Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
x = Ax + Bu
(t) = g
r
((t),u(t),y(t))
r(t) = h
r
((t),u(t),y(t))
>>
=
0 ) t ( cuando 0
0 ) t ( cuando 0
|| ) t ( ||
f
f
r
x(t) = g(x(t),u(t)) + R
1
f(t)
y(t) = h(x(t),u(t)) + R
2
f(t)
(7)
El residuo r(t) y el error de estimacin de estado
) t ( ) t ( ) t ( x x e = se gobiernan por la ecuacin (8),
donde O
1
(e
2
(t),t) y O
2
(e
2
(t),t) representan trminos
de segundo y mayor orden con respecto a e(t).
(8)
Se puede ver que al residuo solo le afecta el vector
del fallo f(t) si el error de estimacin de estado e(t)
converge asintticamente a cero. El problema es
disear la matriz )) t ( ), t ( ( u x K tal que e(t) = 0 sea un
punto de equilibrio asintticamente estable de la
ecuacin (8). En muchas situaciones prcticas,
incluso una matriz K constante es suficiente para este
propsito. Hay que indicar que no se conoce un
algoritmo general aplicable que proporcione una
solucin a este problema de estabilidad. Ya que el
problema es no lineal, pueden aparecer nmeros
complejos y dificultades computacionales. As pues,
este mtodo no es realmente prctico [25].
3.1.2 Observador de Thau
Thau en [200] desarroll un observador para una
clase especial de sistemas no lineales. Este
observador ha sido aplicado a la deteccin y
aislamiento de fallos en sistemas no lineales [110],
[172] y utiliza el modelo no lineal del sistema
mostrado en la ecuacin (9).
(9)
Se puede ver que el sistema tiene trminos lineales y
no lineales. El modelo del sistema satisface las
siguientes condiciones: el par (C,A) es observable, la
funcin no lineal g(x(t),u(t)) es continuamente
diferenciable y tiene una constante de Lipschitz
que satisface la ecuacin (10)
(10)
Cuando se satisfacen estas condiciones, un
observador estable para el sistema de la ecuacin (9)
es el que muestra la ecuacin (11), donde K es la
matriz de ganancia del observador expresada en la
ecuacin (12), P
es la solucin a la ecuacin de
Lyapunov [172] expresada en la ecuacin (13) y es
un parmetro positivo que se escoge para que la
ecuacin (13) tenga una solucin definida positiva.
(11)
(12)
(13)
Un tratamiento detallado del observador de Thau y
sus aplicaciones se puede encontrar en [172]. Este ha
sido combinado con el concepto de filtro de
deteccin de fallos para generar vectores dirigidos de
residuos para sistemas no lineales [65], [62]. En
[177] se desarrolla un observador de estructura como
la de Thau para sistemas de descriptor no lineal.
3.1.3 Observador no lineal de entrada
desconocida
La idea del diagnstico de fallos mediante
observador de entrada desconocida fue primero
extendida a una cierta clase de sistemas no lineales
por Wnnenberg [222]. Dicha clase de sistema no
lineales se modela con la ecuacin (14) donde f(t) es
el vector del fallo y d(t) es el vector de entrada
desconocida.
(14)
Hay que indicar que el trmino no lineal B(y(t),u(t))
depende solo de u e y los cuales son directamente
disponibles. As, es posible compensar
completamente la no linealidad utilizando un
observador de la forma expresada en la ecuacin
(15).
(15)
Las condiciones que deben cumplir las matrices del
observador para proporcionar robustez frente a
entradas desconocidas y sensibilidad frente a los
fallos se muestran en la ecuacin (16) [222], [51],
[52].
(16)
Si dichas condiciones se cumplen en su totalidad, las
dinmicas del residuo r(t), y del error de estimacin
de estados e(t) = (t) Tx(t), se gobiernan mediante
la ecuacin (17).
)) t ( ), t ( ( ) t ( u x h y =
) t ( ) t ( ) t ( y y r =
| | ) t ( ) t ( )) t ( ), t ( ( )) t ( ), t ( ( ) t ( y y u x K u x g x + =
) t ( )) (t (t), ( ) t ( ) t ), (t ( O ) t ( ) t ( ) t (
2
1
f R u x K f R e e F e
2 1
+ + =
) t ( ) t ), (t ( O ) t ( ) t ( ) t (
2
2
f R e e H r
2
+ + =
) t ( )) (t (t), (
) t (
) t) ( ), t ( (
) t ( H u x K
x
u x g
F
=
) t (
) t) ( ), t ( (
) t (
x
u x h
H
=
x(t) = Ax(t) + Bu(t) + R
1
f(t) + g(x(t),u(t))
y(t) = Cx(t) + R
2
f(t)
|| g(x
1
,u) g(x
2
,u) || ||x
1
x
2
||
) t ( ) t ( x C y =
)) t ( ) t ( ( )) t ( ), t ( ( ) t ( ) t ( ) t ( y y K u x g Bu x A x + + + =
T 1
C P K
=
0
T T
= + +
P C C A P P A
x(t) = Ax(t) + B(y(t),u(t)) + E
1
d(t) + R
1
f(t)
y(t) = Cx(t) + E
2
d(t) + R
2
f(t)
(t) = F(t) + J(y(t),u(t)) + Gy(t)
r(t) = L
1
(t) + L
2
y(t)
TA FT = GC ; F estable
J(y,u) = TB(y,u)
GE
2
TE
1
= 0
L
2
E
2
= 0
L
1
T + L
2
C = 0
rango(GR
2
TR
1
) = rango(R
1
)
rango(L
2
R
2
) = rango(R
2
)
(17)
El problema de esta extensin de la teora de
observador lineal de entrada desconocida a una clase
de sistemas no lineales es que la clase de sistemas
descritos por el modelo de la ecuacin (14) es
bastante limitada. Muchos sistemas fsicos no
lineales no pueden ser modelados de este modo. As,
un modelo dado debe ser transformado en la forma
requerida por una adecuada transformacin no lineal
de estado. Las condiciones de existencia para tal
transformacin son muy restrictivas.
Consecuentemente, la clase de modelos que son
transformables de hecho es bastante pequea [51],
[52]. Pero incluso si se satisfacen las condiciones de
existencia, encontrar la transformacin ser difcil
por la necesidad de resolver las ecuaciones en
derivadas parciales de alto orden.
Un mtodo alternativo de diagnstico de fallos en
sistemas no lineales fue desarrollado por Seliger y
Frank [58], [173], [174], [175], [158]. Este mtodo
requiere condiciones de existencia ms dbiles y
extiende la clase de sistemas transformables al
modelo ms general expresado en la ecuacin (18).
(18)
La tarea de diseo consiste en encontrar una
transformacin no lineal = T(x) separando la parte
perturbada de la parte no perturbada del modelo. Esta
separacin se puede alcanzar si y solo si se verifica la
ecuacin (19).
(19)
Esta ecuacin constituye un sistema de ecuaciones en
derivadas parciales lineales de primer orden las
cuales se resuelven simultneamente por = T(x).
Suponer que existen las soluciones = T(x) de la
ecuacin (19) y que tambin existe una relacin x =
(,y*), entonces el modelo se puede rescribir segn
muestra la ecuacin (20) [58], [173], [174], [175],
[51], [52], donde la salida y* = C*(y) indica un
subconjunto del conjunto total de medidas
disponibles y = C(x) que satisface la condicin
dim(y*) < dim(y).
(20)
Suponer adems que existe la relacin Q(T(x),C(x))
= 0. Entonces se puede establecer un observador no
lineal para estimar la parte no perturbada del estado
x. El observador resultante se muestra en la ecuacin
(21), donde la libertad en el diseo proporcionado
por la matriz de realimentacin K puede utilizarse
para estabilizar la ecuacin diferencial que gobierna
la dinmica de la estimacin del error e.
(21)
Este es por naturaleza un observador no lineal de
entrada desconocida, tambin a menudo referenciado
como observador de perturbacin desacoplada de
entrada desconocida [58], [173], [174]. Las
ecuaciones del residuo y la que gobierna la dinmica
del error de estimacin son (22) y (23)
respectivamente, donde el sistema de ecuaciones
diferenciales no lineales de la ecuacin (23) deben
disearse tal que el punto de equilibrio e = 0 sea al
menos asintticamente estable.
(22)
(23)
El residuo converger a cero en el caso de ausencia
de fallo. Por otro lado todos los fallos en f se vern
reflejados en e si se cumple la condicin mostrada en
la ecuacin (24).
(24)
Si, adems de las condiciones de las ecuaciones (19)
y (24) se verifican tambin las de la ecuacin (25),
entonces se puede disear un generador de residuos
con dinmica del error lineal y estable [173]. En
dicha ecuacin F es una matriz estable constante y
0
(C(x)) y
1
(C(x)) son adecuadas
transformaciones de la salida.
(25)
El generador de residuos se puede implementar
entonces tal y como indica la ecuacin (26). En este
caso la estimacin del error y el residuo evolucionan
segn indica la ecuacin (27).
(26)
(27)
Es importante indicar que las ecuaciones (15) y (26)
son estables en el dominio completo de desacoplo de
perturbacin [51], [52]. Tal afirmacin no se la puede
asignar al observador descrito en la ecuacin (21).
3.1.4 Observador bilineal
Como una clase especial de sistemas no lineales, los
modelos bilineales se usan frecuentemente para
representar una variedad de sistemas industriales
e(t) = Fe(t) + GR
2
f(t) TR
1
f(t)
r(t) = L
1
e(t) + L
2
R
2
f(t)
x(t) = A(x) + B(x)u + E(x)d + R(x)f
y(t) = Cx(t)
0 ) (
) (
=
x E
x
x T
) ) ( ) ( ) ( (
) (
f x R u x B x A
x
x T
+ +
x = (,y*)
)) , ( ) , , ( ) ( ) ( (
) (
y Q u x K u x B x A
x
x T
+ +
^
^
x = (,y*)
^
) , ( ) , ( y e Q y Q r + = =
^
f x R
x
x T
) (
) (
e = (e,t)
e = ;
^
{ } ) ( rango ) (
) (
rango x R x R
x
x T
=
)
`
)) ( ) ( ) (
) (
x C x FT x A
x
x T
+ =
0
)) ( ( ) (
) (
x C x B
x
x T
=
1
r = Q(,y)
^
^
u y y F ) ( ) ( + + =
1
0
f x R
x
x T
Fe e ) (
) (
=
)) ( , ) ( ( x C e x T Q r + =
incluyendo procesos qumicos, sistemas de
transmisin hidrulica, sistemas de horno de gas y
sistemas de intercambio de calor [229]. El
diagnstico de fallos en sistemas bilineales ha sido
ampliamente estudiado [230], [226], [229], [227],
[177], [224], [228], [132], [102]. Todos los estudios
se basan en el uso de observadores bilineales.
