DIAGNSTICO AUTOMTICO DE FALLOS PARA

SISTEMAS DINMICOS NO LINEALES

L. Felipe Blzquez
Dpto. Ingeniera Elctrica y Electrnica. Univ. de Len. E.II.I.I. Campus de Vegazana s/n, 24071 Len
E-mail: diefbq@unileon.es

Luis J. de Miguel
Dpto. Ingeniera de Sistemas y Automtica. Univ. de Valladolid. E.T.S.I.I. Paseo del cauce s/n, 42011 Valladolid
E-mail: luimig@eis.uva.es



Resumen

Esta comunicacin presenta una visin general de
las principales tcnicas de deteccin y diagnstico de
fallos basadas en el modelo de la planta que se
aplican a los sistemas dinmicos no lineales. Con el
objetivo de que el trabajo quede lo ms completo
posible, se citan en la introduccin otros mtodos de
diagnstico existentes, y se dedica una seccin para
tratar brevemente los comportamientos y tipos de no
linealidades que ms frecuentemente aparecen en los
sistemas dinmicos de control.

Palabras Clave: Deteccin y diagnstico de fallos;
redundancia analtica; sistemas no lineales.



1 INTRODUCCIN

Es un hecho que los modernos sistemas de control se
vuelven cada vez ms complejos y que los algoritmos
de control que se implementan son cada vez ms
sofisticados. En consecuencia, las caractersticas de
fiabilidad, disponibilidad, seguridad y proteccin
medioambiental adquieren cada vez mayor
importancia. Dichas caractersticas son importantes
no solo en aquellos sistemas cuya seguridad es
crtica, tales como centrales nucleares, plantas
qumicas y aeronaves, sino en cualquier tipo de
proceso de fabricacin automatizado como los
implicados por ejemplo en el sector del automvil.
Para los sistemas en los que la seguridad es crtica,
las consecuencias de los fallos pueden ser
extremadamente serias en trminos de vidas
humanas, impacto medioambiental y prdidas
econmicas; por lo que existe una necesidad
creciente en la supervisin en lnea y en el
diagnstico de fallos con el objetivo de incrementar
la fiabilidad, teniendo en cuenta que los sntomas que
presentan fallos que se estn desarrollando pueden
ayudar a evitar fallos irreversibles como cadas del
sistema y catstrofes. Para aquellos sistemas donde la
seguridad no es crtica, las tcnicas de diagnstico de
fallos en lnea se pueden utilizar para mejorar la
eficiencia, mantenibilidad, disponibilidad y fiabilidad
de la planta. Los mtodos modernos de diagnstico
de fallos pueden aportar informacin del estado del
sistema que permita implementar un mejor plan de
mantenimiento.

Los mtodos tradicionales de deteccin y diagnstico
de fallos se basan en la comparacin de variables
medidas del proceso con valores lmite constantes y
preestablecidos (chequeo de umbrales) o la
aplicacin de sensores redundantes (redundancia
fsica). Otros mtodos ms avanzados se basan en la
aplicacin de test (univariables o multivariables) de
hiptesis a propiedades estadsticas de las variables
del proceso [164]. Dentro de los multivariables, se
encuentran aquellos mtodos basados en anlisis
estadsticos de los datos (data-driven), especialmente
indicados para grandes sistemas que producen una
gran cantidad de datos, ya que reducen esa gran
cantidad de informacin quedndose con la parte ms
significativa [28]. Entre estos mtodos estn el
anlisis de la componente principal (PCA), [73],
[74], [76], anlisis del discriminante de Fisher
(FDA), mnimos cuadrados parciales (PLS) y anlisis
de variables cannicas (CVA).











Figura 1: Redundancia fsica frente a redundancia
analtica

Otros mtodos se basan en la redundancia analtica,
figura 1, es decir la comparacin del comportamiento
actual de la planta con el esperado obtenido mediante
un modelo matemtico de la misma [29], [75], [48],

Proceso
Conjunto extra
de Sensores
Lgica de
Diagnstico
Algoritmo FDI utilizando
un Modelo Matemtico
Conjunto 1
de Sensores
Alarma
Alarma
Salida
Redundancia Fsica
Redundancia Analtica
Entrada
Lgica de
Diagnstico
[77]. Algunos de estos mtodos tienen un marco
determinista, como las ecuaciones de paridad a partir
del modelo de espacio de estado [29], [75],
ecuaciones de paridad a partir del modelo entrada-
salida [68], [77], [40], [70], [71], y observadores
[30], [48], [49], [23], [26], [154], [199]; mientras que
otros mtodos se formulan en un contexto
estocstico, como los filtros de Kalman [218], [238],
[127], y la estimacin de parmetros [91]. La teora
lineal de estos mtodos est bien desarrollada y sus
relaciones bien establecidas. La equivalencia entre
algunos de los mtodos anteriores ha sido estudiada
por varios autores, por ejemplo [69], [152], [72],
[103].

Aunque desde los primeros aos de la dcada de los
70 se vienen produciendo avances significativos en el
campo del diagnstico de fallos tanto en la teora
como en la prctica, ha sido en los ltimos aos
cuando las investigaciones en este campo ms se han
dirigido hacia los sistemas de control no lineales.
Tradicionalmente, el problema del diagnstico de
fallos en sistemas dinmicos no lineales se ha
manejado en dos etapas. En la primera se linealiza el
modelo alrededor de un punto de operacin, para en
una segunda etapa aplicar tcnicas robustas para
generar los residuos [119], [15], [14], [234]. En
general, la mayora de los sistema fsicos dan lugar a
modelos prcticos y reales de alto orden, variables en
el tiempo y no lineales. En sistemas de control, sin
embargo, es importante mantener el sistema en un
punto de equilibrio y se puede considerar la respuesta
del sistema a seales pequeas en torno a dicho
equilibrio. Este mtodo solo funciona bien cuando la
linealizacin no causa mucha diferencia entre los
modelos lineal y no lineal y el sistema opera cerca
del punto de operacin especificado. Al tratar con
sistemas con no linealidades altas y amplios rangos
de operacin, el problema del diagnstico de fallos
debe manejarse utilizando directamente tcnicas no
lineales.

