Tecniche Di Diagnostica Model-Based Per Azionamenti Asincroni

.
.
Alla mia famiglia
Indice
Introduzione 1
1 Introduzione alla FDI 4
1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
2 Nomenclatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Confronto tra physical ed analytical redundancy . . . . . . . . . . . . . . . . . 9
4 Tecniche model-based FDI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
5 Incertezze di modello e Fault Detection . . . . . . . . . . . . . . . . . . . . . 11
6 Il problema della robustezza nella FDI . . . . . . . . . . . . . . . . . . . . . . 12
7 Identicazione di identicazione dei guasti . . . . . . . . . . . . . . . . . . . 12
8 Riassunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2 Tecniche di diagnostica model based 14
1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2 Tecniche model-based FDI . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
3 Modellazione del sistema in stato di fault . . . . . . . . . . . . . . . . . . . . 15
4 Strutture per la generazione dei residui . . . . . . . . . . . . . . . . . . . . . . 19
5 Tecniche di generazione dei residui . . . . . . . . . . . . . . . . . . . . . . . . 21
5.1 FDI Parameter Estimation . . . . . . . . . . . . . . . . . . . . . . . . 22
Indice ii
Metodi ad equazione derrore . . . . . . . . . . . . . . . . . . . . . . 22
Metodi ad equazione derrore sulluscita . . . . . . . . . . . . . . . . . 23
5.2 FDI Parity Equation . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
5.3 Approccio Observer-based . . . . . . . . . . . . . . . . . . . . . . . . 26
6 Schemi di base observer-based FDI . . . . . . . . . . . . . . . . . . . . . . . . 29
6.1 Osservatori dedicati per processi MIMO . . . . . . . . . . . . . . . . . 29
6.2 Fault Detection Filters per processi MIMO . . . . . . . . . . . . . . . 30
6.3 Output Observer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
7 Unknown Input Observer nella FDI . . . . . . . . . . . . . . . . . . . . . . . 32
7.1 Implementazione matematica di un UIO . . . . . . . . . . . . . . . . . 33
3 Sliding mode e FDI 36
1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2 Sliding Mode Observers for FDI . . . . . . . . . . . . . . . . . . . . . . . . . 39
4 Motori Asincroni Trifasi 42
1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2 Struttura del motore asincrono . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 Modello matematico della macchina asincrona . . . . . . . . . . . . . . . . . . 46
3.1 Equazioni elettriche del MAT . . . . . . . . . . . . . . . . . . . . . . 47
3.2 Equazione meccanica del MAT . . . . . . . . . . . . . . . . . . . . . 50
3.3 Dinamica completa del MAT . . . . . . . . . . . . . . . . . . . . . . . 50
4 Protezione e diagnostica di guasto nei MAT . . . . . . . . . . . . . . . . . . . 51
5 Funzionamento in condizioni di alimentazione anormale . . . . . . . . . . . . 52
6 Identicazione di guasti legati alla rottura delle barre di rotore . . . . . . . . . 53
Indice iii
6.1 Conseguenze dovute alla rottura delle barre di rotore . . . . . . . . . . 53
6.2 Approccio MCSA . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6.3 Identicazione del guasto relativo alla rottura delle barre . . . . . . . . 57
7 Riassunto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
5 Soluzione proposta 61
1 Introduzione . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
2 Validazione del modello Induction Motor UPV . . . . . . . . . . . . . . . . . 62
3 Analisi MCSA del modello MAT-UPV . . . . . . . . . . . . . . . . . . . . . . 65
4 Osservatore UIO proposto per la diagnostica del fault di barra su MAT . . . . . 71
4.1 Test Residual Generator . . . . . . . . . . . . . . . . . . . . . . . . . 76
5 Valutazione dei residui . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5.1 Test Residual Evaluetor . . . . . . . . . . . . . . . . . . . . . . . . . 81
6 Conclusioni 85
A Schemi Simulink 87
Elenco delle Figure 90
Bibliograa 93
Introduzione
La crescente disponibilit` a sul mercato di dispositivi elettronici a basso costo ad elevate presta-
zioni ha portato allo sviluppo di tecniche progettuali di sosticati sistemi digitali di controllo,
aventi lo scopo di migliorare il comportamento dinamico dei processi.
Tutto ci` o ha portato ad un aumento dellincidenza dei guasti e quindi alla necessit` a di utilizzare
dispositivi di diagnosi in grado di rilevare ed isolare condizioni anomale di funzionamento
appena queste si manifestino.
Tale tendenza risulta particolarmente evidente in ambito industriale, in cui il funzionamento di
molti impianti dipende dalluso di una strumentazione di controllo sempre pi ` u complessa, da
notare per` o che sebbene lelettronica negli ultimi anni abbia fatto passi da gigante, le tecnologie
costruttive degli attuatori e dei motori sono rimaste le stesse, per cui i guasti legati a stress
eccessivi su tali elementi sono diventati sempre pi ` u frequenti.
Nellindustria moderna i motori sono lelemento cardine di ogni processo produttivo, grazie ad
essi ` e possibile trasformare energia elettrica in energia meccanica e quindi consentire qualsiasi
tipo di lavorazione. In particolare il motore asincrono a gabbia di scoiattolo grazie ai suoi ottimi
rendimenti e alla sua economicit` a gioca un ruolo fondamentale in ogni processo di lavorazione.