Hay dos mtodos principales a la hora de disear un
observador bilineal. El primer mtodo propuesto
inicialmente por Funahashi [60] utiliza la tcnica de
Lyapunov. El segundo mtodo se basa en la
utilizacin de tcnicas desarrolladas para
observadores lineales de entrada desconocida. La
idea bsica es tratar los trminos no lineales como si
fueran entradas desconocidas y desacoplar sus
efectos del error estimado del estado. Aunque el
sistema es bilineal, el observador utilizado para
estimar el estado es de hecho lineal [25]. Este mtodo
fue inicialmente estudiado por Hara y Furuta [85]
para sistemas bilineales sin entradas desconocidas y
posteriormente extendido por Ha [81] para sistemas
bilineales con entradas desconocidas. La mayora de
los estudios sobre diagnstico de fallos en sistemas
bilineales se basan en extensiones del mtodo de
observador de entrada desconocida desarrollado por
Ha [81], donde se considera el sistema bilineal
expresado en la ecuacin (28) donde x, y y d son los
vectores de estado, salida y de perturbacin
desconocida respectivamente; u
i
, i = 1,2, ..., r son
entradas del vector de entradas desconocidas u; A,
B
i
, C, E
1
y E
2
son matrices reales con las
dimensiones correspondientes. Sin prdida de
generalidad se asume que la matriz [C E
2
] tiene
rango completo por filas.
(28)
Un estudio ms reciente sobre diseo de
observadores bilineales se puede encontrar en [89],
[25], [102], [84]. En [89] adems se incluyen
ejemplos que ilustran dicho diseo.
3.1.5 Programacin gentica
Este subapartado describe la aplicacin de los
algoritmos evolutivos al diseo de observadores no
lineales. En particular, se emplea la tcnica de la
programacin gentica [106] para resolver el
problema de seleccionar adecuadamente la matriz de
ganancia del observador [219], [19]. Se considera el
sistema no lineal discreto de la ecuacin (29) donde
u(k) es la entrada, y(k) es la salida, x(k) es el estado
y f() y g() son funciones no lineales.
(29)
El problema es determinar el estado estimado ) k ( x a
partir de un conjunto de medidas entrada-salida. Para
abordar este problema, se propone la estructura de
observador mostrada en la ecuacin (30) donde
(k)
indica el error a priori de la salida, ) k (
x es el estado
a priori estimado, y K() es la matriz de ganancia que
consta de ciertas funciones, as por ejemplo, cada
entrada de la matriz de ganancia es una funcin del
error a priori de la salida y de la entrada al sistema.
(30)
As, en el caso en que se conozca el modelo del
sistema, el problema se reduce a seleccionar esas
funciones. Debido al hecho de que cada funcin se
puede representar como un rbol estructurado, es
posible emplear la programacin gentica para
identificarlas de modo que se minimice la influencia
del modelo y de la incertidumbre de la condicin
inicial en el residuo [220]. Con ello el observador
propuesto ser robusto frente a dichos factores que
pueden causar una deteccin no fiable del fallo. Hay
que sealar que en el caso que se desconozca el
modelo del sistema el problema se puede reducir a la
identificacin simultanea del modelo del sistema y de
la matriz de ganancia [219]. En ambas tcnicas, la
suma de las diferencias normalizadas entre la salida
real y la salida estimada en el modo libre de fallo, se
toma como funcin de evaluacin. Resultados
experimentales confirman que estos mtodos
proporcionan alta calidad en el modelado as como
robustez frente a varios factores que podran degradar
la fiabilidad en la deteccin de fallos [19], [221].
3.2 ECUACIONES DE PARIDAD
DINMICAS NO LINEALES
Figura 8: Generador de residuos
Se puede extender la tcnica de las relaciones de
paridad para aplicarla al diagnstico de fallos en
sistemas no lineales. Krishnaswami and Rizzoni
[109] propusieron un esquema de generador de
r
d
(k)
Planta
u(k) y(k)
Modelo directo
y(k)
Modelo inverso
+
^
u(k)
+
^
r
i
(k)
x(k + 1) = f(x(k),u(k))
y(t) = h(x(k))
)) k ( ( ) k ( ) k (
= x h y
) k ( )) 1 k ( ), k ( ( ) k ( ) k (
+ = u K x x
) t ( ) t ( ) t ( u ) t ( ) t (
r
1 i
i
d E x B Ax x
1 i
+ + =
=
) t ( ) t ( ) t ( d E Cx y
2
+ =
residuos robusto ante perturbaciones integrado en
una ecuacin de paridad no lineal que utiliza modelos
dinmicos directos e inversos del sistema, figura 8, y
su aplicacin al problema de diagnstico de fallos en
sensor y actuador en un motor de combustin [108].
Otros estudios y aplicaciones de la mencionada
generalizacin se encuentran en [111], [80], [181],
[101], [184], [72], [17], [182], [78], [14], [16].
3.3 REDES NEURONALES EN
DIAGNSTICO DE FALLOS DE
SISTEMAS NO LINEALES
Este apartado contiene la aplicacin de las redes
neuronales supervisadas al diagnstico de fallos en
sistemas no lineales. Problemas tales como la
seleccin de la estructura de la red y los algoritmos
de entrenamiento no se consideran aqu, sino que se
toma la red neuronal como un herramienta
matemtica bien establecida. Este apartado trata de
cmo las redes neuronales pueden utilizarse en el
diagnstico de fallos y de sus ventajas frente a otras
tcnicas convencionales basadas en modelos. Una red
neuronal se utiliza para modelar un sistema dinmico
no lineal de mltiples entradas y mltiples salidas.
Despus del entrenamiento, la red neuronal puede dar
una estimacin muy exacta de la salida del sistema.
Utilizando el concepto de generacin de residuos
desarrollado en el diagnstico de fallos basado en
modelos, la diferencia ponderada entre las salidas
real y estimada se utiliza como residuo para detectar
fallos. Cuando la magnitud de dicho residuo excede
un umbral predefinido, es probable que el sistema
tenga un fallo. De cara a localizar el fallo en el
sistema (aislamiento del fallo) de manera fiable, se
utiliza una red neuronal secundaria para examinar las
caractersticas del residuo. Una caracterstica
particular debera corresponder a una localizacin
particular del fallo. Basado en la extraccin de
caractersticas y en principios de clasificacin, la red
neuronal secundaria puede localizar fallos de manera
fiable.
3.3.1 Redes neuronales como modelos de
sistemas dinmicos no lineales
El modelo linealizado no es una representacin muy
adecuada para sistemas con no linealidades grandes y
amplios rangos de operacin. Para tales sistemas es
ms eficiente utilizar modelos no lineales para el
diagnstico de fallos. Para sistemas complejos y con
incertidumbre, la obtencin de modelos analticos a
partir de relaciones fsicas puede resultar muy
complicado y llevar mucho tiempo. A veces es muy
difcil, incluso imposible, obtener ecuaciones
analticas para algunos sistemas, tales como sistemas
hidrulicos y aerodinmicos. Es por ello que una
herramienta universal y barata que modele sistemas
automticamente es deseable. La red neuronal puede
ser dicha herramienta ya que puede extraer
automticamente las caractersticas del sistema a
partir de datos histricos de entrenamiento utilizando
el algoritmo de aprendizaje, el cual requiere poco o
nulo conocimiento a priori del sistema. Esto
proporciona una gran flexibilidad a la hora de
modelar sistemas no lineales complejos. Adems, el
aprendizaje se puede llevar a cabo fuera de lnea.
Esto hace fcil el modelar sistemas variantes en el
tiempo.
Una de las ventajas ms importantes de las redes
neuronales es su habilidad para implementar
transformaciones no lineales para problemas de
aproximacin funcional, as por ejemplo las redes
neuronales son capaces de formar una aproximacin
arbitrariamente cercana a cualquier funcin continua
no lineal, dando unos factores de peso adecuados y
una arquitectura de red determinada [141], [90],
[140], [38], [25], [19], [149], [135]. Una red neuronal
es un conjunto de unidades elementales,
denominadas neuronas, conectadas masivamente y de
forma paralela entre s. Las entradas a cada neurona
se combinan produciendo una salida. La red
perceptrn multicapa con arquitectura feedforward y
las redes recurrentes son dos clases principales de
redes. Desde un punto de vista de la teora de
sistemas, la red feedforward es solo una estructura
esttica no lineal entre entradas y salidas. Sin
modificacin, la red feedforward no se puede utilizar
para representar sistemas dinmicos [25]. La red
recurrente se puede utilizar para modelar sistemas
dinmicos no lineales, ya que se puede introducir
realimentacin dinmica en la red [161], [225],
[118], [37], [36], [19]. Debido a la propia
realimentacin, la red puede ser inestable. Este es
quizs el aspecto ms importante que se debe tratar
antes de que se pueda aplicar en la prctica todo el
potencial de la red recurrente. Narendra y
Parthasarthy [141] estudiaron las formas de
representar sistemas dinmicos no lineales mediante
redes feedforward. Utilizaron varias combinaciones
de sistemas dinmicos lineales con redes
feedforward. De esta forma, el sistema dinmico no
lineal se separa en subsistemas que caen dentro de
dos categoras: el sistema dinmico lineal
(representado por una funcin de transferencia) y el
sistema esttico no lineal (representado por un red
feedforward).
La forma ms simple de representar un sistema
dinmico no lineal es utilizar una combinacin de red
feedforward con algunas unidades de tiempo de
retraso. Se asume que un sistema dinmico no lineal
se describe por la ecuacin (31), donde u(k)
r
es
el vector de entrada, y(k)
m
es el vector de salida
y F(, ...,) representa una funcin genrica no lineal.
(31)
Una red feedforward con matriz de pesos W puede
utilizarse para representar dicha funcin esttica no
lineal. La salida de la red neuronal se expresa en la
ecuacin (32), donde n es el orden del sistema.
(32)
De este modo, se puede modelar un sistema dinmico
no lineal mediante un red feedforward en
combinacin con algn tipo de retraso de unidades de
tiempo. El modelo ilustrado en la figura 9 a veces se
le llama modelo de prediccin de un paso.
La ventaja de las redes neuronales sobre mtodos de
identificacin conveccionales es que pueden manejar
universalmente sistemas lineales y no lineales,
aunque no es muy eficiente representando sistemas
lineales. La estructura de la red, normalmente se
escoge en base a la experiencia junto con un
procedimiento de prueba y error. La matriz de pesos
W se determina durante el entrenamiento, teniendo
en cuenta que se quiere minimizar el error de
modelado, ecuacin (33). El algoritmo de
retropropagacin (backpropagation) es uno de los
mtodos de entrenamiento ms utilizados [141], [37],
[36], [149].
(33)
Figura 9: Modelo de un sistema dinmico no lineal
con red neuronal
3.3.2 Redes neuronales como clasificadores
Despus de generar el residuo, se debe utilizar un
mecanismo de decisin para determinar la ocurrencia
y localizacin del fallo. Tradicionalmente, el mdulo
de decisin se ha implementado mediante lgica de
umbrales utilizando umbrales fijos o adaptativos o
variables o mtodos basados en tests estadsticos. La
principal tarea del mdulo de decisin es clasificar
los residuos en un nmero de patrones distinguibles
correspondientes a diferentes situaciones de fallo.