Existen desarrollos y aplicaciones de diagnstico de
fallos con ecuaciones de paridad no lineales [109],
[108], [14], [16]. La implementacin de filtros
extendidos de Kalman para procesos no lineales fue
presentada en [22]. Resultados con observadores no
lineales fueron publicados por Frank y sus
colaboradores [62] y otros [102]. Cuando los
modelos analticos no son lo suficientemente fiables,
una red neuronal correctamente entrenada se puede
usar como modelo dinmico no lineal de un sistema
[25]. Algunas veces se requiere informacin
cualitativa para que el modelo represente
adecuadamente al sistema, y es aqu donde la lgica
borrosa y las redes neuro-borrosas tienen su papel en
aplicaciones de diagnstico de fallos [50], [64], [19].
En otros trabajos se utilizan herramientas de
programacin evolutiva para disear observadores
[219] y redes neuronales [142]. Recientemente en la
literatura de diagnstico de fallos, a estos mtodos
basados en modelos analticos que incorporan
tcnicas cualitativas se les llama mtodos de software
computacionales [159], [19]

El trabajo sobre diagnstico de fallos en la
comunidad de la Inteligencia Artificial se enfoc
inicialmente sobre mtodos basados en el
conocimiento o sistemas expertos [203], donde se
aplica la heurstica para asociar explcitamente los
sntomas con las hiptesis de fallos. Las deficiencias
de estos mtodos llevaron al desarrollo de tcnicas de
diagnstico de fallos basadas en modelos cualitativos
en la forma de ecuaciones diferenciales cualitativas,
grficos dirigidos con signo [202], modelos
funcionales cualitativos, modelos estructurales, etc.
[107], [215], [216], [179], [180], [28]. La mayora de
los trabajos de diagnstico e fallos que utilizan
mtodos basados en el conocimiento trabajan con
modelos del sistema en presencia de fallos. En
general no es posible obtener un modelo del sistema
para cada fallo en particular, ya que el sistema podra
daarse debido al fallo, o bien es peligroso provocar
el fallo o porque no es posible provocar todos los
fallos.

En los ltimos aos se han publicado algunos
trabajos que hacen uso de support vector machine
[66] para deteccin y diagnstico de fallos. Este
mtodo est basado en fundamentos similares a
tcnicas de inteligencia artificial con sistemas de
autoaprendizaje. Los resultados que se han obtenido
sen optimistas.

En [93] y [208] se puede encontrar la terminologa
adoptada por el comit tcnico del IFAC Symposium
on Fault Detection, Supervision and Safety for
Technical Processes SAFEPROCESS. Esta
conferencia de periodicidad trianual es posiblemente
el foro donde se han presentado en los ltimos aos
las principales tendencias en el campo de la
deteccin y diagnstico de fallos, especialmente
relativo a los mtodos basados en el modelo de la
planta, que constituye la comunidad FDI (Fault
Detection and Isolation).








Figura 2: Diagnstico de fallos y lazo de control

La principal ventaja del diagnstico de fallos basado
en el modelo de la planta [41], [25] es que no es
necesario aadir componentes hardware al proceso

Diagnstico de fallos
Supervisin
y(t)
Sistema en lazo abierto
entrada de
referencia
controlador actuadores planta sensores
salida
medida
u(t) y
ref
(t)
entrada
y
R
(t) u
R
(t)
actuacin salida
para implementar un algoritmo FDI. Dicho algoritmo
se puede implementar en la propia computadora que
controla el proceso. Adems, las medidas necesarias
para el control del proceso son en muchos casos
suficientes para los algoritmos FDI, por lo que no se
necesita instalar nuevos sensores. As, solo es
necesario una computadora ms potente y aumentar
la capacidad de almacenamiento de informacin para
implementar un algoritmo FDI basado en el modelo
de la planta. El enorme desarrollo en tecnologa de
computadores de los ltimos aos ha hechos factible
la aplicacin prctica de tales mtodos [48]. La figura
2 muestra la relacin entre el sistema de deteccin y
diagnstico de fallos con el lazo de control del
proceso. Se observa que el sistema de deteccin y
diagnstico de fallos utiliza un modelo del proceso
monitorizado en lazo abierto, aunque dicho proceso
opere globalmente en lazo cerrado.

La figura 3 muestra la arquitectura de un sistema de
deteccin y diagnstico de fallos basado en el
modelo de la planta. El punto de partida es el sistema
de adquisicin de datos S.A.D., que suministra la
informacin disponible del proceso. A continuacin
se encuentra el generador de residuos donde se van a
calcular dichos residuos que deberan ser cero en
ausencia de fallo. Posteriormente se analizan los
cambios existentes en los citados residuos, cuya
informacin va a ser indicativa de la presencia de
fallos [7], [9], [8]. El modulo de decisin es el que
tiene la funcin de analizar dichos cambios y ofrecer
un diagnstico final. El mdulo de adaptacin es
necesario para realizar la acomodacin de fallos, que
es la caracterstica que define los sistemas tolerantes
a fallos [151], [21].










Figura 3: Sistema de deteccin y diagnstico de
fallos basado en el modelo de la planta

Esta comunicacin est organizada de la siguiente
manera. Inicialmente se definen los comportamientos
y propiedades de los sistemas de control no lineales,
para posteriormente realizar una exposicin ordenada
de los distintos tipos de no linealidades que
frecuentemente existen en los sistemas de control, y a
continuacin se describen brevemente las
herramientas analticas existentes para el anlisis de
los sistemas de control no lineales. Seguidamente se
presentan los principales mtodos de deteccin y
diagnstico de fallos basados en el modelo de la
planta que se aplican en los sistemas de control no
lineales. Dichos mtodos se agrupan bsicamente en
dos categoras. Por un lado se encuentran aquellos
que son extensiones o generalizaciones de los
mtodos basados en modelos lineales, aplicados a los
sistemas no lineales. Por otro lado estn los mtodos
que utilizan un aproximador universal como
herramienta para construir el modelo de la planta,
incluso considerando la incorporacin de
informacin cualitativa en dicho aproximador.


2 GENERALIDADES SOBRE LOS
SISTEMAS NO LINEALES

Se dice que un sistema es no lineal si no cumple el
principio de superposicin en algn caso [112],
[147], [191], [120], [99]. Este hecho tan importante
es la causa de que no se hayan desarrollado las
tcnicas de anlisis de sistemas no lineales tanto
como las de los sistemas lineales. As, el modelo de
estado de un sistema no lineal debe abarcar funciones
no lineales, ecuacin (1) y no es vlido el modelo de
estado en el formato matricial vectorial con todos los
elementos de las matrices A y B constantes o
funciones del tiempo e independientes de x e y,
ecuacin (2), propio de los sistemas lineales; por lo
que no se pueden aplicar las tcnicas que se basen en
dichos modelos. Adems, la aplicacin de la
transformada de Laplace o el lgebra fasorial
requiere un modelo de sistema lineal e invariante con
el tiempo y una ecuacin caracterstica es una
propiedad de un modelo lineal. Tambin hay que
tener en cuenta que la respuesta en estado
estacionario de un sistema no lineal a una entrada
sinusoidal se ve como una forma de onda no
sinusoidal.