Per questo motivo, sia in ambito industriale che accademico sono stati sviluppati diversi approc-
ci e tecniche per lidenticazione di eventuali anomalie o guasti in esso presenti. Le principali
tipologie di guasto che possono occorrere su questi motori sono le fratture sulla barre della
gabbia rotorica o sugli anelli di cortocircuito dovuti ad esempio ad eccessivi stress meccanici.
La problematica principale di questi guasti ` e che non sono immediatamente diagnosticabili,
specialmente su motori multi-pole a bassa velocit` a, in quanto la macchina, anche se in stato
di fault, ` e in grado di compiere comunque il proprio lavoro e non mostra a prima vista segni
Introduzione 2
di cedimento; purtroppo tali guasti se non individuati tempestivamente possono comportare
un irreparabile deterioramento di tutta la gabbia rotorica ed inevitabili fuori servizi; per cui
lindividuazione sul nascere tali anomalie risulta fondamentale per la riduzione dei costi legati
alla manutenzioni degli impianti.
In questo lavoro di tesi si presenter` a un nuovo approccio per lindividuazione ed identicazione
di guasti sulla gabbia rotorica di azionamenti asincroni la quale anzich e effettuare la diagno-
si mediante il noto approccio MCSA (Motor Current Signature Analysis), che presuppone una
diagnosi di guasto i cui criteri di decisione sono basati su lanalisi spettrale delle correnti sta-
toriche, preveder` a una diagnostica attraverso un approccio Model-Based FDI (Fault Detection
Isolation).
Tale approccio del tutto innovativo nel contesto delle macchine rotative, preveder` a lutilizzo di
un osservatore robusto per il monitoraggio della dinamica della macchina e permetter` a la rico-
struzione del fenomeno di guasto mediante le uscite dellalgoritmo di controllo in retroazione
chiuso sullosservatore e tale da forzare il modello della macchina sana a comportarsi come se
fosse in stato di fault.
Il seguente lavoro risulta strutturato in sei capitoli; nel primo si forniranno al lettore le conoscen-
ze di base per il proseguo della lettura di questo lavoro descrivendo quelli che sono i passaggi
logici fondamentali per limplementazione di un algoritmo di rilevazione ed isolamento. Nel
secondo capitolo si entrer` a nel dettaglio di quelle che sono le tecniche di FDI Model-Based pi` u
comuni ed in particolare verranno trattate in dettaglio le due fasi principali di un processo di
FDI, ovvero la fase di Residual Generation e quella di Residual Evaluetion, fornendo inoltre
le strutture di base per limplementazione di tali algoritmi. Quindi nel terzo capitolo si descri-
ver` a come le tecniche di controllo Sliding Mode possano essere sfruttate ed inglobate nella
progettazione di un sistema di diagnostica di guasto.
Il quarto capitolo risulter` a invece diviso in due grandi blocchi: il primo nel quale si presenter` a il
motore asincrono trifase, verranno analizzati i suoi aspetti costruttivi e sar` a ricavato il modello
della macchina asincrona simmetrica, mentre nel secondo blocco, si presenteranno le diverse
tipologie di guasto che possono intercorrere su queste macchine, con particolare attenzione
Introduzione 3
ai fault che generano asimmetrie sul campo generatore della coppia, come appunto i guasti
associati alla rottura delle barre di rotore; ed il secondo nel quale verr` a descritto il metodo
di diagnostica classico per questi dispositivi, ovvero lapproccio mediante analisi in frequenza
delle correnti di rotore, anche noto come Motor Current Signature Analysis (MCSA).
Nel quinto capitolo verr` a presentata la soluzione proposta per lidenticazione e lisolamento di
guasto su macchine asincrone, nellipotesi fossero prese in considerazione due fenomenologie
diverse di guasto, ovvero la rottura delle barre di rotore ed i disturbi dovuti a vibrazioni sul
carico della macchina; quindi si mostrer` a lefcienza di questo approccio confrontandolo col
noto approccio MCSA, inoltre poich e il modello usato per le simulazioni nali era stato fornito
dallequipe di del Politecnico di Valencia, in tale capitolo ` e presente poi tutta una parte relativa
alla validazione di tale modello.
Il sesto capitolo sar` a invece il capitolo conclusivo di questo lavoro, nel quale verranno rimarcati
gli ottimi risultati simulativi ottenuti in fase di testing dellalgoritmo proposto, si confronteran-
no tali risultati con quelli ottenuti mediante lapproccio MCSA ed inoltre verranno presentate
eventuali idee per progetti di lavoro futuri.
Capitolo 1
Introduzione alla FDI
1 Introduzione
Aumentare la produttivit` a di un processo industriale e le sempre pi` u stringenti speciche di
funzionamento hanno portato alla realizzazione di sistemi di controllo sempre pi ` u sosticati
e complessi. Diretta conseguenza di tutto ci` o, ` e stato un forte aumento della probabilit` a che si
verichino guasti nel sistema e che quindi comportamenti imprevedibili e potenzialmente critici
sia per la produzione che per la salvaguardia del processo vengano innescati.
Gli algoritmi di controllo classici, sono progettati per gestire esclusivamente piccole perturba-
zioni sul sistema che possono sorgere durante il funzionamento nominale dellimpianto, ma
non sono assolutamente in grado di gestire situazioni fortemente perturbative come ad esempio
quelle dovute ad anomalie.
