Detección de fallas usando Análisis de Componentes Principales y Modelado de Valor Medio en un motor a gas natural de 2 MW

Palabras clave: Detección de fallas, análisis de componentes principales, modelado de valor medio, motor a gas natural, modelo termodinámico

Resumen

Este artículo describe la combinación de técnicas estadísticas y modelos matemáticos para desarrollar un sistema de detección de fallas en un motor de gas natural de 2 MW bajo condiciones reales de operación. La cámara de mezcla, los turbocompresores, los múltiples de admisión y escape, los cilindros, las válvulas throttle, bypass y el generador eléctrico, que son los principales componentes del motor de gas, fueron estudiados bajo un motor de valor medio para complementar el análisis estadístico. El objetivo principal de este trabajo es integrar dos enfoques para relacionar los fallos con los cambios de los valores medios termodinámicos del sistema, ayudando a mantener el motor en condiciones óptimas de funcionamiento en términos de confiabilidad. El Análisis de Componentes Principales (PCA), una técnica estadística multivariante de detección de fallas, se utilizó para analizar los datos históricos del motor a gas para detectar condiciones anormales de operación, por medio de indicadores estadísticos tales como el Error de Predicción Cuadrado (SPE) y T2. Estas condiciones anormales de operación se categorizan mediante técnicas de clústeres y diagramas de contribuciones, para luego examinar sus causas con el apoyo de los resultados de un modelo matemático de valor medio propuesto para el sistema. La integración de los métodos propuestos permitió identificar satisfactoriamente qué componente o componentes del motor podrían estar funcionando mal. Una vez combinados, estos dos métodos fueron capaces de predecir e identificar con precisión las fallas, así como las paradas del motor de gas durante un mes de funcionamiento. Se utilizó el análisis estadístico para detectar fallas en un motor de gas industrial de 2 MW, también se comparó el resultado con un modelo de valor medio para detectar variaciones de las propiedades termodinámicas del sistema en condiciones anormales.

Citas

G. Valencia-Ochoa, M. Vanegas-Chamorro, and E. Villicaña-Ortiz, “Disponibilidad geográfica y temporal de la energía solar en la Costa Caribe colombiana”, 1st ed: Universidad del Atlántico, 2016.

G. Valencia-Ochoa, M. Vanegas-Chamorro and J. Polo-Jimenez, “Análisis estadístico de la velocidad y dirección del viento en la Costa Caribe Colombiana con énfasis en la Guajira”, 1st ed. Universidad del Atlántico, 2016.

L. L. Hurtado-Cortes, E. Villarreal-López, and L. Villarreal-López, “Detección y diagnóstico de fallas mediante técnicas de inteligencia artificial, un estado del arte”, DYNA, vol. 83, no. 199, 2016.

S. Qin, “Statistical process monitoring: basics and beyond,” Journal of Chemometrics, vol. 17, no. 8‐9, pp. 480–502, 2003.

R. Isermann, “Model-based fault-detection and diagnosis - Status and applications”, Annual Reviews in Control, vol. 29, pp. 71–85, 2005.

A. Glowacz and Z. Glowacz, “Diagnosis of stator faults of the single-phase induction motor using acoustic signals”, Applied Acoustics, vol. 117, pp. 20–27, 2017.

F. Kimmich, A. Schwarte and R. Isermann, “Fault detection for modern Diesel engines using signal- and process model-based methods”, Control Engineering Practice, vol. 13, no. 2, pp. 189–203, 2005.

Y. Oguz and M. Dede, “Speed estimation of vector controlled squirrel cage asynchronous motor with artificial neural networks”, Energy Conversion and Management, vol. 52, no. 1, pp. 675–686, 2011.

J. C. M. Oliveira, K. Pontes, I. Sartori, and M. Embiruçu, “Fault Detection and Diagnosis in dynamic systems using Weightless Neural Networks,” Expert Systems with Applications, vol. 84, pp. 200–219, 2017.

D. M. Himmelblau, “Use of Artificial Neural Networks to Monitor Faults and for Troubleshooting in the Process Industries”, IFAC Proceedings volumes, vol. 25, no. 4, pp. 201–206, 1992.

P. M. Frank, “Fault diagnosis in dynamic systems using analytical and knowledge-based redundancy: A survey and some new results”, Automatica, vol. 26, no. 3, pp. 459–474, 1990.

M. A. Moore and L., Kramer, “Expert Systems in On-Line Process Control”, in Third International Conference on Chemical Process Control, Asilomar, pp. 839–867, 1986.

R. Isermann and P. Ballé, “Trends in the application of model-based fault detection and diagnosis of technical processes”, Control Engineering Practice, vol. 5, no. 5, pp. 709–719, 1997.

F. Farhani, A. Zaafouri and A. Chaari, “Real time induction motor efficiency optimization”, Journal of the Franklin Institute, vol. 354, no. 8, pp. 3289–3304, 2017.