(1)
(2)

Una de las caractersticas ms importantes de los
sistemas no lineales, es la dependencia en el
comportamiento de respuesta del sistema, de la
magnitud y tipo de entrada, adems del propio
modelo. Por ejemplo, un sistema no lineal puede
comportarse de forma completamente distinta en
respuesta a entradas escaln de diferentes valores.
Con el carcter del comportamiento sensible al nivel
de excitacin, criterios tales como sobreelongacin y
tiempo de asentimiento son dependientes del nivel de
excitacin y un sistema no lineal puede ser estable en
una regin de operacin e inestable en otra. As, la
estabilidad debe especificarse como se observa en la
vecindad de un punto de operacin particular. Para
analizar este concepto, la estabilidad se evala
tpicamente en la proximidad de una condicin
potencialmente esttica conocida como un estado de

generador
de residuos
S.A.D.
entradas externas

detector
de cambios
mdulo
de decisin
mdulo
de adaptacin
proceso
monitorizado
declaracin del fallo


x = f(x,u)

x = Ax + Bu

equilibrio. Un modelo no lineal puede tener ms de

un estado de equilibrio y ms de un modo de
oscilacin [143], [122]. El converger a uno de los
puntos de equilibrio u otro va a depender de las
condiciones iniciales. Esta dependencia de las
condiciones iniciales tambin puede manifestarse en
la estabilidad de los sistemas no lineales [122]. Otros
comportamientos que se dan en sistemas no lineales
son las respuestas de valores mltiples, las
resonancias de salto y una variedad de movimientos
peridicos tales como oscilaciones sub o
superarmnicas.

Normalmente, un sistema de control debe operar
cerca de un punto de equilibrio, por lo que cuando las
magnitudes de las seales en dicho sistema estn
limitadas en intervalos en los cuales los componentes
del sistema exhiben una caracterstica lineal, el
sistema es esencialmente lineal. En esta situacin es
vlida la consideracin de un modelo de pequea
seal o un modelo lineal a tramos que permite la
adaptacin de una tcnica lineal a un modelo de
sistema que no es estrictamente lineal. Dependiendo
de los objetivos de un estudio de un sistema no lineal
y del carcter del modelo, el anlisis puede ser
responsable de la obtencin de un modelo lineal
aproximado que es aplicable en la vecindad de un
estado especficamente seleccionado. Utilizando un
procedimiento conocido como linealizacin [146], se
puede desarrollar un modelo que es utilizable con
pequeas variaciones del nivel de seal respecto de
un estado de equilibrio. Las tcnicas de anlisis y
diseo lineal, incluyendo la evaluacin de la
estabilidad, son aplicables entonces cuando se operan
con pequeas desviaciones del equilibrio.

Cuando las magnitudes de las seales se extienden
ms all del intervalo de porcin lineal, dependiendo
de la severidad de la no linealidad, el sistema no se
debe seguir considerando lineal. Por ejemplo, una
resistencia experimentar un cambio notable en su
valor, o se fundir, si la corriente excede un valor
razonable; un condensador se romper si la tensin es
demasiado alta; un resorte estar totalmente
comprimido o alcanzar su lmite elstico si se estira
ms all de lo permitido y una autoinduccin con un
ncleo magntico alcanzar la saturacin si la
densidad de flujo es suficientemente alta, los
amplificadores usados en los sistemas de control a
menudo exhiben un efecto de saturacin cuando la
seal de entrada es muy grande; el campo magntico
en un motor normalmente tiene propiedades de
saturacin. Otros efectos no lineales que se
encuentran en sistemas de control son el juego entre
dos engranajes acoplados, la caracterstica de resorte
no lineal, la fuerza de friccin no lineal o par entre
dos miembros mviles, etc. Muy a menudo las
caractersticas no lineales son introducidas en forma
intencional en un sistema de control para mejorar su
desempeo o proveer un control ms efectivo. Por
ejemplo, para alcanzar un control de tiempo mnimo,
un tipo de controlador encendido-apagado
(relevador) se emplea en muchos misiles o sistemas
de control de naves espaciales. Los comportamientos
ms tpicos encontrados en los sistemas no lineales
son los siguientes [143], [189], [122], [31], [99]:

Oscilacin subarmnica
Oscilacin autoexcitada o ciclo lmite
Arrastre de frecuencia
Bifurcacin
Caos


2.1 TIPOS DE NO LINEALIDADES EN
SISTEMAS DE CONTROL

En este apartado se van a revisar la no linealidades
que se encuentran en los sistemas de control. En la
figura 4 se muestra el diagrama de bloques tpico de
un sistema de control. Se compone de cuatro partes:
una planta que va a ser controlada, sensores para las
medidas, actuadores para las acciones de control y
una ley de control generalmente implementada en
una computadora. Las no linealidades pueden ocurrir
en cualquier parte del sistema, dando lugar a los
sistemas de control no lineales.






Figura 4: Diagrama de bloques de un sistema de
control

A la hora de analizar el efecto de las no linealidades
inherentes en la exactitud esttica, hay que tener en
cuenta que una caracterstica de los sistemas de
control es que la potencia es transmitida por el paso
directo, mientras que la exactitud esttica del sistema
es determinada por los elementos en el paso de
realimentacin. Por esto, el elemento de medicin
determina el lmite superior de exactitud esttica; la
exactitud esttica no puede ser mejor que la exactitud
de este dispositivo de medicin. Por tanto, cualquier
no linealidad inherente en los elementos de
realimentacin debe ser mnima.

Las no linealidades pueden ser intencionadas
(artificiales) y accidentales o inherentes (naturales).
Las no linealidades intencionadas se emplean para
mejorar la respuesta del sistema o para simplificar su
construccin o por ambas causas. En general, el
empleo de elementos no lineales da lugar a sistemas
ms pequeos y que funcionan mejor que los
lineales. Un sistema no lineal adecuadamente
diseado para cumplir cierta funcin, frecuentemente

controlador
r(t)
y(t)
actuadores
sensores
planta
es mejor desde un punto de vista econmico, de
espacio y de confiabilidad frente a sistemas lineales
diseados para cumplir la misma tarea. El ejemplo
ms simple de un sistema no lineal intencional es un
sistema corriente accionado por un rel. Se pueden
encontrar otros ejemplos en sistemas de control
ptimo y control adaptativo que frecuentemente
emplean controles no lineales complicados. Debe
notarse que aunque los sistemas no lineales
intencionales, pueden mejorar el comportamiento del
sistema bajo ciertas condiciones de funcionamiento
especificadas, en general degradan el
comportamiento del sistema en otras condiciones de
funcionamiento [143], [117].

Las no linealidades inherentes son aquellas que
vienen de forma natural en el hardware o movimiento
del sistema, por lo que son inevitables en los sistemas
de control. Las siguientes son ejemplos de tales no
linealidades: saturacin; zona muerta; histresis;
juego; friccin esttica, friccin de Coulomb y otras
fricciones no lineales; resorte no lineal;
compresibilidad de fluido; fuerza centrpeta en
movimiento rotacional. En trminos generales, la
presencia de estas no linealidades en el sistema de
control, afecta adversamente el comportamiento del
sistema, por lo que dichos sistemas deben estar
adecuadamente diseados para compensarlas. Por
ejemplo, el juego puede producir inestabilidad en el
sistema y la zona muerta a su vez puede producir
error de rgimen.