Per questo motivo, sin dai primi anni 70 sia il mondo accademico che dellindustria hanno
hanno concentrato i loro sforzi per formalizzare tecniche che permettessero la rilevazione auto-
matica oltre che dei guasti anche dello dello stato di usura delle attrezzature/macchinari dellim-
pianto, in quanto come ben noto un guasto nellimpianto oltre che determinare un rallentamento
nella produzione e quindi un aumento dei costi operativi del sistema, pu` o anche innescare una
serie di guasti multipli che possono anche danneggiare pesantemente lo stato di salute di tutto
limpianto.
Pertanto, al ne di soddisfare le esigenze sulla sicurezza, afdabilit` a e sulle prestazioni nei
processi industriali, risulta importante individuare tempestivamente i guasti dei componenti di
1.2 Nomenclatura 5
sistema, come ad esempio anomalie sugli attuatori, sui sensori ed inoltre diagnosticare con
precisione lorigine e la gravit` a di ogni malfunzionamento in modo che le azioni correttive pi` u
appropriate possano essere intraprese.
In letteratura sono state sviluppate diverse metodologie attraverso le quali interfacciarsi a pro-
blematiche di rilevazione di guasto; le principali sono physical redundancy e lanalytical re-
dundancy. Nel primo caso gli stessi dispositivi che si vuole monitorare, ad esempio sensori o
attuatori, vengono ridondati cos` che, nel caso in cui il guasto avvenga il dispositivo ridondan-
te rimpiazzi nel ciclo di lavorazione quello difettoso. Lapproccio analitico invece ` e basato su
tuttaltri principi. Lidea di base consiste nellutilizzare un modello accurato del processo reale
che si desidera monitorare e nel qual caso il guasto si verichi; il rilevamento e lisolamento
dei guasti viene effettuato a partire dallanalisi dei residui generati dal confronto tra i misurati
dallimpianto e quelli stimati attraverso il modello (Model-Based-FDI).
Ovviamente questo approccio presenta diversi vantaggi rispetto al physical redundancy, primo
fra tutti quello di non richiedere attrezzature aggiuntive per portare a termine i suoi compiti, an-
che se soffre fortemente della necessit` a di avere un accurato modello del sistema da monitorare,
onde evitare ad esempio la chiamata di falsi allarmi, anche perch e il modello presenter` a sempre
delle incertezze rispetto al processo reale ed inoltre le misure provenienti dai sensori saranno
comunque affette da disturbi.
Queste considerazioni hanno portato a ricercare metodi robusti che permettessero di discrimi-
nare tra guasti ed errori dovuti alle incertezze di modello.
In questo capitolo faremo una panoramica dei principali approcci di rivelazione di guasto
attraverso metodologie analytical redundancy FDI.
2 Nomenclatura
LIFAC (International Federation of Automatic Control) visto il crescente interesse suscitato
nella comunit` a scientica in materia di Fault Diagnosis nel 1993 ha creato il primo comitato
tecnico in materia, con il compito di discutere ed approvare un linguaggio comunemente accet-
tato. Di seguito riportiamo alcuni termini che il SAFEPROCESS Techincal Committee stabil`
1.2 Nomenclatura 6
per facilitare la comunicazione ed il confronto di approcci differenti sviluppati sia in ambito
accademico che industriale e che ` e bene rimarcare in quanto costituenti le fondamenta di questo
settore dellingegneria.
1. Condizioni di funzionamento e segnali
Fault (Guasto)
Una deviazione non autorizzata di almeno un parametro del sistema da una condi-
zione di funzionamento nominale.
Failure (Interruzione)
Una interruzione permanente del servizio dovuta a particolari condizioni operative.
Malfunction (Malfunzionamento)
Il sistema presente frequenti ed intermittenti scostamenti rispetto alle condizioni
nominali di servizio.
Error (Errore)
Scostamento tra una variabile di uscita misurata/stimata ed il suo valore atteso/reale.
Disturbance (Disturbo)
Ingresso non noto e non controllabile agente sul sistema.
Residual (Residuo)
Indicatore di guasto che si basa sullo scostamento tra il valore vero assunto dal-
la variabile di interesse e quello stimato attraverso le equazioni del modello del
sistema.
Symptom (Sintomo)
Uno scostamento osservabile dalle condizioni di funzionamento nominale.
2. Attivit` a
Fault detection
Identicazione della tipologia e delloccorrenza di un guasto nel sistema.
Fault isolation
Identicazione della tipologia, delloccorrenza e della posizione di un guasto nel
sistema; segue la Fault Detection.
1.2 Nomenclatura 7
Fault identication
Determinazione dellampiezza e delle caratteristiche dinamiche del guasto; segue la
Fault Isolation.
Fault diagnosis
Diagnosi completa di guasto che prevede lidenticazione ed il completo isolamento
del guasto.
Monitoring
Operazione di monitoraggio ed acquisizione real-time di informazioni dal sistema
in modo da individuare eventuali comportamenti anomali.
Supervision
Operazioni di monitoraggio e coordinamento del processo in caso di guasto.
Protection
Operazioni attraverso le quali ` e possibile scongiurare situazioni potenzialmente pe-
ricolose come conseguenza di un guasto od un errore di sistema.
3. Modelli
Quantitative model
Modello rappresentativo del sistema mediante luso di relazioni statistiche tra varia-
bili e/o parametri del sistema e che fornisce informazioni di tipo quantitativo.
Qualitative model
Modello rappresentativo del sistema mediante luso di relazioni di tipo statico e/o
dinamiche tra le variabili del sistema e che fornisce informazioni di tipo qualitativo
sul suo comportamento.
