and Digital Control System and Design”. Saunders College Publishing. 2000.
Chen Chi Tsong. “Introduction to Linear System Theory”. Edit. Holt, Rinehart and Winston, INC 1970.
J.C.Basilio and B.Kouvaritakis, “An Algorithm for Coprime Matrix Fraction Description using Silvester Matrices”. Oxford University, Departament of Engineering Science. 2008.
O. M Graselli y A Tornambé. “On Obtaining a Realization of a Polynomial Matrix Description on a System”. IEEE Transaction on Automatic Control. Pp. 852-856. Volume 37 No.6 June 1992.
Chen Chi Tsong. “Linear System Theory and Design”. Edit. Oxford University Press. 1999.
G. Alain, Landau I.D. "On the recursive identification of multi-input, multi-output systems". AUTOMATICA Journal of the International Federation of Automatic Control Vol 14, Issue 6, pp. 609-614.November 1978.
D. Miljković. “Fault detection methods: A literature survey”. Proc. MIPRO 2011, Vol 3. pp. 750–755, 2011.
F. Pineda, A. Chica “Extensión del método Gauthier para realizaciones mínimas multivariables, incorporando teoría de matrices coprimas”. Revista de Ingeniería Pontificia Universidad Javeriana. Julio-Diciembre 2009.
G. Welch, G. and, G. Bishop. “An Introduction to the Kalman Filter”, TR 95-041, Department of Computer Science, University of North Carolina at Chapel Hill. 2002.
F. Pineda, A. Chica, "Linear multivariable state-feedback starting from the MPF model; as recurrent algorithm to the control for canonical forms," ANDESCON, 2010 IEEE, pp.1-5, Sept. 2010 doi: 0.1109/ANDESCON.2010.5633060.
H. W. Sorenson. “Least-squares estimation: from Gauss to Kalman”. IEEE spectrum, July, 1970.
.png)
.jpg)