Tambin se pueden clasificar las no linealidades
como blandas o continuas y duras o discontinuas
[34], [189], [117]. Si un elemento se desva
gradualmente de la operacin lineal cuando el nivel
de excitacin aumenta o la temperatura asociada
gradualmente se eleva, este hecho se puede describir
como una no linealidad blanda o continua. Hay
tambin no linealidades duras o discontinuas que se
observan cuando los elementos cambian
abruptamente en un nivel especfico de excitacin.
Un ejemplo de este tipo de fenmeno es la limitacin
que ocurre cuando el nivel de salida de un
amplificador operacional se aproxima a la magnitud
de la tensin de suministro de continua. La elevada
ganancia en el camino directo y la accin de
realimentacin negativa del circuito tienden a
proporcionar una operacin casi lineal dentro de un
rango limitado de niveles de seal, pero hay un nivel
en el que los transistores de salida se fuerzan para
trabajar en saturacin y aparece abruptamente una
limitacin.


2.1.1 No linealidades continuas

Las no linealidades continuas aparecen en las
ecuaciones del sistema en forma de trminos
senoidales, potencias, exponenciales de una
variables, productos de diferentes variables. Un caso
particular de sistemas con no linealidades continuas
son los sistemas bilineales, que son aquellos en los
que los nicos trminos no lineales que aparecen en
sus ecuaciones de estado son productos de variables
de estado con variables de entrada.

Las no linealidades continuas se eliminan usualmente
de la ecuacin diferencial asignando mrgenes
restringidos a las variables y mediante
aproximaciones lineales para representar los
coeficientes no lineales. Se reconoce,
indudablemente, que la verdadera respuesta no ser
exactamente la predicha. Sin embargo, la diferencia
debe ser pequea en tanto lo sea la perturbacin. De
inters inmediato es la estabilidad del sistema.
Mediante la teora de Lyapunov, puede llegarse a la
conclusin de que el empleo de la aproximacin
lineal de ecuaciones no lineales da un anlisis
correcto de la estabilidad. Sin embargo, este slo es
vlido para pequeas perturbaciones [34], [189],
[31], [116], [99].


2.1.2 No linealidades discontinuas

Las no linealidades discontinuas o duras tambin se
las conoce como no linealidades rpidas, significando
con ello que el modo de operar cambia rpidamente
comparndolo con el tiempo de respuesta del sistema
[143], [34], [189], [31], [116], [205], [99]. A
continuacin se presentan las no linealidades duras
que ms habitualmente se presentan en los sistemas
de control.


Friccin de Coulomb y precarga

La friccin de Coulomb existe en todo sistema fsico
con movimiento de deslizamiento. As, por ejemplo,
est presente entre las escobillas y el colector de un
motor, entre engranajes apretados y en cojinetes. La
fuerza de friccin es de magnitud constante y
siempre de direccin opuesta al movimiento, por lo
que aparece una discontinuidad en el instante en que
se invierte el movimiento [144], [117]. Una precarga
tiene la misma caracterstica que una friccin de
Coulomb. La fuerza puede variar de ms a menos el
valor de la precarga sin producir desplazamiento. La
precarga se emplea a menudo para eliminar el
arrastre de una posicin neutral.


Saturacin o limitacin

Cuando se incrementa la entrada de un dispositivo
fsico, a menudo se observa el siguiente fenmeno:
cuando la entrada es pequea, su incremento causa
un incremento (frecuentemente proporcional)
correspondiente en la salida; pero cuando la entrada
alcanza cierto nivel, su incremento posterior produce
un incremento pequeo o no produce incremento
alguno en la salida. La salida simplemente
permanece alrededor de su valor mximo. Cuando
esto ocurre, se dice que el dispositivo est en
saturacin. Como ejemplos tenemos amplificadores
de transistor y amplificadores magnticos. Una no
linealidad de saturacin es usualmente causada por
los lmites en el tamao de los componentes,
propiedades de los materiales, potencia disponible.
Una tpica no linealidad de saturacin se representa
en la figura 5, donde la lnea gruesa es la no
linealidad real y la lnea fina es una no linealidad de
saturacin ideal [122], [79].









Figura 5: No linealidad de saturacin

La mayora de los actuadores presentan
caractersticas de saturacin [189], [121], [116],
[205]. Por ejemplo, el par de salida de un servomotor
de dos fases no puede incrementarse indefinidamente
y tiende a saturarse, debido a las propiedades del
material magntico. Anlogamente, vlvulas
controladas por servomotor hidrulico se saturan por
los mximo y mnimo caudales permitidos.

La saturacin tiene efectos complicados sobre las
prestaciones de un sistema de control. En general, la
presencia de saturacin tiende a reducir la ganancia
del dispositivo (por ejemplo el amplificador) segn
se incrementa la entrada. Como resultado, si un
sistema es inestable en su rango lineal, este
comportamiento divergente se puede convertir en una
oscilacin automantenida, debido a la inhibicin
creada por el componente de saturacin sobre las
seales del sistema. Por otro lado, si el sistema es
estable en su rango lineal, la saturacin tiende a
ralentizar la respuesta del sistema, ya que reduce la
ganancia efectiva [189].


No linealidad todo-nada

Un caso extremo de saturacin es la no linealidad
todo-nada o rel. Ocurre cuando el rango de
linealidad se reduce a cero y la pendiente de dicho
rango se hace vertical. Importantes ejemplos de no
linealidades todo-nada incluyen pares de salida de
propulsores a gas para control de naves espaciales y,
por supuesto rels elctricos. Las no linealidades
todo-nada tienen similares efectos que los de las no
linealidades de saturacin. Adems pueden provocar
vibraciones en sistemas fsicos debido a su naturaleza
discontinua [189].


Zona muerta

En muchos dispositivos fsicos, la salida es cero hasta
que la magnitud de la entrada supera un determinado
valor , tal y como muestra la figura 6. Dicha
relacin de entrada-salida se conoce como zona
muerta, umbral, trozo llano o espacio muerto [189],
[112]. Si por ejemplo se considera un motor de
corriente continua, en un modelo ideal se asume que
cualquier voltaje aplicado al bobinado causar
movimiento de rotacin, por lo que con pequeo
voltaje se provoca pequeo movimiento. En realidad,
debido a la friccin esttica del eje del motor, la
rotacin ocurrir solo si el par proporcionado por el
motor es suficientemente grande. Anlogamente,
cuando se transmite movimiento por conexin de
componentes mecnicos, aparecen zonas muertas por
los espacios debidos a la fabricacin. Fenmenos
similares a la zona muerta ocurren en los actuadores
neumticos de vlvulas controladas y en
componentes hidrulicos [198].