Diagnostic model
Rappresenta un insieme di relazioni statiche e/o dinamiche tra le variabili di sistema
che permettono lIdenticazione di eventuali comportamenti anomali del sistema e
che permettono lidenticazione del guasto.
Analytical redundancy
Valutazione delle discrepanze tra landamento delle variabili di sistema e quelle di
un suo modello matematico semplicato attraverso il quale ` e possibile identicare
qualitativamente e quantitativamente eventuali comportamenti anomali del sistema.
1.2 Nomenclatura 8
4. Propriet` a dei sistema
Reliability (Afdabilit` a)
Capacit` a di un sistema a rispondere in maniera nota in determinate condizioni di
lavoro.
Safety (Sicurezza)
Capacit` a da parte del sistema di scongiurare qualsiasi situazioni pericolosa sia per
le persone che per le strutture situate in loco.
Availability (Disponibilit` a)
Probabilit` a che un sistema operi in maniera soddisfacente durante il suo servizio.
5. Caratteristiche temporali e modellazione dei guasti
Abrupt fault (Guasto improvviso)
Guasto modellato attraverso una funzione a gradino. Viene rappresentato come un
termine di bias
1
sul segnale monitorato.
Incipient fault (Guasto incipiente)
Guasto modellato attraverso una funzione a rampa. Viene rappresentato come un
termine di deriva sul segnale monitorato.
Intermittent fault (Guasto intermittente)
Comportamenti anomali intermittenti e non regolari sui segnali monitorati.
6. Tipologia di guasti
Additive fault
Il guasto interagisce in maniera additiva sulle variabili di sistema coinvolte. Ad
esempio come un offset sulle variabili misurate dai sensori.
Multiplicative fault
Il guasto interagisce in maniera moltiplicativa sulle variabili di sistema coinvolte.
Ad esempio una variazione parametrica rispetto ai valori nominali del sistema.
1
Disturbi sistematici che alterano un valore di riferimento; per esempio, una tensione anomala ricorrente in un
tratto di linea telegraca.
1.3 Confronto tra physical ed analytical redundancy 9
3 Confronto tra physical ed analytical redundancy
Tradizionalmente le tecniche di diagnosi di guasto erano basate su criteri di hardware/physical
redundancy. Tali approcci bench e ritenuti tra i pi` u efcaci sono riservati esclusivamente ad
applicazioni critiche in quanto possono portare a costi di manutenzione insostenibili dato che
richiedono la duplicazione di tutte le apparecchiature che coinvolgono la grandezza in analisi.
Considerando il conitto tra afdabilit` a e costi legati alla moltiplicazione dellhardware, si ` e
preferito ricorrere a differenti approcci che permettessero comunque lindividuazione real-time
di eventuali anomalie. In questo caso possiamo parlare di analytical o functional redundancy,
la quale permette attraverso un confronto tra grandezze misurate direttamente dallimpianto
ed altre variabili ad esso legate, ma ricavate per vie traverse di monitorare tutto limpianto.
Nel contesto della analytical redundancy viene chiamato residuo o sintomo il segnale errore
ricavato come differenza tra la dinamica effettiva del sistema e quella nominale ricavata ad
esempio attraverso modelli del processo considerato; in base a quanto detto teoricamente quindi
il residuo risulter` a diverso da zero solo quando il sistema si trover` a in stato di fault.
Figura 1.1: Confronto tra analytical e physical redundancy.
In Figura 1.1 riportiamo un esempio di un processo il cui monitoraggio ` e eseguito sia attraver-
so analytical che physical redundancy, dove possiamo osservare che a prescindere dal tipo di
ridondanza utilizzata, deve comunque essere sempre presente un decisore che in real-time ha
il compito di tenere sotto controllo i residui e segnalare al sistema di supervisione eventuali
discrepanze rispetto ai valori attesi/desiderati.
Principalmente questa operazione viene eseguita attraverso il confronto con delle soglie tarate
ad hoc in maniera da individuare il guasto; punto dolente di questo approccio ` e per` o linevi-
1.4 Tecniche model-based FDI 10
tabile presenza di rumore sulle misure che quindi possono determinare falsi allarmi, mentre il
principale vantaggio ` e che non sono richieste apparecchiature aggiuntive ma solo sistemi a mi-
croprocessore dove implementare via software gli algoritmi di fault detection. In particolare si
parla pu` o parlare di algoritmi model-based FDI quando lidenticazione di guasto viene effet-
tuata mediante confronti tra le variabili del sistema e le medesime ricavate attraverso modelli
matematici del sistema in analisi.
4 Tecniche model-based FDI
Queste tecniche di diagnostica come precedentemente accennato permetto lidenticazione di
anomalie sul sistema mediante confronto tra le uscite del processo reale e quelle di un modello
matematico approssimato di tale sistema. In Figura 1.2 riportiamo lo schema logico di base di
questa approccio metodologico.
Figura 1.2: Schema logico di un sistema model-based FDI.
Principalmente esistono tre diversi approcci model-based FDI per effettuare diagnosi di guasto
e a seconda della natura del fenomeno che desideriamo osservare ` e preferibile scegliere un
approccio piuttosto che un altro.