As, el mdulo de decisin puede basarse en el
principio de reconocimiento de patrones [25]. El
reconocimiento de patrones implica ciertas acciones
iniciales basadas en la observacin de datos de
entrada. La entrada que representa un patrn se la
conoce como el vector de medida o el vector
caracterstico. La funcin obtenida mediante un
sistema de reconocimiento de patrones es el encuadre
del vector caracterstico de entrada en una de las
varias clases de decisin. En diagnstico de fallos,
estas clases de decisin son los diferentes tipos (o
localizacin) de fallos que ocurren en el sistema. Una
de las ventajas de las redes neuronales es su
capacidad para particionar el espacio de patrones
para problemas de clasificacin. As, se puede
utilizar una red neuronal como clasificador (o
reconocedor de patrones) para particionar patrones de
residuo y activar seales de alarma. Puede por lo
tanto detectar y aislar fallos. En el entrenamiento de
redes neuronales para clasificar fallos se utilizan
valores de 0.1 y 0.9 en los nodos de salida para
indicar la ausencia y presencia de fallo
respectivamente. En la aplicacin a diagnstico de
fallos, valores superiores a 0.5 en los nodos de salida
indican un fallo. Si se conocen los patrones de fallo
que ocurren ante fallos especficos, esta informacin
podra almacenarse en la red neuronal eligiendo su
conjunto de entrenamiento en concordancia con los
fallos conocidos.
3.3.3 Redes neuronales para manejar
informacin analtica y heurstica
Ya se ha apuntado anteriormente que las prestaciones
del diagnstico de fallos se pueden mejorar
considerablemente integrando informacin
cuantitativa y cualitativa. Hay muchos estudios en
diagnstico de fallos que utilizan o bien informacin
cuantitativa o bien informacin cualitativa. Sin
embargo, la teora y herramientas matemticas
utilizadas en ambas reas son tan diversas que hay
pocos investigadores que consideren su integracin.
Esta diversidad en el uso de trminos y herramientas
matemticas hace que la integracin de informacin
sea muy difcil. Sera ideal disponer de una
herramienta matemtica universal que pudiese
manejar tanto informacin cuantitativa como
informacin cualitativa. No hay duda que las redes
neuronales pueden manejar informacin cuantitativa.
Sin embargo, la informacin cualitativa normalmente
se expresa con lgica boleana o lgica borrosa. Es
posible implementar cualquier relacin de lgica
boleana con redes neuronales [134]. Adems, la
lgica borrosa tambin se puede manejar con las
redes neuronales utilizando el concepto de red
neuronal borrosa [86]. Todas estas capacidades hacen
de las redes neuronales una herramienta ideal para la
y(k) = F(y(k 1), ..., y(k n), u(k), ..., u(k n))
) k ( y = NN(W, y(k 1), ..., y(k n), u(k), ..., u(k n))
|| ) k ( ) k ( || y y
z
1
u(kn)
z
1
z
1
y(kn)
z
1
capa de entrada
capa oculta
capa de salida
red
multicapa
feedforward
y(k)
^
y(k1) u(k)
integracin de la informacin. Adems se puede
utilizar una red neuronal entrenada para evaluar la
fiabilidad de la informacin proporcionada ya sea
mediante mtodos cuantitativos o mediante mtodos
cualitativos y decidir que pesos se deberan utilizar a
la hora de integrar la informacin. La idea de los
mtodos de diagnstico que integran informacin
cuantitativa y cualitativa se muestra en la figura 10.
Figura 10: Estructura conceptual del mtodo
integrado de diagnstico de fallos
3.3.4 Diagnstico de fallos basado en redes
neuronales
La figura 11 muestra el esquema de diagnstico de
fallos desarrolado por Patton, Chen y Siew [157],
[25]. Este esquema se compone de dos etapas:
generacin de residuos y toma de decisin. El
esquema de generacin de residuos descrito aqu est
basado en la comparacin de las respuestas real y
estimada del sistema. La respuesta estimada del
sistema se genera mediante una modelo basado en
red neuronal como el que se muestra en la figura 9.
El vector de residuos se genera calculando la
diferencia entre la salida real y la salida estimada, tal
y como indica la ecuacin (34).
(34)
La salida estimada se muestra en la ecuacin (35),
donde NN(, ...,) indica una estructura funcional no
lineal basada en red neuronal.
(35)
Figura 11: Esquema de deteccin y aislamiento de
fallos con dos redes neuronales
Los residuos generados de este modo, deberan ser
independientes del estado de operacin del sistema
bajo condiciones nominales de operacin de la
planta. En ausencia de fallos, al residuo solo le afecta
el ruido y las perturbaciones. Cuando ocurre un fallo
en el sistema, el residuo se desva de cero de unas
formas caractersticas. En la segunda etapa del
diagnstico de fallos, se utiliza un clasificador
basado en red neuronal para colocar al vector de
residuos dentro de los patrones que corresponden a
diferentes situaciones de sistema con fallo. La red
neuronal se entrena para reconocer caractersticas
complejas en los residuos y dar as informacin de
deteccin y aislamiento. Para diagnosticar fallos de
una manera fiable, la red clasificadora tiene que ser
entrenada utilizando datos de todas las posibles
situaciones con fallo. Una red neuronal entrenada
solamente en la situacin de ausencia de fallo no se
puede esperar que funcione bien en situaciones con
fallo.
Hay que indicar que en el esquema introducido aqu,
se utiliza la red neuronal como alternativa a un
estimador de estado tradicional, como puede ser un
observador de Luenberger o un filtro de Kalman. Una
caracterstica importante de utilizar la red neuronal
para predecir la salida es que la red aprender la
dinmica del sistema durante una sesin de
entrenamiento realizada en varios ciclos de
entrenamiento, con datos de entrenamiento
provenientes o bien de simulaciones previas o bien
con datos reales en lnea. Despus de cada ciclo de
entrenamiento, la red neuronal sabr ms sobre el
comportamiento dinmico del sistema. Una de las
caractersticas importantes de la red neuronal es su
habilidad para aprender automticamente el
comportamiento dinmico de un sistema no lineal,
siempre que la arquitectura de la red neuronal
disponga al menos de tres capas (la de entrada, la de
salida y una oculta). Los mtodos basados en redes
neuronales tienen varias ventajas potenciales sobre
otros mtodos tradicionales de estimacin, por citar
algunas: propiedades de estructura no lineal,
tolerancia al ruido, capacidades de autoaprendizaje y
procesamiento paralelo.
Figura 12: Esquema de deteccin y aislamiento de
fallos con una red neuronal
La tcnica en dos etapas es algo complicada, ya que
se necesita entrenar dos redes neuronales. La
prediccin de la salida es innecesaria si solo se
Sistema
Informacin
cuantitativa
Modulo de decisin
con red neuronal
que integra
informacin
Red neuronal
de generacin
de residuos
Red neuronal
borrosa
Informacin
cualitativa
Informacin
del fallo
Toma de
decisin
Red neuronal
de clasificacin
de residuos
Generacin
de residuos
Alarma Red neuronal
de modelo
de prediccin
z
1
r(k)
Sistema
u(k)
+
y(k)
Entrada Salida
Residuo
Fallo
y(k)
^
Alarma
Red neuronal
de deteccin y
aislamiento de
fallos
Sistema
u(k) y(k)
Entrada Salida
Fallos
) k ( ) k ( ) k ( y y r =
)) n k ( ..., ), k ( ), n k ( ..., ), 1 k ( , ( ) k ( = u u y y W NN y
precisa diagnosticar fallos, aunque es muy importante
para la reconfiguracin del sistema. Para incrementar
la eficiencia en la computacin, se pueden combinar
las dos etapas en una, es decir combinar las dos redes
neuronales en una sola. El esquema de diagnstico de
fallos utilizando una sola red neuronal se muestra en
la figura 12. Este esquema utiliza una sola red
neuronal cuyas entradas son las entradas u y salidas y
del sistema. La salida de dicha red es la seal de
alarma que declara la ocurrencia y localizacin de
fallos.
Chen y Patton en [25] muestran la aplicacin de los
esquemas de deteccin y aislamiento de fallos de las
figuras 11 y 12 a un sistema de control de nivel de
tres tanques de agua acoplados. En [129], [63], [206],
[135], [130], [195] tambin se aplican redes
neuronales para detectar y aislar fallos en un sistema
de control de nivel de tres tanques de agua acoplados.
Otras aplicaciones de diagnstico de fallos con redes
neuronales se pueden encontrar en [37], [36], [19],
[61].
3.4 OBSERVADORES BORROSOS
Este apartado presenta un esquema de deteccin y
aislamiento de fallos para sistemas dinmicos no
lineales que combina la lgica borrosa con los
mtodos de diagnstico de fallos basados en
modelos. Este esquema se le conoce como el mtodo
de los observadores borrosos y se basa en la
utilizacin del modelo borroso de Takagi-Sugeno
[196]. Utilizando este modelo, un sistema dinmico
no lineal se describe mediante un nmero de modelos
linealizados localmente. Dentro del esquema de
observadores borrosos, se disea un nmero de
observadores lineales locales y se estima el estado
mediante una combinacin borrosa de las salidas de
los observadores locales. La seal de diagnstico
(residuo) es la diferencia entre la salida real del
sistema y la salida estimada.
Aunque todos los observadores locales sean estables,
el observador global no es necesariamente estable (ya
que, por ejemplo, la estimacin del estado puede no
converger). Se puede utilizar el mtodo de la
desigualdad matricial lineal para analizar la
estabilidad global del observador borroso. En [25] se
expone detalladamente el modelo borroso de Takagi-
Sugeno, as como el concepto y estructura de los
observadores borrosos, adems de aplicaciones
prcticas que ponen de manifiesto la eficacia de
dicho esquema de diagnstico de fallos. Otras
aplicaciones del modelo borroso de Takagi-Sugeno
se pueden encontrar en [156], [128], [185], [187],
[192]. En [148] se utilizan reglas borrosas para
obtener una descripcin cualitativa de la tendencia de
las medidas numricas del sensor.
Otro tipo de observador borroso es el denominado
observador borroso cualitativo [237]. Dicho
observador se puede disear utilizando informacin
cualitativa del proceso para producir los residuos.
Estos observadores cualitativos se pueden utilizar
cuando no se dispone de toda la informacin
cuantitativa del proceso.
Los algoritmos evolutivos tambin se pueden aplicar
para optimizar el diseo de observadores para la
generacin de residuos [155], [19]. Esta tcnica
utiliza un mtodo multiobjetivo en base a criterios de
diseo relativos a sensibilidad y robustez para
mejorar la respuesta del residuo ante los fallos y
minimizar los efectos de las perturbaciones y ruidos
que actan en diferentes frecuencias.
3.5 MTODO NEURO-BORROSO
Se puede facilitar el diagnstico de fallos utilizando
tanto informacin cuantitativa como informacin
cualitativa del sistema monitorizado [53]. Este
apartado presenta el mtodo neuro-borroso [11], [24],
[3], [195], [168], [20], [133], [207], que integra
ambos tipos de informacin para el diagnstico de
fallos. Este mtodo combina en un marco nico tanto
conocimiento numrico como conocimiento
simblico del proceso. El mtodo es capaz de
estructurar un modelo cuantitativo de modo que el
conocimiento cualitativo pueda ser tanto incluido
como extraido.
La idea bsica consiste en estructurar una red
neuronal, la cual puede modelar eficientemente
sistemas no lineales, en un formato de lgica borrosa.
La red puede as ser entrenada ms rpidamente y
describir tambin explcitamente las causas de los
fallos. El conocimiento del experto tambin se puede
incluir en el mismo marco. Se puede utilizar una red
neuronal B-Spline en el marco unificado. Esta red,
que incorpora tanto informacin cuantitativa como
informacin cualitativa, se utiliza en la generacin y
evaluacin del residuo dentro del diagnstico de
fallos.