Figura 6: No linealidad de zona muerta

Las zonas muertas tienen un nmero de posibles
efectos en los sistemas de control. Su efecto ms
comn es disminuir la precisin de la salida esttica.
Tambin pueden dar lugar a ciclos lmite o
inestabilidad en el sistema debido a la ausencia de
respuesta en la zona muerta. En algunos casos, sin
embargo, pueden estabilizar de hecho un sistema o
eliminar las auto-oscilaciones. Por ejemplo, si se
aade una zona muerta a un rel ideal se reduce la
oscilacin de los contactos del rel. Esto reduce el
arco elctrico que pudiera producirse entre ellos y,
por tanto, el desgaste de los mismos, reducindose
tambin la fatiga del equipo. Es posible utilizar una
tcnica de zona muerta para mejorar la robustez de
sistemas de control adaptativo con respecto al ruido
en la medida.





entrada
salida
lineal
saturacin saturacin

k
zona muerta


entrada
salida
Holgura e histresis

La holgura ocurre a menudo en sistemas de
transmisin. Es causada por los pequeos espacios
que existen en los mecanismos de transmisin. En
trenes de engranajes siempre hay pequeos espacios
entre un par de engranajes acoplados, debidos a los
errores inevitables en fabricacin y montaje [189],
[112]. La figura 7 muestra una situacin tpica. Como
resultado de los espacios, cuando el engranaje
conductor gira un ngulo ms pequeo que el espacio
b, el engranaje conducido no se mueve en absoluto,
que corresponde a la zona muerta (segmento OA en
la figura 7); despus que se haya establecido el
contacto entre los dos engranajes, el engranaje
conducido sigue la rotacin del engranaje conductor
de un modo lineal (segmento AB). Cuando el
engranaje conductor gira en sentido contrario una
distancia de 2b, el engranaje conducido vuelve a no
moverse, que se corresponde con el segmento BC en
la figura 7. Despus de restablecerse el contacto entre
los dos engranajes, el engranaje conducido sigue la
rotacin del engranaje conductor en el sentido
contrario (segmento CD). As, si el engranaje
conductor tiene movimiento peridico, el engranaje
conducido se mover siguiendo el camino cerrado
EBCD. Se hace notar que la altura de B, C, D, E en
esta figura depende de la amplitud de la entrada
sinusoidal [198]. Para reducir la holgura en
engranajes desgastados es preciso un buen ajuste de
los dientes y reduccin de las excentricidades.








Figura 7: No linealidad de holgura

Una caracterstica crtica de la holgura es su
naturaleza multivaluada. Correspondiente a cada
entrada, son posibles dos valores de la salida. Que
uno de los dos ocurra depende de los valores pasados
de la entrada. Se remarca que una no linealidad
multivaluada similar es la histresis, que se observa
frecuentemente en componentes de rel. Las no
linealidades multivaluadas como la zona muerta y la
histresis generalmente dan lugar a almacenamientos
de energa en el sistema. El almacenamiento de
energa es causa frecuente de inestabilidad y de
oscilaciones automantenidas [189].


2.2 TCNICAS DE ANLISIS DE
SISTEMAS NO LINEALES

No hay un mtodo general para tratar todos los
sistemas no lineales, porque las ecuaciones
diferenciales no lineales no disponen de un mtodo
general de ataque. Se pueden hallar soluciones
exactas solamente en ciertos tipos simples de
ecuaciones diferenciales no lineales. Para muchas
ecuaciones diferenciales no lineales de importancia
prctica, slo se pueden hallar soluciones
aproximadas y estas soluciones slo mantienen su
validez, aun cuando son halladas, bajo condiciones
limitadas. Como no hay un mtodo general, se puede
tomar cada ecuacin no lineal o grupo de ecuaciones
similares individualmente y tratar de desarrollar un
mtodo de anlisis que se aplique satisfactoriamente
a ese grupo particular. Ntese que aunque es posible
una generalizacin muy limitada dentro de un grupo
de ecuaciones similares, tal generalizacin es
imposible de forma amplia a partir de una solucin
particular.


2.2.1 Plano fsico

El anlisis del plano fsico es un mtodo grfico para
estudiar sistemas no lineales de segundo orden. La
idea bsica es resolver grficamente una ecuacin
diferencial de segundo orden, en vez de buscar una
solucin analtica. El resultado es una familia de
trayectorias de movimiento del sistema en un plano
de dos dimensiones, llamado el plano fsico, en el
cual se puede visualizar los patrones de movimiento
del sistema. Aunque el anlisis del plano fsico tiene
un nmero importante de ventajas, tiene como
principal desventaja el ser aplicable solo a sistemas
que pueden ser bien aproximados por dinmicas de
segundo orden. Debido a su naturaleza grfica, se
utiliza frecuentemente para proporcionar pistas sobre
los efectos no lineales. En concreto, el plano de fase
es til para determinar la estabilidad y la respuesta
temporal de sistemas de segundo orden con no
linealidades [143], [189], [212], [116], [117], [205],
[99].


2.2.2 Teora de Lyapunov

La teora bsica de Lyapunov comprende dos
mtodos introducidos por Lyapunov, el primer
mtodo o mtodo indirecto y el segundo mtodo o
mtodo directo [143], [144], [145], [146], [189], [59],
[212], [31], [122], [116], [10], [205], [99].


Mtodo indirecto

El mtodo indirecto o mtodo de linealizacin,
establece que las propiedades de estabilidad de un
sistema no lineal en las proximidades de un punto de
equilibrio son esencialmente las mismas que las de su
correspondiente sistema linealizado simple [45],
[121], [112], [79], [99]. Algunos ejemplos
ngulo
de salida
b -b
C B
D
pendiente 1
O

A

ngulo
de entrada
E
b
engranaje
conductor
engranaje
conducido
importantes son la tcnica de anlisis de pequea
seal que se aplica a circuitos de transistores y el
modelo de pequea seal que se aplica al anlisis del
pndulo.

El mtodo sirve como la justificacin terica para
usar control lineal para sistemas fsicos, los cuales
son inherentemente no lineales. As, por ejemplo, en
el diseo de sistemas de control, es prctico primero
disear el controlador con base en un modelo de un
sistema lineal despreciando las no linealidades del
sistema. Entonces, el controlador diseado se aplica
al modelo del sistema no lineal para su evaluacin o
rediseo mediante simulacin en computadora. En
muchos casos prcticos, el inters primario es la
estabilidad de los sistemas de control no lineales, y
pueden no ser necesarias las soluciones analticas de
las ecuaciones diferenciales no lineales, puesto que
establecer criterios de estabilidad es mucho ms
simple que obtener soluciones analticas.

Otra situacin donde es aplicable la linealizacin es
cuando la operacin del sistema no lineal se
caracteriza por cambios abruptos en el modelo que
ocurren en niveles de seales especficos. Este tipo
de operacin sucede con la presencia de fenmenos
tales como rozamiento esttico y de Coulomb o
puede generarse mediante la introduccin a propsito
de una caracterstica no lineal, tal como la accin de
un controlador tipo rel. Es posible entonces
desarrollar mltiples modelos lineales para describir
los diferentes modos de operacin. La simulacin es
lineal a tramos y cada uno de los modelos lineales es
aplicable bajo condiciones definidas cuidadosamente.
Cuando se detecta una condicin para cambiar
modelos, la informacin que se necesita para
continuar la simulacin es una descripcin del nuevo
modelo y una descripcin del estado del sistema. Si
se utiliza un modelo de estado para describir cada
uno de los diferentes modos de operacin de un
sistema lineal a tramos, toda la informacin que se
requiere est disponible. En el instante que el modelo
cambia, el estado final del modelo previo se
convierte en el estado inicial del nuevo modelo [117].