1. Diagnosi mediante osservatori delle uscite (Output Observer, estimators, lter).
2. Diagnosi mediante su equazioni di parit` a (parity equation).
1.5 Incertezze di modello e Fault Detection 11
3. Diagnosi mediante identicazione e stima parametrica.
Dove possiamo dire che residui nel caso 1 sono generati attraverso confronti con modelli i cui
parametri sono costanti, nel caso 2 attraverso modelli che possono essere sia parametrici che
non, mentre modelli adattativi sono utilizzati nel caso 3 ovvero modelli per la stima parametrica.
Nel caso in cui siano accessibili esclusivamente alle variabili di uscita del nostro processo y(t)
come spesso accade nei sistemi elettrici o nelle macchine rotative possiamo utilizzare anche un
approccio detto signal model-based. Tipicamente i metodi di rilevazione signal mode-based pi ` u
comuni sono:
1. Bandpass lters
2. Analisi spettrale (FFT)
3. Maximum-entropy estimation
5 Incertezze di modello e Fault Detection
Le tecniche mode-based FDI come gi` a accennato soffrono fortemente le incertezze di modello e
gli inevitabili disturbi sui sensori, per questo motivo sistema e modello presentano sempre delle
inevitabili discrepanze anche in condizioni nominali di lavoro. Per superare questo problema
` e quindi necessario implementare modelli che siano il pi ` u possibile insensibili alle incertezze
di modello, purtroppo per` o ridurre eccessivamente la sensibilit` a ai disturbi pu` o comportare an-
che una riduzione della sensibilit` a ai guasti. La difcolt` a consiste quindi nellindividuare quali
grandezze nel sistema nel sistema in analisi, si eccitino fortemente quando ` e presente il fault; in
questo caso parleremo di Unknown Input Observer (UIO). Altro difcile compito che si propo-
ne la model-based FDI ` e quello di diagnosticare guasti incipienti, i quali a differenza dei guasti
cosi detti improvvisi sollecitano molto meno i residui ed anzi ` e possibile che gli inevitabili di-
sturbi sul sistema n e nascondino la presenza. Infatti un guasto incipiente non necessariamente
determina un degrado delle prestazioni del sistema.
In questo caso come supporto agli algoritmi di FDI si usano anche strumenti statici per lo studio
della deriva parametrica dei parametri del sistema come ad esempio
1.6 Il problema della robustezza nella FDI 12
Mean and variance estimation;
Likelihood-ratio test, Bayes decision;
Run-sum test.
6 Il problema della robustezza nella FDI
Nel contesto dei controlli automatici il termine robusto ` e solitamente utilizzato per descrivere la
capacit` a del sistema di controllo di mantenere ottime prestazioni anche in presenza di disturbi
o incertezze di modello limitate; per quanto riguarda la FDI invece losservatore deve essere
robusto rispetto ai disturbi, ma sensibile ai guasti e quindi anche alle variazioni parametriche.
Generalmente il problema della robustezza nella FDI pu` o essere scomposto in due fasi, la prima
` e la robust residual generation seguita poi dalla robust residual evaluation. Si noti inoltre che
nella maggior parte dei casi, i problemi legati alla precisione del modello e agli eventuali disturbi
sono spesso legati al fatto che si modella il sistema come lineare bench e questo non lo sia, per
cui ` e bene, a discapito di una maggiore complessit` a, implementare anche le nonlinearit` a di
modello. In questi casi quindi si ricorre ai cos` detti unknown input observer (UIO).
7 Identicazione di identicazione dei guasti
Lidenticazione di un guasto pu` o essere considerata come la fase conclusiva di una procedura
FDI ed ha il compito di segnalare o meno la presenza di un guasto o anomalia sul sistema e
contemporaneamente evitare falsi allarmi. Nel caso in cui alloccorrenza di un guasto fossero
associati pi` u sintomi un criterio di valutazione pu` o essere quello di classicare i diversi sintomi
e ad esempio implementare un decisore che attraverso le informazioni estrapolate dal sistema,
utilizzando metodi geometrici o statistici fornisca un informazione sullo stato del sistema. I
criteri pi` u comuni per lidenticazione di guasto sono i seguenti:
Geometrical distance
Probabilistic Decisor
Articial neural network
Fuzzy clustering
1.8 Riassunto 13
8 Riassunto
In questo primo capitolo si ` e cercato di riportare i concetti base relativi alla fault diagnosis al
ne di fornire al lettore le conoscenze di base per il proseguo della lettura di questo lavoro di
tesi. Nel capitolo successivo invece si entrer` a nel dettaglio di quelle che sono tecniche di dia-
gnosi ed identicazione di guasto note in letteratura.
Nel terzo capitolo verranno presentati i cosiddetti osservatori sliding mode (SMO) e descrive-
remo come questi algoritmi possano essere utilizzati per la ricostruzione dei residui associati ai
guasti, quindi introdurremo i cos` detti high order sliding-mode observers (HOSMO) e mostre-
remo come questi siamo utilizzati per eseguire la Fault recontruction via HOSMO.
Successivamente presenteremo la macchina asincrona trifase, ne descriveremo il funzionamento
e quindi le tipologie di guasto cui questa ` e soggetta, mentre negli ultimi due capitoli presente-
remo lalgoritmo di FDI proposto e ne analizzeremo i risultati.
Capitolo 2
Tecniche di diagnostica model based
1 Introduzione
La model-based FDI negli ultimi decenni ha suscitato parecchio interesse sia in ambito acca-
demico che industriale ed in questo capitolo concentreremo la nostra attenzione sulle strutture
standard per la realizzazione di algoritmi di FDI.