3.5.1 Redes neuronales B-Spline e interpretacin
de lgica borrosa
La red de la funcin B-Spline se ha utilizado como
uno de los mtodos neuro-borrosos para el control y
modelado de sistemas [113], [18]. Dentro de la
deteccin y aislamiento de fallos, se utiliza dicha
herramienta para generar y evaluar los residuos [25],
[206]. Una red neuronal B-Spline, mostrada en la
figura 13, incorpora un espacio de entradas,
funciones bsicas y factores de peso.
Figura 13: Red B-Spline de tres entradas, tres
funciones bsicas y una salida
En la figura 13 se observa como todas las entradas de
la red se aplican a funciones bsicas que estn
asociadas a celdas. Estas funciones bsicas realizan
transformaciones no lineales sobre las entradas en
una cantidad acotada en el intervalo [0,1]. Sus formas
y tamaos determinan las capacidades de modelado
de la red resultante. La salida es una combinacin
lineal ponderada de las salidas de las funciones
bsicas. Los factores de peso se ajustan durante el
entrenamiento de la red. Tomando N particiones de la
entrada dentro del intervalo X = [x
min
,x
max
], la salida
de una red B-Spline dimensional de la forma
expresada en la ecuacin (36), se puede construir
aproximando la seal objetivo = F(x) utilizando
una combinacin lineal de los B-Splines B
n,j
(x),
ponderados por los coeficientes w
i
.
(36)
La secuencia de B-Splines normalizados B
n,1
(x),
B
n,2
(x), ..., B
n,p
(x) construidos sobre los nodos
0
,
1
, ...,
N
se pueden evaluar a partir de la expresin
recurrente indicada en la ecuacin (37) con B
1,j
(x) el
valor expresado en la ecuacin (38).
(37)
(38)
El ndice j del B-Spline se asocia con la regin local
admisible
(jn)
x
(j)
. Entonces, el entrenamiento
de la red consiste en encontrar un conjunto de
coeficientes de peso w
i
tal que se minimice la
funcin de coste mostrada en la ecuacin (39), donde
N indica el nmero de conjuntos de entrenamiento,
mientras que (t) y ) t (
=
=
p
1 i
i j , n
w B
) x ( B
x
) x ( B
x
) x ( B
j , 1 n
1 n j j
j
1 j , 1 n
n j 1 j
n j
j , n
+
|
|
.
|
\
|
+
|
|
.
|
\
|
=
=
caso otro 0
I x si 1
) (t B
j
j , 1
=
=
N
1 i
2
)) t (
) t ( (
N
1
J
=
=
p
1 i
p p
) x ( B ) x ( B
=
=
p
1 i
i
w ) x ( ) x (
i
=
c
j ij i
y c w
) w ( c
i B ij
j
=
reconozca la ocurrencia de un fallo y encontrar la
funcin optima F que transforme el sistema entradas-
salidas en la seal de residuo, como muestra la
ecuacin (44) donde
u(k) = [u(k),u(k1),...,u(kn)]
T
e
y(k) = [y(k),y(k1),...,y(kn)]
T
son las entradas y
salidas del sistema sobre una determinada ventana
temporal. La entrada de la red incluye valores
actuales y pasados de las medidas para capturar la
informacin temporal.
(44)
En diagnstico de fallos en sistemas no lineales las
redes neuronales B-Spline se utilizan para resolver
las desventajas que presentan las redes perceptrn
multicapa. En concreto, las entradas y salidas
medidas del sistema se procesan a travs de una red
de memoria asociativa, al contrario que una red
perceptrn multicapa.
Es importante indicar que el objetivo de los
observadores de deteccin de fallos, o de los
generadores de residuos, no es estimar el estado de la
planta, sino responder adecuadamente a la ocurrencia
de un fallo. As, el generador de residuos producira
un valor de 1 cuando se desarrollara un fallo en el
sistema y un 0 en otro caso. Se puede decir que dicha
tcnica es una alternativa a los observadores
tradicionales en deteccin de fallos.
Una caracterstica importante de la red neuronal, es
que aprender durante una sesin de entrenamiento
realizada en varios ciclos de entrenamiento, con
datos de entrenamiento tomados en diferentes puntos
de operacin. Sin embargo, antes de empezar el
entrenamiento de la red, se debe escoger el orden de
la red B-Spline. En este caso se escoge una funcin
bsica de segundo orden y dos lineales. Tal
configuracin permite dividir el espacio normalizado
de entrada en tres variables lingsticas Pequeo,
Mediano y Grande, tal y como muestra la figura 14.
Figura 14: Funciones B-Spline definidas sobre el
espacio de entrada normalizado
Una vez realizado el entrenamiento, se utiliza un
conjunto ptimo de pesos w
i
(i = 1, ..., p) para dar la
descripcin borrosa correspondiente del generador de
residuos. Adems, debido a que las funciones bsicas
se pueden interpretar lingsticamente, se puede
obtener un modelo cualitativo del generador de
residuos. Este proporciona al operador una
explicacin ms entendible sobre la causa del fallo
que la de una red neuronal tal cual.
3.5.3 Aislamiento de fallos con redes de funcin
B-Spline
En este subapartado se utiliza la red neuronal B-
Spline para aislar fallos. Se asume que el diseador
conoce la localizacin de los fallos que deben ser
diagnosticados. As, el diseador tiene que simular el
sistema con todos los posibles fallos para generar los
correspondientes datos de entrenamiento. La red de
aislamiento entonces, tiene tantas salidas como clases
de comportamientos. As, para un sistema con dos
tipos de fallos, la salida de la red ser un vector de
tres dimensiones, el cual incluye los modelos
asociados a los dos fallos as como el
correspondiente al caso sin fallo.
Figura 15: Arquitectura de red para aislamiento de
fallos
Para entrenar la red, se necesita un conjunto de
(M+1) submodelos de mltiples entradas mltiples
salidas (donde M es el nmero de clases de fallo) y
encontrar el conjunto ptimo de factores de peso para
cada submodelo. Cuando la red se aplica a un punto
de test
(u(k),y(k)), la salida de la red es un vector de
dimensin (M+1). Se puede ver en la figura 15 que
cada componente i de dicho vector de salida (i = 1, 2,
..., M+1) se define como una clase de
comportamiento, que puede ser un Fallo i, o el
modelo nominal sin fallo. Cuando el sistema opera en
sus condiciones nominales, todas las salidas de la red
son nulas excepto la ltima. Sin embargo, cuando se
produce en el sistema un fallo especfico, la salida
correspondiente se desviar de cero, confirmando que
existe un fallo en el sistema. En [11] y [25] se
encuentra la aplicacin del esquema de diagnstico
presentado a un sistema real de dos tanques de agua
interconectados.
4 COMENTARIOS FINALES
En esta comunicacin se ha presentado la aplicacin
de los principales mtodos de deteccin y diagnstico
de fallos basados en el modelo de la planta a los
pequeo
1
0 0.5 1
mediano grande
y(k)
u(k)
Fallo 1 B
1
B
2
B
3
B
p
w
1
w
2
w
3
w
p
Fallo 2
Fallo M
Sin fallo
r(k) = F(u(k),y(k))
sistemas dinmicos no lineales. Dicha aplicacin se
puede realizar bsicamente de dos formas:
Extendiendo los mtodos de diagnstico de
fallos de sistemas lineales a los sistemas no
lineales, como son los observadores y las
ecuaciones de paridad. Dichas extensiones
solo pueden hacerse si se restringe a su vez los
sistemas no lineales a los que se les aplica
(por ejemplo los sistemas bilineales), a partir
del cual se realiza el desarrollo analtico
correspondiente, con la limitacin que ello
supone.
Mediante la utilizacin de una herramienta de
modelado universal que incorpore
informacin cualitativa del sistema dinmico.
Dicha herramienta de modelado universal
puede ser una red neuronal que a su vez
incorpore informacin cualitativa del sistema
mediante lgica borrosa. La aplicacin de esta
herramienta es adecuada cuando la
informacin del sistema o el conocimiento de
las variables del mismo no tienen precisin
cuantitativa suficiente para utilizar otro tipo
de mtodos.
Referencias
[1] K. Adjallah, D. Maquin and J. Ragot.
Nonlinear observer-based fault detection.
Proc. of the 3rd IEEE Conf. on Control
Applications, Glasgow, Scotland, pp. 1115-
1120, 1994.
[2] A. Alessandri, G. Bruzzone, M. Cacia, P.
Coletta and G. Veruggio. Fault detection
through dynamics monitoring for unmanned
underwater vehicles. Preprints of the 4th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.2, pp. 973-978, June 2000.
[3] S. Altug, M. Y. Chow and H. J. Trussell.
Fuzzy Inference Systems Implemented on
Neural Architectures for Motor Fault Detection
and Diagnosis. IEEE Transactions on
Industrial Electronics, 46(6), pp. 1069-1079,
December 1999.
[4] S. A. Ashton, D. N. Shields and S. Daley.
Design of a robust fault detection observer for
polynomial nonlinearities. Preprints of the
14th IFAC World Congress, Beijing, P. R.
China, Vol.P, pp. 49-54, July 1999.
[5] M. Ayoubi and R. Isermann. Neuro-fuzzy
systems for diagnosis. Fuzzy Sets and Systems,
89(3), pp. 289-307, 1997.
[6] P. Ball, M. Fischer, D. Fssel, O. Nelles and
R. Isermann. Integrated Control, Diagnosis and
Reconfiguration of a Heat Exchanger. IEEE
Control Systems Magazine, 18(3), pp. 52-63,
June 1998.
[7] M. Basseville. Detecting Changes in Signals
and Systems A Survey. Automatica, 24(3),
pp. 309-326, 1988.
[8] M. Basseville. Information Criteria for
Residual Generation and Fault Detection and
Isolation. Automatica, 33(5), pp. 783-803,
1997.
[9] M. Basseville and I. Nikiforov. Detection of
Abrupt Changes: Theory and Application.
Prentice-Hall Information and System Sciences
Series, New York, 1993.
[10] J. S. Bay. Fundamentals of Linear State Space
Systems. The McGraw-Hill Companies, Inc.,
1999.
[11] H. Benkhedda and R. J. Patton. B-spline
network integrated qualitative and quantitative
fault detection. Preprints of the 13th IFAC
World Congress, San Francisco, USA, 1996.
[12] G. Besanon. On high gain observer based
robust fault detection in nonlinear systems.
Preprints of the 4th IFAC Symp. on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2000, Budapest,
Hungary, Vol.1, pp. 215-220, June 2000.
[13] G. Besanon and Q. Zhang. Further
developments on adaptive observers for
nonlinear systems with application in fault
detection. Preprints of the 15th IFAC World
Congress, Barcelona, Spain, 2085, July 2002.
[14] L. F. Blzquez. Diagnosticabilidad de fallos en
sistemas de control no lineales con saturacin.
Tesis doctoral, Dpto. Ingeniera de Sistemas y
Automtica, Universidad de Valladolid, Espaa,
2003.
[15] L. F. Blzquez and L. J. de Miguel. Saturation
effects detecting additive faults. Proceedings
of the European Control Conference ECC2001,
pp. 2340-2345, September 2001.
[16] L. F. Blzquez, J. M. Foces and L. J. de Miguel.
Additive fault detection in a real nonlinear
system with saturation. Preprints of the 5th
IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS2003, Washington, D.C., USA,
pp. 1119-1124, June 2003.