Los modelos obtenidos a partir de linealizacin son
simples de manejar y permiten un estudio analtico
de los sistemas, no obstante es importante tener en
cuenta lo siguiente:

En general, los modelos lineales slo son
vlidos alrededor del punto de operacin.
Las variables implicadas en el modelo son
cambios sobre el punto de operacin.
Es posible obtener modelos diferentes para
condiciones de operacin diferentes.
Los parmetros de los modelos lineales
pierden su significado fsico original.

Mtodo directo

El segundo mtodo de Lyapunov o mtodo directo es
una herramienta poderosa para el anlisis de sistemas
no lineales, por lo que el llamado anlisis de
Lyapunov a menudo se refiere de hecho al mtodo
directo. El mtodo directo es una generalizacin de
los conceptos de energa asociados con un sistema
mecnico: el movimiento de un sistema mecnico es
estable si el total de su energa mecnica disminuye
todo el tiempo. Al utilizar el mtodo directo para
analizar la estabilidad de un sistema no lineal, la idea
es construir una funcin escalar de energa (una
funcin de Lyapunov) para el sistema y ver si
decrece [31], [79], [99].

La potencia de este mtodo viene de su generalidad:
es aplicable a todos los tipos de sistemas de control,
sean variantes o invariantes con el tiempo, de
dimensin finita o infinita. La limitacin de este
mtodo recae en el hecho de que a menudo es difcil
encontrar una funcin de Lyapunov para un sistema
dado. As, el segundo mtodo de Lyapunov puede ser
aplicado a anlisis de estabilidad de cualquier sistema
no lineal, pero su aplicacin puede ser obstaculizada
por la dificultad en hallar funciones de Lyapunov
para sistemas no lineales complicados. Aunque el
mtodo directo de Lyapunov es originalmente un
mtodo de anlisis de estabilidad, se puede utilizar
para otros problemas de control no lineal.

Una aplicacin importante es el diseo de
controladores no lineales. La idea es de algn modo
formular una funcin escalar positiva de los estados
del sistema, y entonces escoger una ley de control
que haga esa funcin decrecer. Un sistema de control
as diseado tendr garantizada su estabilidad. Tal
enfoque de diseo ha sido utilizado para resolver
muchos problemas complejos de diseo en robtica y
control adaptativo. El mtodo directo tambin se
puede utilizar para estimar las prestaciones de un
sistema de control y estudiar su robustez.


2.2.3 Funcin descriptiva

El mtodo de la funcin descriptiva es una tcnica
aproximada para estudiar los sistemas no lineales. La
idea bsica del mtodo es aproximar los componentes
no lineales en los sistemas de control no lineales por
sus sistemas lineales equivalentes, y as utilizar
tcnicas del dominio de la frecuencia para analizar
los sistemas resultantes. El mtodo de la funcin
descriptiva da informacin respecto a la estabilidad
del sistema no lineal, pero no da informacin exacta
respecto a las caractersticas de respuesta temporal
[143], [34], [189], [212], [31], [116], [117], [205],
[99].

Al contrario que el plano fsico, no se restringe a los
sistemas de segundo orden. Al contrario que los
mtodos de Lyapunov, en los cuales su aplicabilidad
a un sistema especfico depende del xito en una
bsqueda basada en prueba y error de una funcin de
Lyapunov, la aplicabilidad de la funcin descriptiva
es directa para los sistemas no lineales que satisfagan
ciertas condiciones fciles de comprobar.

Este mtodo es utilizado principalmente para
predecir ciclos lmite en sistemas no lineales dando
una medida aproximada de la magnitud y de la
frecuencia. Otras aplicaciones incluyen la prediccin
de generacin de subarmnicos, fenmenos de salto
y la determinacin de la respuesta del sistema frente
a una excitacin sinusoidal. El mtodo de la funcin
descriptiva presenta ciertas ventajas:

Se puede aplicar a sistemas de bajo orden y a
sistemas de alto orden siguiendo el mismo
procedimiento directo.
Debido a su similitud con el anlisis en el
dominio de la frecuencia de sistemas lineales,
es conceptualmente simple y fsicamente
atractivo, permitiendo al usuario manejar
conceptos de fsica e ingeniera en sistemas de
control.
Puede manejar las no linealidades duras que
frecuentemente se encuentran en sistemas de
control sin dificultad alguna.

Las desventajas del mtodo estn ligadas a su
naturaleza aproximativa e incluyen la posibilidad de
predicciones inexactas (falsas predicciones pueden
ser hechas si ciertas condiciones no se satisfacen) y
restricciones en los sistemas a los cuales se aplica,
por ejemplo, es complicado de aplicar a sistemas con
mltiples no linealidades.


2.2.4 Simulacin

Con las computadoras modernas, se han desarrollado
nuevos mtodos para tratar los problemas no lineales.
Las tcnicas de simulacin con el uso de
computadoras analgicas y/o digitales, son muy
poderosas para analizar y disear sistemas de control
no lineales. Ahora es posible manejar sistemas no
lineales complicados en tiempo razonable utilizando
computadoras. Cuando la complejidad de un sistema
impide el uso de cualquier mtodo analtico, las
simulaciones en computadora pueden ser una forma
ventajosa de obtener la informacin necesaria a los
fines del diseo [143], [162], [32], [33], [34], [116],
[117], [67], [131], [205].


3 DIAGNSTICO DE FALLOS EN
SISTEMAS NO LINEALES

La mayora de los mtodos de diagnstico de fallos
basados en modelos consideran modelos lineales de
los sistemas. Para sistemas no lineales, el problema
del diagnstico de fallos se ha abordado en dos
pasos. En primer lugar se linealiza el modelo
alrededor de un punto de operacin, y posteriormente
se aplican tcnicas robustas para generar los residuos
que sean insensibles a variaciones en los parmetros
del modelo dentro de un pequeo intervalo en la
vecindad del citado punto de operacin [119], [15],
[234], [14]. Las tcnicas robustas que se aplican son
las desarrolladas para modelos lineales [35], [71],
[25], [158]. Esta estrategia slo funciona bien si el
modelo linealizado no se comporta muy diferente del
propio sistema no lineal, pues los residuos se han
diseado para ser lo suficientemente robustos para
tolerar pequeas perturbaciones del modelo alrededor
de su punto de operacin, y el sistema opera cerca del
punto de operacin especificado. Sin embargo, para
sistemas con grandes no linealidades y amplios
rangos de operacin dinmica, la tcnica de
linealizacin no puede dar resultados satisfactorios.
Un modelo linealizado es una descripcin
aproximada de un sistema dinmico no lineal
alrededor de su punto de operacin. Sin embargo,
cuando el rango de operacin se hace ms amplio, el
modelo linealizado no es capaz de representar la
dinmica del sistema. Una posible solucin es utilizar
varios modelos linealizados que se corresponden con
varios puntos de operacin. Sin embargo, esto
implicara un gran nmero de sistemas de
diagnstico, uno por cada punto de operacin, cosa
que no es muy prctica para aplicaciones en tiempo
real.