In particolare ci focalizzeremo sullimportanza di una corretta modellazione del sistema dei fe-
nomeni di guasto e inoltre vedremo le principali strutture controllo attraverso le quali ` e possibile
generare i residui e quindi effettuare operazioni di diagnostica sul sistema.
Figura 2.1: Struttura logica di un sistema model-based FDI.
2 Tecniche model-based FDI
In accordo con quanto detto nel precedente capitolo, i guasti sono rilevati mediante il confronto
attraverso soglie, sse o variabili, tra le grandezze del sistema reale e le loro stime ricavate
2.3 Modellazione del sistema in stato di fault 15
attraverso il modello del sistema. In Figura 2.1 riportiamo lo schema logico generale di un
sistema di diagnostica, dove possiamo individuare le due fasi principali di questo processo:
1. Residual generation: Questo blocco ha il compito di generare i residui utilizzando gli
ingressi e le uscite del sistema reale. Dove i residui, chiamati anche sintomi, devono essere
nulli, o comunque assumere valori ridotti se il sistema ` e in condizioni nominali, mentre
devono eccitarsi fortemente alloccorrenza del guasto.
2. Residual evaluation: Questo blocco ha il compito di esaminare i residui e determinare
la presenza o meno del guasto. Come implementare questo blocco invece dipende dalla
tipologia di sistema in analisi e dal tipo di informazioni che si hanno del sistema, solita-
mente si utilizzano dei confronti con delle soglie sia con grandezze nel domino del tempo
che nella frequenza. In casi particolari si possono utilizzare anche metodi statistici o di
pattern recongnition.
Nella sezione successiva presenteremo diverse strategie relative alla risoluzione di problemi
legati alla Residual Generation.
3 Modellazione del sistema in stato di fault
Il primo passo nella model-based FDI consiste nel realizzare un modello matematico del siste-
ma sotto investigazione in grado di avere delle risposte fedeli a quelle del sistema reale anche
in caso di guasto.
Osservando lo schema logico in Figura 2.2 possiamo individuare immediatamente le compo-
nenti principali dellimpianto sotto investigazione, ovvero il processo (Plant), gli attuatori (Ac-
tuator), i sensori sugli ingressi e sulle uscite del processo (I/O Sensors) ed inne il controllore
(Controller).
Sempre in gura possiamo individuare il blocco FDI, il quale esegue le funzioni di diagnostica
per mezzo delle misure e quindi dei segnali u(t) e y(t). Bisogna sottolineare per` o che a volte il
segnale u(t) pu` o risultare non accessibile, in questi allora casi gioca un ruolo importantissimo
il segnale di controllo u
R
(t); nota negativa di tutto ci ` o ` e che in questo caso anche lattuatore
entrer` a a far parte del processo da monitorare.
Figura 2.2: Sistema model-based FDI ad anello chiuso.
Figura 2.3: Impianto da monitorare.
Nellipotesi che limpianto possa essere rappresentato come un sistema lineare, allora la sua
dinamica potr` a essere rappresentata da un sistema di equazioni dinamiche del tipo
_
x(t) = Ax(t) +Bu
(t)
y
(t) = Cx(t)
(2.1)
dove x
n
rappresenta il vettore di stato del sistema ed u

p
, y
m
rispettivamente gli
ingressi e le uscite del processo. Da notare che si ` e supposta la non istantaneit` a degli ingressi
sulle uscite (D = 0). A questo punto prendendo come riferimento limpianto in Figura 2.3,
avremo che la prima equazione della (2.1) pu` o essere modicata come
x(t) = Ax(t) +Bu
(t) +f
c
(t) (2.2)
dove f
c
(t) rappresenta il vettore dei possibili guasti sul sistema. In alcuni casi ad esempio il
guasto comporta cambiamenti nei parametri del sistema e quindi in alcune righe della matrice
A, per cui una possibile struttura per il vettore dei guasti pu` o essere:
f
c
(t) = I
i
(t)a
ij
x
j
(t) (2.3)
dove x
j
(t) ` e la j-esima componente del vettore di stato x(t) e I
i
` e un vettore n-dimensionale
con tutti zeri tranne che nella i-esima componente.
Osservando la Figura 2.3 e trascurando le dinamiche dei sensori possiamo notare che sia luscita
che lingresso del processo non sono disponibili direttamente e possono essere espressi dalle
seguenti relazioni
_
u(t) = u
(t) +f
u
(t)
y(t) = y
(t) +f
y
(t)
(2.4)
dove f
u
(t) = [f
u
1
. . . f
u
r
]
T
e f
y
(t) = [f
y
1
. . . f
y
m
]
T
sono dei vettori scelti in modo da poter
modellare eventuali situazioni di guasto nei sensori; ad esempio le uscite dei sensori potrebbero
essere bloccate ad un valore sso u(t) = u a causa di un malfunzionamento ` e quindi in tal
caso il vettore di guasto potrebbe essere rappresentato come f
u
(t) = u
(t) + u, oppure
supponendo che il sensore sia affetto da un rumore moltiplicativo , allora la grandezza che
andremo a misurare diventer` a u = (1 + ) u
(t) e quindi il segnale di fault risulter` a pari a

f
u
(t) = u
(t).
Come descritto nel capitolo precedente, spesso i guasti possono essere rappresentati attraverso
funzioni a gradino od a rampa a seconda che si siamo modellando guasti improvvisi o incipienti.