[17] J. Bouattour and J. J. Gertler. Diagnosis
parametric faults in induction motors with
nonlinear parity relations. Preprints of the 4th
IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.2, pp. 992-997, June 2000.
[18] M. Brown and C. J. Harris. Neurofuzzy
Adaptive Modelling and Control. Prentice
Hall, New York, 1994.
[19] J. M. F. Calado, J. Korbick, K. Patan, R. J.
Patton and J. M. G. S da Costa. Soft
Computing Approaches to Fault Diagnosis for
Dynamic Systems. European Journal of
Control, 7, pp. 248-286, 2001.
[20] J. M. F. Calado, M. J. G. C. Mendes, J. M. G.
S da Costa and J. Korbicz. Neuro and neuro-
fuzzy hierarchical structures comparision in
FDI: case study. Preprints of the 15th IFAC
World Congress, Barcelona, Spain, 1246, July
2002.
[21] J. Candau. Sistemas de Control con Tolerancia
a Fallos Activa. Tesis doctoral, Dpto.
Ingeniera de Sistemas y Automtica,
Universidad de Valladolid, Espaa, 2001.
[22] C. T. Chang and J. W. Chen. Implementation
issues concerning the EKF-based fault-
diagnosis techniques. Chemical Engineering
Science, 50(18), pp. 2861-2882, 1995.
[23] S. K. Chang and P. L. Hsu. A novel design for
the unknown input fault-detection observer.
Control-Theory and Advanced Technology,
10(4 Pt2), pp. 1029-1051, 1995.
[24] J. Chen and R. J. Patton. Optimal filtering and
robust fault-diagnosis of stochastic-systems
with unknown disturbances. IEE Proc-D.:
Contr. Theory & Appl., 143(1), pp. 31-36, 1996.
[25] J. Chen and R. J. Patton. Robust Model-Based
Fault Diagnosis for Dynamic Systems. Kluwer
Academic Publishers, 1999.
[26] J. Chen, R. J. Patton and H. Y. Zhang. Design
of unknown input observers and robust fault-
detection filters. Int. J. Contr., 63(1), pp. 85-
105, 1996.
[27] W. Chen and M. Saif. Robust fault detection
and isolation in constrained nonlinear systems
via a second order sliding mode observer.
Preprints of the 15th IFAC World Congress,
Barcelona, Spain, 1498, July 2002.
[28] L. H. Chiang, E. L. Russell and R. D. Braatz.
Fault Detection and Diagnosis in Industrial
Systems. Springer, 2001.
[29] E. Y. Chow and A. S. Willsky. Analytical
Redundancy and the Design of Robust Failure
Detection Systems. IEEE Transactions on
Automatic Control, AC-29(7), pp. 603-614, July
1984.
[30] R. N. Clark. The dedicated observer approach
to instrument failure detection. Proc. of the
18th IEEE Conf. on Decision & Control, Fort
Lauderdale, Fla., pp. 237-241, 1979.
[31] P. A. Cook. Nonlinear Dynamical System, 2nd
edition. Prentice Hall International Series in
Systems and Control Engineering, UK, 1994.
[32] A. Creus. Simulacin y control de procesos
por ordenador. Marcombo Boixareu Editores,
Espaa, 1987.
[33] A. Creus. Simulacin de procesos con PC.
Marcombo Boixareu Editores, Espaa, 1989.
[34] J. J. DAzzo y C. H. Houpis. Sistemas
realimentados de control: anlisis y sntesis, 4
edicin. Paraninfo S.A., 1989.
[35] M. J. de la Fuente. Tcnicas Robustas de
Deteccin y Diagnstico de Fallos basadas en
Modelos. Tesis doctoral, Dpto. Ingeniera de
Sistemas y Automtica, Universidad de
Valladolid, Espaa 1994.
[36] M. J. de la Fuente. Deteccin y diagnstico de
fallos usando redes neuronales. Primeras
Jornadas de Trabajo sobre Diagnosis,
Valladolid, Espaa, pp. 61-70, Julio 2001.
[37] M. J. de la Fuente and S. Saludes. Fault
detection and isolation in a non-linear plant via
neural networks. Preprints of the 4th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary, pp.
472-477, 2000.
[38] M. J. de la Fuente and P. Vega. Neural
networks applied to fault detection of a
biotechnological process. Eng. Applications of
Artificial Intelligence, 12(5), pp. 569-584, 1999.
[39] M. A. Demetriou and M. M. Polycarpou.
Incipient Fault Diagnosis of Dynamical
Systems Using Online Approximators. IEEE
Transactions on Automatic Control, 43(11), pp.
1612-1617, November 1998.
[40] L. J. de Miguel. Diagnstico Automtico de
Fallos basado en Ecuaciones de Paridad. Tesis
doctoral, Dpto. Ingeniera de Sistemas y
Automtica, Universidad de Valladolid, Espaa,
1994.
[41] L. J. de Miguel y J. R. Pern. Mtodos de
deteccin y diagnstico de fallos basados en el
modelo de la planta. Informtica y Automtica,
29(1), pp. 3-29, Junio 1997.
[42] C. de Persis and A. Isidori. A Geometric
Approach to Nonlinear Fault Detection and
Isolation. IEEE Transactions on Automatic
Control, 46(6), pp. 853-865, June 2001.
[43] A. L. Dexter. Fuzzy model-based fault-
diagnosis. IEE Proc.-D: Contr. Theory &
Appl., 142(6), pp. 545-550, 1995.
[44] X. Ding and P. M. Frank. An adaptive
observer-based fault detection scheme for
nonlinear dynamic systems. Preprints of the
12th IFAC World Congress, Australia, 7, pp.
307-310, 1993.
[45] R. C. Dorf. Sistemas Modernos de Contro, 2
edicin. Addison-Wesley Iberoamericana, S.A.,
USA, 1989.
[46] C. Edwards and S. K. Spurgeon. On the
development of discontinuous observers. Int. J.
Contr., 59(5), pp. 1211-1229, 1994.
[47] C. Edwards, S. K. Spurgeon, R. J. Patton and P.
Klotzek. Sliding mode observers for fault
detection. Preprints of the 3rd IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 507-512,
August 1997.
[48] P. M. Frank. Fault Diagnosis in Dynamic
Systems using Analytical and Knowledge-
Based Redundancy A Survey and Some New
Results. Automatica, 26(3), pp. 459-474, 1990.
[49] P. M. Frank. Advances in observer-based fault
diagnosis. Proc. of Int. Conf. on Fault
Diagnosis TOOLDIAG93, Toulouse, France,
pp. 817-836, April 1993.
[50] P. M. Frank. Application of fuzzy logic to
process supervision and fault diagnosis.
Preprints of the 2nd IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS94, Espoo, Finland,
pp. 531-538, 1994.
[51] P. M. Frank. On-line fault-detection in
uncertain nonlinear-systems using diagnostic
observers: a survey. Int. J. Systems Sci.,
25(12), pp. 2129-2154, 1994.
[52] P. M. Frank and X. Ding. Survey of robust
residual generation and evaluation methods in
observer-based fault detection systems. J.
Proc. Cont., 7(6), pp. 403-424, 1997.
[53] P. M. Frank, S. X. Ding and B. Kppen-Seliger.
Current developments in the theory of FDI.
Preprints of the 4th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2000, Budapest,
Hungary, Vol.1, pp. 16-27, June 2000.
[54] P. M. Frank, X. Ding and J. Wochnik. Model-
based fault detection in diesel-hydraulically
driven industrial trucks. Proc. of 1991
American Control Conference, Boston, pp.
1528-1533, 1991.
[55] P. M. Frank and N. Kiupel. Fuzzy supervision
and application to lean production. Int. J. Sys.
Sci., 24(10), pp. 1935-1944, 1993.
[56] P. M. Frank and B. Kppen-Seliger. Fuzzy
Logic and Neural Network Applications to
Fault Diagnosis. International Journal of
Approximate Reasoning, 16(1), pp. 67-88, 1997.
[57] P. M. Frank and B. Kppen-Seliger. New
Developments Using AI in Fault Diagnosis.
Engng. Applic. Artif. Intell., 10(1), pp. 3-14,
1997.
[58] P. M. Frank and R. Seliger. Fault detection and
isolation in automatic process. En C. Leondes
(ed.), Control and Dynamics Systems, 49, pp.
241-287, 1991.
[59] G. F. Franklin, J. D. Powell and A. Emami-
Naeini. Control de sistemas dinmicos con
retroalimentacin. Addison-Wesley
Iberoamericana, S.A., USA, 1991.
[60] Y. Funahashi. State stable estimator for
bilinear systems. Int. J. Contr., 29(2), pp. 181-
188, 1976.
[61] C. Gan, K. Danai. Fault diagnosis with a
model-based recurrent neural network.
Preprints of the 5th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2003, Washington,
D. C., USA, pp. 747-752, 2003.
[62] E. A. Garca and P. M. Frank. Deterministic
nonlinear observer-based approaches to fault
diagnosis: a survey. Control Eng. Practice,
5(5), pp. 663-670, 1997.
[63] F. J. Garca, A. J. Garca, J. Candau and J. R.
Pern. Fault diagnosis systems using neural
networks models. Preprints of the 4th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.1, pp. 467-471, 2000.
[64] F. J. Garca, V. Izquierdo, L. J. de Miguel and J.
R. Pern. Fault-diagnostic system using
analytical fuzzy redundancy. Engineering
Applications of Artificial Intelligence, 13(4), pp.
441-450, August 2000.
[65] V. Garg and J. K. Hedrick. Fault detection
filter for a class of non-linear systems. Proc. of
the 1995 American Control Conf., Seatlle, USA,
pp. 1647-1651, 1995.
[66] M. Ge, G. Zhang, R. Du and Y. Xu.
Application of support vector machine based
fault diagnosis. Preprints of the 15th IFAC
World Congress, Barcelona, Spain, 962, July
2002.
[67] C. F. Gerald y P. O. Wheatley. Anlisis
numrico con aplicaciones, 6 edicin. Pearson
Educacin S.A., Mxico, 2000.
[68] J. J. Gertler. Survey of Model-Based Failure
Detection and Isolation in Complex Plants.
IEEE Control Systems Magazine, 8(6), pp. 3-11,
December 1988.
[69] J. J. Gertler. Analytical redundancy methods in
fault detection and isolation. Preprints of
IFAC/IMACS Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS91, Baden-Baden, Germany,
pp. 9-21, 1991.
[70] J. J. Gertler. Fault detection and isolation using
parity relations. Contr. Eng. Practice, 5(5), pp.
653-661, 1997.
[71] J. J. Gertler. Fault Detection and Diagnosis in
Engineering Systems. Marcel Dekker, 1998.
[72] J. J. Gertler. All linear methods are equal and
extendible to nonlinearities. Preprints of the
4th IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.1, pp. 52-63, June 2000.
[73] J. J. Gertler, Y. Hu, Y. Huang and T. McAvoy.
Structured partial component analysis:
extension to polynomial nonlinearities.
Preprints of the 4th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2000, Budapest,
Hungary, Vol.2, pp. 1004-1009, June 2000.
[74] J. J. Gertler, W. Li, Y. Huang and T. J.
McAvoy. Isolation enhanced principal
component analysis. AIChE J., 45, pp. 323-
332, 1999.