As, para sistemas dinmicos con grandes no
linealidades y amplios rangos de operacin, es
necesario utilizar mtodos de diagnstico de fallos
que manejen modelos dinmicos no lineales
directamente. Ha habido varios intentos de
utilizacin de observadores no lineales para resolver
problemas de diagnstico de fallos en sistemas no
lineales. El primer trabajo fue [87] donde se utiliz
un observador no lineal identidad. Este mtodo fue
posteriormente considerado por [1]. Sin embargo, un
mtodo de diseo de la matriz de ganancias que
asegure la estabilidad del observador no ha sido
desarrollado. En [51] y [110] se revisan, desde
diferentes perspectivas, los desarrollos de los
mtodos de diagnstico de fallos en sistemas no
lineales anteriores a 1994. La tcnica de observador
de entrada desconocida fue extendida para incluir
trminos no lineales [222], [58], [173], [54], [158],
[96], [97]. Se han propuesto varios mtodos de
diagnstico de fallos basados en un observador
adaptativo para ciertas clases de sistemas no lineales
[44], [165], [213], [39], [236], [201], [119], [164],
[163], [13], [232]. En [209] se propone un
observador adaptativo para el diagnstico robusto de
fallos en sensor aplicado a una clase de modelos no
lineales en tiempo discreto. En [42] se propone un
mtodo geomtrico para caracterizar el problema de
la deteccin y aislamiento de fallos para una clase de
modelos no lineales, estableciendo la condicin
necesaria y suficiente (expresada en trminos de
distribuciones no observables) de existencia de un
observador que se puede utilizar como generador de
residuos. En [210] se propone un mtodo
numricamente factible para el diagnstico robusto y
estable de fallos en sistemas modelados mediante
ecuaciones combinadas algebraicas y diferenciales no
lineales.

Desde un punto de vista puramente matemtico, el
diagnstico preciso de fallos en sistemas dinmicos
no lineales es algo muy ambicioso. Este objetivo se
vuelve considerablemente ms difcil cuando existe
incertidumbre en el sistema. As, es necesario
restringirse a una clase de sistemas no lineales en el
estudio de los mtodos de diagnstico de fallos [211],
[232], [183]. Una clase de sistemas no lineales que ha
sido ampliamente estudiada son los sistemas de
dinmica bilineal. Estudios importantes de
diagnstico de fallos es sistemas bilineales se pueden
encontrar en [230], [226], [229], [227], [177], [224],
[228], [132], [4], [171], [84], [235]. La idea principal
es tratar los trminos no lineales como perturbaciones
y desacoplar sus efectos del residuo utilizando un
observador de entrada desconocida. Esta idea se
demuestra en un ejemplo prctico en [25]. El
observador de modo deslizante (sliding mode
observer) [188], [46], tambin se ha aplicado a
diagnstico de fallos en sistemas no lineales [176],
[47], [100], [101], [2], [197], [95], [27].

Hay estudios que extienden el mtodo de las
relaciones de paridad a sistemas no lineales [109],
[108], [111], [80], [14], [16]. Al contrario que en los
sistemas lineales, en los sistemas no lineales no hay
una relacin directa entre los mtodos de diagnstico
de fallos basados en relaciones de paridad y los
basados en observadores. Debido a nuevos
desarrollos en observadores no lineales [167], [223],
el problema del diagnstico de fallos se ha
investigado para sistemas no lineales ms generales
[172], [62], [82], [83], [25], [158], [12], [178].

Los modelos analticos, en los que se basan las
tcnicas de observador no lineal, no son fciles de
obtener en la prctica. Algunas veces el sistema no se
puede modelar mediante modelos matemticos
explcitos. Sin un modelo, el diagnstico de fallos
basado en observador es imposible. Para resolver este
problema, es deseable encontrar un modelo
aproximado universal que pueda usarse para
representar cualquier sistema no lineal de forma
aproximada. Adems, debera haber un mecanismo
que pueda identificar automticamente ese modelo
universal. La red neuronal puede ser tal poderosa
herramienta para manejar problemas no lineales. Una
de las ms importantes ventajas de las redes
neuronales es su capacidad para implementar
transformaciones no lineales por problemas de
aproximacin funcional. As, las redes neuronales
son capaces de generar una aproximacin
arbitrariamente cercana a cualquier funcin continua
no lineal, dando los factores de peso y una
arquitectura de red adecuada [141], [90], [140]. Hay
muchos modos sistemticos de establecer modelos de
red neuronal basados en la poderosa habilidad de
aprender de las redes neuronales. Hay un gran
nmero de publicaciones sobre diagnstico de fallos
basado en redes neuronales [214], [137], [88], [194],
[217], [193], [98], [115], [139], [138], [126], [157],
[104], [153], [56], [129], [38], [37], [150], [36],
[130], [135], [149], [125], [61].

La red neuronal, como herramienta de aproximacin
ptima para manejar problemas no lineales, se puede
usar para superar las dificultades de las tcnicas
tradicionales a la hora de tratar con no linealidades.
Segn Chen y Patton [25], hay poco que ganar
mediante la aplicacin de redes neuronales a sistemas
lineales invariantes con el tiempo. Las redes
neuronales estn propiamente dirigidas a procesos
mal definidos, complejos, no lineales y estocsticos.
Las redes neuronales tienen muchas ventajas y se
pueden utilizar de varias maneras para abordar
problemas de diagnstico de fallos en sistemas
dinmicos no lineales.

En el uso de las redes neuronales para el diagnstico
de fallos, hay dos problemas principales que
acompaan la mayoras de las primeras
publicaciones. El primer problema es que la mayora
de los estudios solo tratan con procesos en estado
estacionario. Para alcanzar el diagnstico en lnea de
fallos en presencia de comportamientos transitorios,
hay que considerar la dinmica del sistema. El
segundo problema es que la red neuronal solo se usa
como un clasificador del fallo y otras ventajas de las
redes neuronales no han sido totalmente explotadas.
En estas aplicaciones, las redes neuronales son
simplemente utilizadas para examinar la posibilidad
de fallo o comportamiento anormal de las salidas del
sistema y dar una seal de clasificacin del fallo que
declare si el sistema tiene o no tiene fallo. Puede ser
vlido para algunos sistemas estticos utilizar solo
salidas del sistema para diagnosticar fallos, sin
embargo este no es el caso de los sistemas dinmicos
porque el cambio en las entradas del sistema puede
tambin afectar a las salidas el sistema. Un mtodo
de diagnstico que solo utilice informacin de las
salidas podra dar informacin incorrecta sobre los
fallos en el sistema cuando cambian las entradas de
dicho sistema. Esto es especialmente cierto para
sistemas no lineales. Hay que sealar que este
problema ya ha sido resuelto en diagnstico de fallos
basado en modelos utilizando el concepto de
generacin de residuos en el que tanto las entradas
como las salidas del sistema monitorizado se utilizan
para generar un indicador del fallo. Se puede
desacoplar el efecto de la entrada del residuo y as el
residuo solo contiene informacin del fallo. El
diagnstico de fallo basado en este residuo
adecuadamente diseado puede dar informacin del
diagnstico fiable.