L. Desborough and T. Harris, “Performance assessment measures for univariate feedback control”, The Canadian Journal of Chemical Engineering, vol. 70, no. 6, pp. 1186-1197, 1992.

R. Dunia and S. Joe Qin, “Joint diagnosis of process and sensor faults using principal component analysis”, Control Engineering Practice, vol. 6, no. 4, pp. 457–469, 1998.

D. Godbole and R. Sengupta, “Tools for the design of fault management systems [automated highway systems],” in Proceedings of Conference on Intelligent Transportation Systems, 1997, pp. 159–164.

H. Alvarez, R. Lamanna, P. Vega and S. Revollar, “Metodología para la Obtención de Modelos Semifísicos de Base Fenomenológica Aplicada a una Sulfitadora de Jugo de Caña de Azúcar,” Revista Iberoamericana de Automática e Informática Industrial, vol. 6, no. 3, pp. 10–20, 2009.

Á. A. Ruiz and H. Álvarez, “Escalamiento de Procesos Químicos y Bioquímicos basado en un Modelo Fenomenológico,” Información tecnológica, vol. 22, pp. 33–52, 2011.

C. A. Gómez, Y. A. Calderón, and H. Álvarez, “Building phenomenological based semi-physical models: fermentation process case,” Biotecnología en el Sector Agropecuario y Agroindustrial, vol. 6, no. 2, pp. 28–39, 2008.

M. C, Verde, “Detección de Fallas usando Análisis de Componentes Principales”, Congreso Anual la AMCA 2004, vol. 1, pp. 431–436, 2004.

J. Kresta, J. F. Macgregor, and T. E. Marlin, “Multivariate statistical monitoring of process operating performance,” Can. J. Chem. Eng., vol. 69, no. 1, pp. 35–47, 1991.

J. F. MacGregor, “Multivariate statistical methods for monitoring large data sets from chemical processes.,” in Proceedings of AIChE Annual Meeting, 1989.

B. M. Wise, “Adapting Multivariate Analysis for Monitoring and Modeling of Dynamic Processes.” University of Washington, 1991.

R. E. H. Miller, P; Swanson, “Contribution plots: a missing link in multivariate quality control.,” Applied Mathematics and Computer Science, vol. 8, pp. 775, 1998.

D. R. Lewin, “Predictive maintenance using PCA,” Control Engineering Practice, vol. 3, no. 3, pp. 415–421, 1995.

R. Dunia, S. J. Qin, T. F. Edgar and T. J. McAvoy, “Identification of faulty sensors using principal component analysis”, AIChE Journal, vol. 42, no. 10, pp. 2797-2812, 1996.

S. Yoon and J. F. MacGregor, “Statistical and causal model-based approaches to fault detection and isolation”, AIChE Journal, vol. 46, no. 9, pp. 1813–1824, 2000.

A. Norvilas, A. Negiz, J. DeCicco, and A. Çinar, “Intelligent process monitoring by interfacing knowledge-based systems and multivariate statistical monitoring”, Journal of Process Control, vol. 10, no. 4, pp. 341–350, 2000.

D. Leung and J. Romagnoli, “An integration mechanism for multivariate knowledge-based fault diagnosis”, Journal of Process Control, vol. 12, no. 1, pp. 15–26, 2002.

W. R. Zwick and W. Velicer, “Comparison of Five Rules of Determining the Number of Components to Retain,” Psychological Bulletin, vol. 99, pp. 432–442, 1986.

E. Hoyos, D. López, and H. Alvarez, “A phenomenologically based material flow model for friction stir welding,” Materials Design, vol. 111, pp. 321–330, 2016.

J. Garcia Tirado, C. Zuluaga-Bedoya, V. Jaramillo, and S. Jiménez Gómez, “Phenomenological-based Semi-Physical Model for a Pressure Control Plan”, 2017.

F. E. Moreno-García, J. J. Ramírez-Matheus, y O. D. Ortiz-Ramírez, “Sistema de supervisión y control para un banco experimental de refrigeración por compresión”, Respuestas, vol. 21, no. 1, pp. 97-107, 2016.

G. Valencia-Ochoa, C. Acevedo-Peñaloza y J.P. Rojas, “Thermoeconomic Modelling and Parametric Study of a Simple ORC for the Recovery of Waste Heat in a 2 MW Gas Engine under Different Working Fluids”, Applied Sciences, vol. 9, no. 21, pp. 4526, 2019.

Cómo citar
Cárdenas-Escorcia, Y., Valencia-Ochoa, G., & Campos-Avella, J. (2020). Detección de fallas usando Análisis de Componentes Principales y Modelado de Valor Medio en un motor a gas natural de 2 MW. Respuestas, 25(1). https://doi.org/10.22463/0122820X.2401

Descargas

La descarga de datos todavía no está disponible.
Publicado
2020-01-01
Sección
Artículos de Investigación