[75] J. J. Gertler and Q. Luo. Robust isolable
models for failure diagnosis. AIChE J., 35(11),
pp. 1856-1868, 1989.
[76] J. J. Gertler and T. J. McAvoy. Principal
component analysis and parity relations a
strong duality. Preprints. of the 3rd IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 837-842,
August 1997.
[77] J. J. Gertler and D. Singer. A New Structural
Framework for Parity Equation-based Failure
Detection and Isolation. Automatica, 26(2), pp.
381-388, 1990.
[78] J. J. Gertler and M. Staroswiecki. Structured
fault diagnosis in mildly nonlinear systems:
parity space and input-output formulations.
Preprints of the 15th IFAC World Congress,
Barcelona, Spain, 439, July 2002.
[79] G. C. Goodwin, S. F. Graebe and M. E.
Salgado. Control System Design. Prentice
Hall Inc., New Jersey, USA, 2001.
[80] C. Guernez, J. P. Cassar and M. Staroswiecki.
Extension of parity space to nonlinear
polynominal dynamic systems. Preprints. of
the 3rd IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 861-866,
August 1997.
[81] A. Ha. Design of disturbance decoupled
observer for bilinear systems. J. Dyn. Sys.,
Meas. & Contr. Trans. of the ASME, 114(4),
pp. 556-562, 1992.
[82] H. Hammouri, M. Kinnaert and E. H. El
Yaagoubi. Fault detection and isolation for
state affine systems. European J. Control,
4(1), pp. 2-16, 1998.
[83] H. Hammouri, M. Kinnaert and E. H. El
Yaagoubi. Observer-Based Approach to Fault
Detection and Isolation for Nonlinear Systems.
IEEE Transactions on Automatic Control,
44(10), pp. 1879-1884, October 1999.
[84] H. Hammouri, P. Kabore and M. Kinnaert. A
Geometric Approach to Fault Detection and
Isolation for Bilinear Systems. IEEE
Transactions on Automatic Control, 46(9), pp.
1451-1455, September 2001.
[85] A. Hara and K. Furuta. Minimal order state
observers for bilinear systems. Int. J. Contr.,
24(5), pp. 705-718, 1976.
[86] Y. Hayashi, J. J. Buckley and E. Czogala.
Systems engineering applications of fuzzy
neural networks. J. of Systems Eng., 2(4), pp.
232-236, 1992.
[87] D. Hengy and P. M. Frank. Component failure
detection via nonlinear state observers. Proc.
of IFAC Workshop on Fault Detection and
Safety in Chemical Plants, Kyoto, Japan, pp.
153-157, 1986.
[88] D. M. Himmelblau, R. W. Barker and W.
Suewatanakul. Fault classification with the aid
of artificial neural networks. Preprints of
IFAC/IMACS Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS91, Baden-Baden, Germany,
Vol.2, pp. 369-373, 1991.
[89] M. Hou and A. C. Pugh. Observing state in
bilinear systems: a UIO approach. Preprints of
the 3rd IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 783-788,
August 1997.
[90] K. J. Hunt, D. Sbarbaro, R. Zbikowski and P. J.
Gawthrop. Neural networks for control
systems a survey. Automatica, 28(6), pp.
1083-1112, 1992.
[91] R. Isermann. Fault Diagnosis of Machines via
Parameter Estimation and Knowledge
Processing Tutorial Paper. Automatica,
29(4), pp. 815-835, 1993.
[92] R. Isermann. On fuzzy logic applications for
automatic control, supervision and fault
diagnosis. IEEE Trans. on Sys. Man and
Cyber. Part A-Sys. & Humans, 28(8), pp. 221-
235, 1998.
[93] R. Isermann and P. Ball. Trends in the
application of model-based fault detection and
diagnosis of technical processes. Control Eng.
Practice, 5(5), pp. 709-719, 1997.
[94] R. Isermann and M. Ulieru. Integrated fault
detection and diagnosis. Proc. of the 1993
IEEE Conference on Systems, Man &
Cybernetics, Le Touquet, France, pp. 743-748,
1993.
[95] B. Jiang, V. Cocquempot and C. Christophe.
Fault diagnosis using sliding mode observer
for nonlinear systems. Preprints of the 15th
IFAC World Congress, Barcelona, Spain, 674,
July 2002.
[96] P. Kabore, S. Toman, T. F. Mckenna and H.
Hammouri. Observer based fault diagnosis for
a class of nonlinear system application to a
free radical copolymerisation reaction. Int. J.
Control, 73, pp. 787-803, 2000.
[97] P. Kabore and H. Wang. Design of Fault
Diagnosis Filters and Fault-Tolerant Control for
a Class of Nonlinear Systems. IEEE
Transactions on Automatic Control, 46(11), pp.
1805-1810, November 2001.
[98] S. N. Kavuri and V. Venkatasubramanian.
Neural network decomposition strategies for
large-scale fault diagnosis. Int. J. Contr.,
59(3), pp. 767-792, 1994.
[99] H. K. Khalil. Nonlinear Systems, third
edition. Prentice Hall Inc., New Jersey, USA,
2002.
[100]Y. W. Kim, G. Rizzoni, A. Soliman, P. Azzoni
and D. Moro. Powertrain diagnostics using
nonlinear sliding-mode observers. Preprints of
the 3rd IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 825-830,
August 1997.
[101]Y.-W. Kim, G. Rizzoni and V. Utkin.
Automotive Engine Diagnosis and Control via
Nonlinear Estimation. IEEE Control Systems
Magazine, 18(5), pp. 84-99, October 1998.
[102]M. Kinnaert. Robust fault detection based on
observers for bilinear systems. Automatica, 35,
pp. 1829-1842, 1999.
[103]M. Kinnaert. Fault diagnosis based on
analytical models for linear and nonlinear
systems. A tutorial. Preprints of the 5th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2003, Washington, D. C.,
USA, pp. 37-50, 2003.
[104]B. Kppen-Seliger and P. M. Frank. Fault
detection and isolation in technical processes
with neural networks. Proc. of the 34th Conf.
on Decision & Control, New Orleans, USA, pp.
2414-2419, 1995.
[105]J. M. Kocielny, M. Syfert. Fuzzy logic
application to diagnostics of industrial
processes. Preprints of the 5th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2003, Washington, D. C.,
USA, pp. 771-776, 2003.
[106]J. R. Koza. Genetic programming. Cambridge
MIT, The MIT Press 1992.
[107]M. A. Kramer and B. M. Palowitch Jr. A Rule-
Based Approach to Fault Diagnosis using the
Signed Directed Graph. AIChE Journal, 33(7),
pp. 1067-1078, 1989.
[108]V. Krishnaswami, G. Luh and G. Rizzoni.
Nonlinear parity equation based residual
generation for diagnosis of automotive engine
faults. Contr. Eng. Practice, 3(10), pp. 1385-
1392, 1995.
[109]V. Krishnaswami and G. Rizzoni. Nonlinear
parity equation residual generation for fault
detection and isolation. Preprints of the 2nd
IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS94, Espoo, Finland, Vol.1, pp.
317-322, 1994.
[110]V. Krishnaswami and G. Rizzoni. A survey of
observer based residual generation for FDI.
Preprints of the 2nd IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS94, Espoo, Finland,
Vol.1, pp. 34-39, 1994.
[111]V. Krishnaswami and G. Rizzoni. Robust
residual generation for nonlinear system fault
detection and isolation. Preprints of the 3rd
IFAC Sympo. on Fault Detection, Supervision
and Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 154-159,
August 1997.
[112]B. C. Kuo. Sistemas de Control Automtico, 7
edicin. Prentice Hall Hispanoamericana,
S.A., Mxico, 1996.
[113]S. H. Lane, D. A. Handelman and J. J. Gelfand.
Theory and development of higher-order
CMAC neural-networks. IEEE Contr. Syst.
Mag., 12(2), pp. 23-30, 1992.
[114]E. G. Laukonen, K. M. Passino, V.
Krishnaswami, G.-C. Luh and G. Rizzoni.
Fault Detection and Isolation for an
Experimental Internal Combustion Engine via
Fuzzy Identification. IEEE Transactions on
Control Systems Technology, 3(3), pp. 347-355,
September 1995.
[115]J. A. Leonard and M. A. Kramer. Diagnosing
dynamic faults using modular neural-nets.
IEEE Expert-Intelligent Systems & Their
Applications, 8(2), pp. 44-53, 1993.
[116]W. S. Levine. The Control Handbook. CRC
Press Inc., 1996.
[117]P. H. Lewis y C. Yang. Sistemas de control en
ingeniera. Prentice Hall Iberia, S.R.L.,
Espaa, 1999.
[118]C. J. Li and Y. M. Fan. Recurrent neural
networks for fault diagnosis and severity
assessment of a screw compresor. J. Dynamic
Sys. Measurement & Control, Trans. of the
ASME 121(4), pp. 724-729, 1999.
[119]W. Lin and H. Wang. Linearization techniques
in fault diagnosis of non-linear systems.
Journal of Systems and Control Engineering
Part I, 214(4), pp. 241-245, March 2000.
[120]D. K. Lindner. Introduction to Signals and
Systems. The McGraw-Hill Companies, Inc.,
1999.
[121]B. G. Liptk. Process Control, 3rd edition.
Butterworth-Heinemann, 1995.
[122]D. Liu and A. N. Michel. Dynamical Systems
with Saturation Nonlinearities. Analysis and
Design. Springer-Verlag, 1994.
[123]L. Ljung. System identification: Theory for the
user, 2nd edition. Prentice Hall, New Jersey,
1999.
[124]C. J. Lopez-Toribio, R. J. Patton and J. Chen.
Fuzzy Observers for Non-linear Dynamic
Systems Fault Diagnosis. Proc. of the 27th
IEEE Conf. on Decision and Control, Tampa,
Florida, pp. 16-18, 1998.
[125]L. Ma, Y. Yang, F. Wang and N. Lu. A neural
network observer approach for actuator fault
dtection and diagnosis in nonlinear systems.
Preprints of the 15th IFAC World Congress,
Barcelona, Spain, 642, July 2002.
[126]Y. Maki and K. A. Loparo. A Neural-Network
Approach to Fault Detection and Diagnosis in
Industrial Processes. IEEE Transactions on
Control Systems Technology, 5(6), pp. 529-541,
November 1997.
[127]R. S. Mangoubi. Robust Estimation and
Failure Detection. A Concise Treatment.
Springer-Verlag, 1998.
[128]M. Mnnle. FSTM Fast Takagi-Sugeno
fuzzy modeling. Preprints of the 4th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.2, pp. 663-668, June 2000.
[129]T. Marcu and L. Mirea. Robust Detection and
Isolation of Process Faults Using Neural
Networks. IEEE Control Systems Magazine,
17(5), pp. 72-79, October 1997.
[130]T. Marcu, L. Mirea, P. M. Frank and H. D.
Kochs. System identification and fault
diagnosis using dynamic functional-link neural
networks. Proceedings of the European
Control Conference ECC2001, pp. 1618-1623,
September 2001.
[131]J. H. Mathews y K. D. Fink. Mtodos
Numricos con MatLab, 3 edicin. Pearson
Educacin S.A., Espaa, 2000.
[132]C. Mechmeche and S. Nowakowski. Residual
generator synthesis for bilinear systems with
unknown inputs. Preprints of the 3rd IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 765-770,
August 1997.