Recientemente, los conceptos de generacin y
evaluacin del residuo han sido combinados con
redes neuronales para formar una poderosa
herramienta de diagnstico de fallos para sistemas
dinmicos no lineales. En [157] se estudiaron
procesos dinmicos en lugar de estticos y se
propusieron modos de utilizar las redes neuronales
para la generacin y evaluacin del residuo. En ese
estudio se utilizaron las poderosas propiedades de las
redes neuronales para modelar y clasificar. Estas
ideas se desarrollaron posteriormente en [104], [153],
[56],[25], [19].

Para abordar el problema de la precisin y exactitud
en el diagnstico de fallos, se han desarrollado
mtodos basados en lgica borrosa [43], [55], [94],
[204], [169], [50], [92]. Sin embargo, la tcnica de la
lgica borrosa en el diagnstico de fallos no es por su
propia naturaleza eficiente para detectar fallos
incipientes. Tambin por su propia naturaleza, la
tcnica de la lgica borrosa est limitada a sistemas
relativamente simples, ya que en otro caso dara lugar
a un nmero extenso e inmanejable de reglas.
Adems tales esquemas son difciles de relacionar
con las tcnicas clsicas de diagnstico de fallos, las
cuales proporcionan una herramienta poderosa de
diseo y anlisis y no estn limitadas tan
severamente por la complejidad del sistema. Hay
mucho beneficio que ganar al combinar lgica
borrosa con los conceptos de diagnstico de fallos
basado en modelos [11], [55], [94], [169], [114],
[170], [124], [64], [136], [105]. Sin embargo la
mayora de los estudios de diagnstico de fallos
basados en lgica borrosa utilizan solamente las
capacidades de interpretacin y razonamiento de la
lgica borrosa. Takagi y Sugeno probaron en [196]
que lgica borrosa se puede utilizar para formar el
modelo borroso, el cual es muy poderoso a la hora de
modelar sistemas dinmicos no lineales. Esta
habilidad de modelado ha sido utilizada en el diseo
de observadores borrosos para diagnstico de fallos
en sistemas dinmicos no lineales [124], [25], [19],
[192]. Dentro de los observadores borrosos se
encuentran los basados en el modelo borroso de
Takagi-Sugeno [192], los observadores borrosos
cualitativos [237] y los basados en algoritmos
genticos [155].

Actualmente hay algunos estudios que combinan las
redes neuronales con la lgica borrosa para formar el
llamado mtodo neuro-borroso para diagnstico de
fallos en sistemas dinmicos no lineales [11], [231],
[5], [160], [57], [6], [19], [168], [207]. Con un
mtodo combinado, las ventajas de ambos mtodos
pueden ser totalmente explotadas.


3.1 OBSERVADORES NO LINEALES

En la prctica muchos sistemas no lineales no se
pueden representar mediante modelos lineales, en
particular cuando dichos sistemas no operan en un
punto fijo de operacin nominal. Este es el caso
normal en el diagnstico de fallos, ya que al ocurrir
un fallo el proceso diverge de su punto de operacin.

(3)

As, se debe utilizar un modelo no lineal como el que
aparece en la ecuacin (3) donde x(t) es el vector de
estado, y(t) es el vector de salida, u(t) es el vector de
entrada, f(t) es el vector del fallo, d(t) es el vector de
perturbaciones y g(,,,) y h(,,,) representan
funciones no lineales.

(4)

El problema del diagnstico de fallos es generar un
vector de residuos r(t) utilizando la estructura de
observador indicada en la ecuacin (4). El residuo
debe satisfacer la condicin mostrada en la ecuacin
(5). El principal reto es disear las funciones no
lineales g
r
(,,) y h
r
(,,).

(5)



3.1.1 Observador no lineal identidad

Este mtodo inicialmente fue propuesto en [87] para
la deteccin y aislamiento de fallos en componentes.
Posteriormente se describieron consideraciones de
diseo en [1]. Anlogamente al caso lineal, este
mtodo se basa en el observador identidad para el
sistema monitorizado.

(6)

Considerando el modelo no lineal del sistema dado
en la ecuacin (6), un observador identidad no lineal
para ese sistema se puede disear mediante la
ecuacin (7).


x(t) = g(x(t),u(t),f(t),d(t))
y(t) = h(x(t),u(t),f(t),d(t))

(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 (

indican la seal objetivo y la

salida de la red respectivamente.

(39)

Se pueden utilizar varios mtodos para entrenar tales
redes, dependiendo si el entrenamiento se realiza en
lnea o fuera de lnea. Se asume que el diseador
dispone de un conjunto de datos de entrenamiento.
As, y debido a que el modelo es una combinacin
lineal del conjunto de funciones bsicas, se utiliza la
pseudo inversa ponderada de Moore-Penrose [11]
para encontrar el conjunto ptimo de factores de
peso.

Para un sistema de mltiples entradas y mltiples
salidas, se utilizan modelos B-Spline
multidimensionales. Dichos modelos se construyen
como productos de modelos unidimensionales. Sus
correspondientes funciones bsicas se forman por
multiplicacin directa de las funciones bsicas
unidimensionales, segn indica las ecuaciones (37) y
(38). Por ejemplo, la ecuacin (40) define una
funcin bsica p-dimensional.

(40)

Es interesante indicar que la salida de la red, dada por
la ecuacin (34), es muy similar a la de una red de
memorias asociativas borrosa. De hecho,
considerando una regla borrosa R
ij
como la de la
ecuacin (39) donde
i
y
j
indican conjuntos
borrosos en los espacios de particin de entrada y
salida respectivamente, y c
ij
el nivel de confianza en
que la regla R
ij
sea verdadera, se muestra que la
salida de una regla borrosa continua viene dada por
las ecuaciones (41) y (42).

(41)

(42)

Brown y Harris [18] mostraron que, dado un
conjunto de pesos w
i
de redes B-Spline ptimas, es
posible encontrar la representacin borrosa
equivalente con los coeficientes c
ij
dados por la
ecuacin (43).

(43)

Esta relacin entre redes B-Spline y lgica borrosa
muestra que no solo las redes B-Spline pueden
entrenarse a partir de datos numricos, sino que
tambin se puede incluir (o extraer) informacin
simblica en ellas. Esta importante caracterstica
facilita la integracin de los conocimientos numrico
y simblico en un marco nico.


3.5.2 Generacin de residuos y deteccin de
fallos con redes B-Spline

La principal tarea del diagnstico de fallos es generar
seales de diagnstico (residuos). Los mtodos para
generar residuos para sistemas dinmicos no lineales
con redes neuronales se introdujeron en el apartado
anterior. La idea bsica es entrenar la red para que

Factores
de peso
Funciones
bsicas
w
1

x
1
(k)
x
2
(k)
Entradas
Salida
B
1

B
2

B
3

w
2

w
3

(k)
^

=
=
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.