Inoltre per ragioni tecniche le misure sono inoltre affette da rumore di misura, per cui sotto tali
ipotesi quindi la (2.4) pu` o essere riscritta come
_
u(t) = u
(t) + u(t) +f
u
(t)
y(t) = y
(t) + y(t) +f
y
(t)
(2.5)
dove u(t) e y(t) rappresentano i termini di rumore, i quali possono venire modellati con delle
distribuzioni gaussiane a media nulla. In riferimento al sistema in Figura 2.3 e nellipotesi che
lattuatore possa essere rappresentato da una relazione puramente statica, possiamo scrivere
u
(t) = u
R
(t) +f
a
(t) (2.6)
dove come visto per i sensori f
a
(t)
n
rappresenta il vettore di guasto associato allattuatore.
Figura 2.4: Impianto da monitorare con segnale di attuazione con sia accessibile.
Ad ogni modo nellipotesi che il segnale di attuazione sia misurabile, e che siano trascurati i
rumori sui sensori il modello del processo con guasto potr` a essere rappresentato come segue
_
_
x(t) = Ax(t) +f
c
(t) +Bu
(t)
y(t) = Cx(t) +f
y
(t)
u(t) = u
(t) +f
u
(t)
(2.7)
Mentre nel caso in cui u
(t) non sia accessibile, come mostrato in Figura 2.4, il modello

rappresentativo dellimpianto pu` o sar` a il seguente
_
_
x(t) = Ax(t) +f
c
(t) +Bf
a
(t) +Bu
(t)
y(t) = Cx(t) +f
y
(t)
u(t) = u
(t) +f
u
(t)
(2.8)
per cui posto
f(t) =
_
f
T
a
, f
T
u
, f
T
c
, f
T
y
T
(2.9)
possiamo riscrivere la (2.8) come
_
_
x(t) = Ax(t) +Bu
(t) +L
1
f(t)
y(t) = Cx(t) +L
2
f(t)
u(t) = u
(t) +L
3
f(t)
(2.10)
dove il vettore f(t)
k
` e un vettore di funzioni incognite, mentre le matrici L
1
, L
2
e L
3
sono
note e descrivono la maniera attraverso la quale i guasti intervengono sul sistema in analisi. Se
volessimo invece esprimere il sistema in termini di funzione di trasferimento avremo
y(s) = G
yu
(s)u
(s) +G
yf
(s)f(s) (2.11)
con
_
G
yu
(s) = C(sI A)
1
B
G
yf
(s) = C(sI A)
1
L
1
+L
2
(2.12)
2.4 Strutture per la generazione dei residui 19
Possiamo notare che sia il sistema espresso nel domino del tempo (2.8), che nella frequenza
(2.9) trovano un vasto utilizzo nelle metodologie di FDI in particolare, spesso si preferisce
lapproccio nel domino della frequenza quando leffetto del guasto si riscontra a particolari
frequenze, come nel caso delle macchine elettriche, mentre la descrizione in variabili di stato si
preferisce per la modellazione di sistemi particolarmente affetti da incerte e che necessitano di
tecniche robuste per la generazione di residui.
Si vuole precisare inoltre che sebbene la maggiorparte dei sistemi sotto osservazione siano
nonlineari, la modellazione di questi attraverso sistemi lineari permette comunque di ottenere
buoni risultati, ad ogni modo nel capitolo successivo vedremo quelle che sono le tecniche di
FDI nonlineare a garantire oltre che prestazioni migliori anche una maggiore robustezza nella
generazione dei residui.
4 Strutture per la generazione dei residui
Le tecniche di FDI pi` u frequentemente utilizzate sfruttano la conoscenza a priori di alcune ca-
ratteristiche del sistema in stato di fault, come ad esempio il range delle dinamiche ad esso
associate o la ricchezza spettrale delle grandezze di interesse. In questo paragrafo descrivere-
mo in maniera pi` u dettagliata il funzionamento del blocco Residual Generation mostrato in
Figura 2.1 ed alcuni criteri per la generazione dei residui, ovvero i segnali rappresentativi delle
discrepanze tra sistema in stato di fault ed il modello matematico utilizzato per la model-based
FDI.
Prendendo come struttura di riferimento lo schema in Figura 2.5, possiamo notare che il residuo
r(t) viene ricavato attraverso un segnale ausiliario z(t) generato dalla funzione W
1
(u( ), y( )),
il quale una volta ltrato dal blocco W
2
(z( ), y( )) permette di ricavare il residuo.
Da notare che nel caso in cui non ci fosse alcun fault avremo
_
z(t) = W
1
(u( ), y( ))
r(t) = W
2
(z( ), y( )) = 0
(2.13)
Mentre quando interviene il guasto sul processo, il residuo r(t) diventa diversa da zero. Ad
esempio, se fosse W
1
identico al processo, non si avrebbe necessit` a di misurare luscita y(t),
infatti si avrebbe z(t) = W
1
(u(t)) e quindi il relativo residuo potrebbe essere espresso come
2.4 Strutture per la generazione dei residui 20
r(t) = z(t) y(t); si noti per` o che questo approccio ` e valido solo in linea di principio, in
quanto essendo il sistema ad anello aperto, la stabilit` a di questo algoritmo potrebbe non essere
garantita.
Figura 2.5: Struttura generale per un generatore di residui.
Figura 2.6: Una possibile struttura per un generatore di residui.