[133]M. J. G. C. Mendes, M. Kowal, J. Korbicz and
J. M. G. S da Costa. Neuro-fuzzy structures in
FDI systems. Preprints of the 15th IFAC
World Congress, Barcelona, Spain, 2024, July
2002.
[134]D. P. Morgan and C. L. Scofield. Neural
Networks and Speech Processing. Kluwer
Academic Publishers, 1991.
[135]E. Moya, G. I. Sainz, B. Grande, M. J. de la
Fuente and J. R. Pern. Neural PCA based
fault diagnosis. Proceedings of the European
Control Conference ECC2001, pp. 809-813,
September 2001.
[136]E. Moya, G. I. Sainz, J. Juez, J. Candau and J.
R. Pern. Fault diagnosis and automatic
extraction of fuzzy rules in AC motors.
Preprints of the 15th IFAC World Congress,
Barcelona, Spain, 1026, July 2002.
[137]S. Naidu, E. Zafiriou and T. J. McAvoy. Use
of neural networks for failure detection in a
control system. IEEE Contr. Syst. Mag., 10,
pp. 49-55, 1990.
[138]M. R. Napolitano, V. Casdorph, C. Neppach, S.
Naylor, M. Innocenti and G. Silvestri. Online
learning neural architectures and cross-
correlation analysis for actuator failure-
detection and identification. Int. J. Contr.,
63(3), pp. 433-455, 1996.
[139]M. R. Napolitano, C. Neppach, V. Casdorph, S.
Naylor, M. Innocenti and G. Silvestri. Neural-
network-based scheme for sensor failure-
detection, identification and accommodation.
J. of Guidance, Contr. & Dynamics, 18(6), pp.
1280-1286, 1995.
[140]K. S. Narendra. Neural networks for control:
Theory and practice. Proc. IEEE, 84(10), pp.
1385-1406, 1996.
[141]K. S. Narendra and K. Parthasarathy.
Identification and Control of Dynamic
Systems Using Neural Networks. IEEE
Transactions on Neural Networks, 1(1), pp. 4-
27, March 1990.
[142]A. Obuchowicz and K. Patan. An algorithm of
evolutionary search with soft selection for
training multi-layer feedforward NNs.
Proceedings of 3er Conference NN & their
applications, Kule, Poland, pp. 123-128, 1997.
[143]K. Ogata. Ingeniera de Control Moderna.
Prentice Hall Hispanoamericana, S.A., Mxico,
1980.
[144]K. Ogata. Dinmica de Sistemas. Prentice
Hall Hispanoamericana, S.A., Mxico, 1987.
[145]K. Ogata. Sistemas de Control en Tiempo
Discreto, 2 edicin. Prentice Hall
Hispanoamericana, S.A., Mxico, 1996.
[146]K. Ogata. Ingeniera de Control Moderna, 3
edicin. Prentice Hall Hispanoamericana,
S.A., Mxico, 1998.
[147]A. V. Oppenheim, A. S. Willsky y S. H.
Nawad. Seales y Sistemas, 2 edicin.
Prentice Hall Hispanoamericana, S.A., Mxico,
1998.
[148]I. B. zyurt, L. O. Hall and A. K. Sunol.
SQFDiag: Semiquantitative Model-Based
Fault Monitoring and Diagnosis via Episodic
Fuzzy Rules. IEEE Transactions on Systems,
Man and Cybernetics-Part A: Systems and
Humans, 29(3), pp. 294-306, May 1999.
[149]M. A. Pacheco, R. Arnanz, A. Mendoza, L. J.
de Miguel and J. R. Pern. Diagnosis of AC
motors with parity equations and neural
networks. Proceedings of the European
Control Conference ECC2001, pp. 499-503,
September 2001.
[150]K. P. Patan and J. Korbicz. Application of
dynamic neural networks in an industrial plant.
Preprints of the 4th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2000, Budapest,
Hungary, Vol.1, pp. 186-191, June 2000.
[151]R. J. Patton. Fault-Tolerant control: the 1997
situation (survey). En Preprints of the 3rd
IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 1029-1052,
August 1997.
[152]R. J. Patton and J. Chen. A review of parity
space approaches to fault diagnosis. Preprints
of IFAC/IMACS Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS91, Baden-Baden, Germany,
Vol.1, pp. 239-255, 1991.
[153]R. J. Patton and J. Chen. Neural networks in
nonlinear dynamic systems fault diagnosis.
Engineering Simulation, (13)6, pp. 905-924,
1996.
[154]R. J. Patton and J. Chen. Observer-based fault
detection and isolation: robustness and
applications. Control Eng. Practice, 5(5), pp.
671-682, 1997.
[155]R. J. Patton, J. Chen and G. P. Liu. Robust
fault detection of dynamic systems via genetic
algorithms. Proc. of IMechE Part I-J. of Syst.
& Contr. Eng., 211(5), pp. 357-364, 1997.
[156]R. J. Patton, J. Chen and C. J. Lopez-Toribio.
Fuzzy observers for non-linear dynamic
systems fault diagnosis. Proc. of the 37
th
IEEE
Conf. on Decision and Control, pp. 84-89,
1998.
[157]R. J. Patton, J. Chen and T. M. Siew. Fault
diagnosis in nonlinear dynamic systems via
neural networks. Proc. of the IEE Int. Conf.:
Control94, Peregrinus Press, Conf. Pub. N
389, Warwick, UK, pp. 1346-1351, 1994.
[158]R. J. Patton, P. M. Frank and R. N. Clark.
Issues of Fault Diagnosis for Dynamic
Systems. Springer-Verlag, 2000.
[159]R. J. Patton, F. J. Uppal and C. J. Lopez-
Toribio. Soft computing approaches to fault
diagnosis for dynamic systems: a survey.
Preprints of the 4th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2000, Budapest,
Hungary, Vol.1, pp. 298-311, June 2000.
[160]T. Pfeufer and M. Ayoubi. Application or a
hybrid neuro-fuzzy system to the fault diagnosis
on an automotive electromechanical actuator.
Fuzzy Sets and Systems, 89(3), pp. 351-360,
1997.
[161]D. T. Pham and S. J. Oh. A recurrent
backpropagation neural network for dynamic
system identification. J. of Systems Eng., 2(4),
pp. 213-223, 1992.
[162]C. L. Phillips y H. T. Nagle. Sistemas de
Control Digital. Anlisis y Diseo. Gustavo
Gili, S.A., Espaa, 1987.
[163]M. M. Polycarpou. Fault Accommodation of a
Class of Multivariable Nonlinear Dynamical
Systems Using a Learning Approach. IEEE
Transactions on Automatic Control, 46(5), pp.
736-742, May 2001.
[164]M. M. Polycarpou and A. B. Trunov. Learning
Approach to Nonlinear Fault Diagnosis:
Detectability Analysis. IEEE Transactions on
Automatic Control, 45(4), pp. 806-812, April
2000.
[165]M. M. Polycarpou and A. T. Vemuri. Learning
Methodology for Failure Detection and
Accommodation. IEEE Control Systems
Magazine, 15(3), pp. 16-24, June 1995.
[166]A. D. Pouliezos and G. S. Stavrakakis. Real-
Time Fault Monitoring of Industrial Processes.
Kluwer Academic Publishers, 1994.
[167]S. Raghavan and J. K. Hedrick. Observer
design for a class of nonlinear systems. Int. J.
Contr., 59(2), pp. 515-528, 1994.
[168]G. I. Sainz, M. J. de la Fuente and P. Vega.
Recurrent neuro-fuzzy modelling of a
biotechnological process. Proceedings of the
European Control Conference ECC2001, pp.
3822-3827, September 2001.
[169]H. Schneider and P. M. Frank. Fuzzy logic
based threshold adaptation for fault detection in
robots. Proc. of the third IEEE Conf. on
Control Applications, Glasgow, Scotland, pp.
1127-1132, 1994.
[170]H. Schneider and P. M. Frank. Observer-Based
Supervision and Fault-Detection in Robots
Using Nonlinear and Fuzzy Logic Residual
Evaluation. IEEE Transactions on Control
Systems Technology, 4(3), pp. 274-282, May
1996.
[171]G. Schreier, E.A. Garca and P. M. Frank.
Observer-Based Residual Generation for a
Class of Nonlinear Systems. Preprints of the
4th IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.2, pp. 727-732, June 2000.
[172]G. Schreier, J. Ragot, R. J. Patton and P. M.
Frank. Observer design for a class of non-
linear systems. Preprints of the 3rd IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 483-488,
August 1997.
[173]R. Seliger and P. M. Frank. Fault diagnosis by
disturbance decoupled nonlinear observers.
Proc. of the 30th IEEE Conf. on Decision &
Control, Brighton, UK, pp. 2248-2253, 1991.
[174]R. Seliger and P. M. Frank. Robust component
fault detection and isolation in nonlinear
dynamic systems using nonlinear unknown
input observers. Preprints of IFAC/IMACS
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS91, Baden-Baden, Germany,
Vol.1, pp. 313-318, 1991.
[175]R. Seliger and P. M. Frank. Robust residual
evaluation by threshold selection and a
performance index for nonlinear observer-based
fault diagnosis. Proc. of Int. Conf. on Fault
Diagnosis: TOOLDIAG93, Toulouse, France,
pp. 496-504, April 1993.
[176]Y. Shiao and J. J. Moskwa. Cylinder Pressure
and Combustion Heat Realease Estimation for
SI Engine Diagnostics Using Nonlinear Sliding
Observers. IEEE Transactions on Control
Systems Technology, 3(1), pp. 70-78, March
1995.
[177]D. N. Shields. Observer design and detection
for nonlinear descriptor systems. Int. J. Contr.,
67(2), pp. 153-168, 1997.
[178]D. N. Shields and S. Ashton. A fault detection
observer method for nonlinear systems.
Preprints of the 4th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2000, Budapest,
Hungary, Vol.1, pp. 226-231, June 2000.
[179]R. Shih and L. Lee. Use of fuzzy cause-effect
digraph for resolution fault diagnosis for
process plants I. Fuzzy cause-effect digraph.
Industrial Engineering and Chemical Research
34, 1688-1702, 1995.
[180]R. Shih and L. Lee. Use of fuzzy cause-effect
digraph for resolution fault diagnosis for
process plants II. Diagnostic algorithm and
applications. Industrial Engineering and
Chemical Research 34, 1703-1717, 1995.
[181]A. Y. Shumsky. Robust residual generation for
diagnosis of nonlinear systems: parity relation
approach. Preprints of the 3rd IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 867-872,
August 1997.
[182]A. Y. Shumsky. Continuous-time parity
relation method for fault diagnosis in nonlinear
uncertain systems. Preprints of the 4th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.2, pp. 998-1103, June 2000.
[183]A. Shumsky. Diagnostic observer design for
one class of nonlinear systems. Preprints of the
5th IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS2003, Washington, D. C.,
USA, pp. 807-812, 2003.
[184]A. Shumsky and D. Savransky. Quasi-linear
parity relations for fault detection in nonlinear
uncertain systems. Preprints of the 14th IFAC
World Congress, Beijing, P. R. China, Vol.P,
pp. 151-156, July 1999.
[185]S. Simani, C. Fantuzzi and S. Beghelli. Fuzzy
system identification and fault diagnosis of
industrial processes. Proceedings of the
European Control Conference ECC2001, pp.
1642-1629, September 2001.
[186]S. Simani, C. Fantuzzi and R. J. Patton.
Model-based Fault Diagnosis in Dynamic
Systems Using Identification Techniques.
Springer, 2003.
[187]S. Simani and R. J. Patton. Model-based data-
driven approach to robust fault diagnosis in
chemical processes. Preprints of the 15th
IFAC World Congress, Barcelona, Spain, 294,
July 2002.
[188]J.-J. E. Slotine, J. K. Hedrick and E. A. Misawa.
On sliding observers for nonlinear systems. J.
Dyn. Sys. Meas. & Contr. Trans. of the
ASME, 109(2), pp. 245-252, 1987.
[189]J.-J. E. Slotine and W. Li. Applied Nonlinear
Control. Prentice Hall, Englewood Cliffs, New
Jersey, 1991.
[190]T. Sderstrm and P. Stoica. System
identification. Prentice Hall, UK, 1989.
[191]S. S. Soliman y M. D. Srinath. Seales y
Sistemas continuos y discretos, 2 edicin.
Prentice Hall Iberia, S.R.L., Espaa, 1999.
[192]H. Song, H.-Y. Zhang. Fault diagnosis based
on fuzzy observer for uncertain nonlinear
systems. Preprints of the 5th IFAC Symposium
on Fault Detection, Supervision and Safety for
Technical Processes SAFEPROCESS2003,
Washington, D. C., USA, pp. 759-764, 2003.
[193]T. Sorsa and H. N. Koivo. Application of
artificial neural networks in process fault-
diagnosis. Automatica, 29(4), pp. 843-849,
1993.
[194]T. Sorsa, H. N. Koivo and H. Koivisto. Neural
networks in process fault diagnosis. IEEE
Trans. Systems, Man & Cybernetics, 21(4), pp.
815-825, 1991.
[195]M. Syfert and J. M. Kocielny. Fuzzy neural
network based diagnosis system application for
three-tank system. Proceedings of the
European Control Conference ECC2001, pp.
1631-1636, September 2001.
[196]T. Takagi and M. Sugeno. Fuzzy identification
of systems and its applications to modelling and
control. IEEE Trans. Sys. Man. & Cyber.,
15(1), pp. 116-132, 1985.
[197]C. P. Tan and C. Edwards. An LMI approach
for designing sliding mode observers for fault
detection and isolation. Proceedings of the
European Control Conference ECC2001, pp.
481-486, September 2001.
[198]G. Tao and P. V. Kokotovi. Adaptive Control
of Systems with Actuators and Sensor
Nonlinearities. John Wiley & Sons Inc., 1996.
[199]R. Tarantino, F. Szigeti and E. Colina-Morles.
Generalized Luenberger observer-based filter
design: an industrial application. Control
Engineering Practice, 8(6), pp. 665-671, 2000.
[200]F. E. Thau. Observing the state of non-linear
dynamic systems. Int. J. Contr., 17(3), pp.
471-479, 1973.
[201]A. B. Trunov and M. M. Polycarpou.
Automated Fault Diagnosis in Nonlinear
Multivariable Systems Using a Learning
Methodology. IEEE Transactions on Neural
Networks, 11(1), pp. 91-101, January 2000.
[202]Y. Tsuge, J. Shiozaki, H. Masuyama and E.
OShima. Fault Diagnosis Algorithms based
on the Signed Directed Graph and its
modifications. I. Chem. Eng. Symp. Ser., 92,
133, 1985.
[203]S. G. Tzafestas, M. Singh and G. Schmidt.
System Fault Diagnostics, Reliability and
Related Knowledge-Based Approaches.
Dordrecht (Holland): Reidel, 1987.
[204]M. Ulieru. A fuzzy logic based computer
assisted fault diagnosis system. Proc. of Int.
Conf. on Fault Diagnosis: TOOLDIAG93,
Toulouse, France, pp. 689-699, (Vol.2), April
1993.
[205]E. Umez-Eronini. Dinmica de sistemas y
control. Thomson Learning, Inc., Mxico,
2001.
[206]F. J. Uppal and R. J. Patton. Application of B-
Spline neuro fuzzy networks to identification,
fault detection and isolation. Preprints of the
4th IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS2000, Budapest, Hungary,
Vol.1, pp. 358-363, June 2000.
[207]F. J. Uppal, R. J. Patton, M. Witczak. A hybrid
neuro-fuzzy and de-coupling approach applied
to the DAMADICS benchmark problem.
Preprints of the 5th IFAC Symposium on Fault
Detection, Supervision and Safety for Technical
Processes SAFEPROCESS2003, Washington,
D. C., USA, pp. 1059-1064, 2003.
[208]D. van Schrick. Remarks on terminology in the
field of supervision, fault detection and
diagnosis. Preprints of the 3rd IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS97, Hull, UK, pp. 959-964,
August 1997.
[209]A. T. Vemuri. Sensor Bias Fault Diagnosis in a
Class of Nonlinear Systems. IEEE
Transactions on Automatic Control, 46(6), pp.
949-954, June 2001.
[210]A. T. Vemuri, M. M. Polycarpou and A. R.
Ciric. Fault Diagnosis of Differential-
Algebraic Systems. IEEE Transactions on
Systems, Man and Cybernetics-Part A: Systems
and Humans, 31(2), pp. 143-152, March 2001.
[211]C. Verde. Fault diagnosis for nonlinear
Hessenberg systems. Preprints of the 15th
IFAC World Congress, Barcelona, Spain, 1708,
July 2002.
[212]M. Vidyasagar. Nonlinear System Analysis,
2nd edition. Prentice Hall, Englewood Cliffs,
New Jersey, 1993.
[213]H. Wang and S. Daley. Actuator Fault
Diagnosis: An Adaptive Observer-Based
Technique. IEEE Transactions on Automatic
Control, 41(7), pp. 1073-1078, July 1996.
[214]K. Watanabe, I. Matsuura, M. Abe, M. Kubota
and D. M. Himmelblau. Incipient fault
diagnosis of chemical processes via artificial
neural networks. AIChE J., 35(11), pp. 1803-
1812, 1989.
[215]N. A. Wilcox and D. M. Himmelblau. The
possible cause and effect graphs (PCEG) model
for fault diagnosis I. Methodology. Computers
and Chemical Engineering 18, 103-116, 1994.
[216]N. A. Wilcox and D. M. Himmelblau. The
possible cause and effect graphs (PCEG) model
for fault diagnosis II. Applications. Computers
and Chemical Engineering 18, 117-127, 1994.
[217]M. J. Willis, C. D. Massino, G. A. Montague,
M. T. Tham and A. J. Morris. Artificial neural
networks in process engineering. IEE Proc.-D:
Contr. Theory & Appl., 138(3), pp. 256-266,
1991.
[218]A. S. Willsky. A Survey of Design Methods
for Failure Detection in Dynamic Systems.
Automatica, 12(6), pp. 601-611, 1976.
[219]M. Witczak and J. Korvicz. Genetic
programming based observers for non-linear
systems. Preprints of the 4th IFAC Symposium
on Fault Detection, Supervision and Safety for
Technical Processes SAFEPROCESS2000,
Budapest, Hungary, Vol.2, pp. 967-972, June
2000.
[220]M. Witczak, A. Obuchowicz and J. Korvicz.
Design of nonlinear state observers using
genetic programming. Proc. of the 3rd
National Conference on Evolutionary
Algorithms and Global Optimization, Potok
Zloty, Poland, pp. 345-352, 1999.
[221]M. Witczak, R. J. Patton, J. Korbicz. Fault
detection with observers and genetic
programming: Application to the DAMADICS
benchmark problem. Preprints of the 5th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2003, Washington, D. C.,
USA, pp. 1203-1208, 2003.
[222]J. Wnnenberg. Observer-based Fault
Detection in Dynamic Systems. PhD thesis,
University of Duisburg, Germany, 1990.
[223]X. Xia and M. Zeitz. On nonlinear continuous
observers. Int. J. Contr., 66(6), pp. 943-954,
1997.
[224]H. L. Yang and M. Saif. State observation,
failure detection and isolation (FDI) in bilinear
systems. Int. J. Contr., 67(6), pp. 901-920,
1997.
[225]D. L. Yu, J. B. Gomm and D. Williams.
Sensor fault diagnosis in a chemical process
via RBF neural networks. Control Engineering
Practice, 7(1), pp. 79-55, 1999.
[226]D. L. Yu and D. N. Shields. A fault detection
method for a nonlinear system and its
application to a hydraulic test rig. Preprints of
the 2nd IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS94, Espoo, Finland, Vol.1, pp.
305-310, 1994.
[227]D. L. Yu and D. N. Shields. A bilinear fault
detection observer. Automatica, 32(11), pp.
1597-1602, 1996.
[228]D. L. Yu and D. N. Shields. A bilinear fault
detection filter. Int. J. Contr., 68(3), pp. 417-
430, 1997.
[229]D. L. Yu, D. N. Shields and S. Daley. A
bilinear fault-detection observer and its
application to a hydraulic drive system. Int. J.
Contr., 64(6), pp. 1023-1047, 1996.
[230]D. L. Yu, D. N. Shields and J. L. Mahtani. A
nonlinear fault detection method for a hydraulic
system. Proc. of the IEE Int. Conf.:
Control94, Peregrinus Press, Conf. Pub. N
389, Warwick, UK, pp. 1318-1322, 1994.
[231]J. Zhang and J. Morris. Process modelling and
fault-diagnosis using fuzzy neural networks.
Fuzzy Sets and Systems, 79(1), 127-140, 1996.
[232]X. Zhang, T. Parisini, M. M. Polycarpou.
Sensor bias fault isolation in a class of
nonlinear systems. Preprints of the 5th IFAC
Symposium on Fault Detection, Supervision and
Safety for Technical Processes
SAFEPROCESS2003, Washington, D. C.,
USA, pp. 657-662, 2003.
[233]X. Zhang, M. M. Polycarpou and T. Parisini.
A Robust Detection and Isolation Scheme for
abrupt and Incipient Faults in Nonlinear
Systems. IEEE Transactions on Automatic
Control, 47(4), pp. 576-593, April 2002.
[234]A. N. Zhirabok and S. A. Usoltsev. Fault
diagnosis in nonlinear dynamic systems via
linear methods. Preprints of the 15th IFAC
World Congress, Barcelona, Spain, 270, July
2002.
[235]M. Zhong, S. X. Ding, L. Jia, T. Jeinsch, M.
Sader. An optimization approach to fault
detection for bilinear systems. Preprints of the
5th IFAC Symposium on Fault Detection,
Supervision and Safety for Technical Processes
SAFEPROCESS2003, Washington, D. C.,
USA, pp. 669-674, 2003.
[236]D. H. Zhou and P. M. Frank. Nonlinear
adaptive observer based component fault
diagnosis of nonlinear systems in closed-loops.
Preprints of the 14th IFAC World Congress,
Beijing, P. R. China, Vol.P, pp. 25-30, July
1999.
[237]Z. Zhuang and P. M. Frank. Qualitative
observer and its application to fault detection
and isolation systems. Proc. IMechE Part I-J.
of Sys. And Contr. Eng., 211(4), pp. 253-262,
1997.
[238]A. Zolghadri. An Algorithm for Real-Time
Failure Detection in Kalman Filters. IEEE
Transactions on Automatic Control, 41(10), pp.
1537-1539, October 1996.