Un altra possibile struttura per un generatore di residui ` e riportata in Figura 2.6, dove vengono
utilizzate le matrici di trasferimento riportate in (2.12); in questa struttura, proposta in [3], il
generatore di residui pu` o essere rappresentato matematicamente attraverso la seguente relazione
r(t) =
_
H
u
(s) H
y
(s)
_
_
u
(s)
y(s)
_
= H
u
(s)u
(s) +H
y
(s)y(s) (2.14)
dove H
u
(s) e H
y
(s) sono delle matrici di trasferimento opportune e stabili, mentre u
(s)
e y(s) corrispondono alle trasformate di Laplace delle grandezze di ingresso ed uscita del
2.5 Tecniche di generazione dei residui 21
processo sotto osservazione. In accordo con la denizione di residuo avremo
r(t) = 0 se e solo se f(t) = 0 (2.15)
Al ne di soddisfare la condizione (2.15) le matrici di trasferimento H
u
(s) e H
y
(s) devono
essere scelte in modo tale che in assenza di guasto si abbia
H
u
(s)u
(s) +H
y
(s)G
yu
(s) = 0 (2.16)
e questo ` e possibile scegliendo una opportuna parametrizzazione per tali funzioni di riferimen-
to. Una volta generati i residui il pi` u semplice e comune criterio di valutazione ` e quello di
confrontare i segnali r(t) o eventuali funzioni ad essi associate J(r(t)) con opportune funzioni
di soglia (t) come segue
_
J (r(t)) (t) per f(t) = 0
J (r(t)) > (t) per f(t) = 0
(2.17)
dove f(t) ` e il vettore di guasto presentato nella (2.9). Questo approccio risulta particolarmente
valido nel caso in cui il processo operi a regime stazionario, infatti in queste condizioni ` e pos-
sibile scegliere le funzioni di soglia costanti (t) = ; ovviamente tali sogli non devono essere
troppo ridotte in quanto nella pratica difcilmente il residuo sar` a nullo, ma bens` avr` a sempre
valori prossimi allo zero in condizioni nominali (free-fault condition).
5 Tecniche di generazione dei residui
Come precedentemente sottolineato la generazione dei residui rappresenta la principale proble-
matica nellimplentazione di algoritmi di diagnosi model-based. In questo paragrafo descrivere-
mo brevemente quelle che sono le tre pi` u comuni tecniche di approccio al problema di residual
generation:
1. FDI attraverso stima di parametri (Parameter Estimation)
2. Approcci basati su osservatori (Observer-Based)
3. Approcci basati su confronti mediante vettori di parit` a (Parity Vector)
2.5.1 FDI Parameter Estimation 22
5.1 FDI Parameter Estimation
Nella maggior parte dei casi pratici, difcilmente i parametri del processo sono esattamente no-
ti, per cui questi possono venire ricavati attraverso criteri di stima mediante interpolazione tra
ingressi ed uscite del sistema.
Questo approccio ` e basato sullassunzione che i guasti determinino variazioni parametriche sul
sistema sotto osservazione, sotto tali ipotesi attraverso un monitoraggio in tempo reale del-
le variazioni parametriche del sistema ` e quindi possibile individuare eventuali comportamenti
anomali del sistema.
Di seguito presenteremo i due approcci di parameter estimation attraverso i quali ` e possibile
tenere sotto osservazione limpianto.
Figura 2.7: Sistema di diagnostica con stimatore parametrico ad equazione derrore.
Metodi ad equazione derrore
Preso un generico sistema SISO di ordine n e denita la sua risposta dinamica come:
y(t) =
T
(t) (2.18)
dove
T
= [a
1
. . . a
n
, b
1
. . . b
m
]
T
(2.19)
` e un vettore che contiene tutti i parametri del sistema, mentre (t) ` e un vettore contenente le
dinamiche degli ingressi e delle uscite del sistema
T
(t) = [y
(1)
(t) . . . y
(n)
(t) u(t) . . . u
(m)
(t)] (2.20)
Sulla base dello schema in Figura 2.7 possiamo introdurre la seguente equazione derrore
e(t) = y(t)
T
(t) (2.21)
inoltre denita la funzione di trasferimento del processo come
G
yu
(s) =
Y (s)
U(s)
=
b
0
+ b
1
s + + b
m
s
m
1 + a
1
s + + a
n
s
n
(2.22)
possiamo riscrivere la (2.21) come
e(t) = L
1
_
B(s)U(s)

AY (s)
_
(2.23)
dove

A(s) e

B(s) corrispondono alle stime dei polinomi A(s) e B(s) del processo reale.
A questo punto sulla base di un processo di stima ai minimi quadrati (Least Square)
1
si ricava
il vettore dei parametri stimati
= [
T
]
1
T
y (2.24)
ottenuto mediante la minimizzazione del seguente sistema
_
J() =
t
e
2
(t) = e
T
e
dJ())
d)
= 0
(2.25)
dove J() rappresenta lerrore quadratico tra valori reali e stimati.
Metodi ad equazione derrore sulluscita
In questo approccio lequazione derrore anzich e avere la forma (2.21) ` e denita come
e(t) = y(t) y(, t) (2.26)
dove
Y (, s) =
B(s)
A(s)
U(s) (2.27)
rappresenta luscita del modello nello schema in Figura 2.10.
In questo caso per` o la stima diretta del vettore di parametri non ` e possibile in quanto il
1
Il metodo ai minimi quadrati (Ordinary Least Squares) ` e una tecnica di ottimizzazione che permette di trovare
una funzione che si avvicini il pi` u possibile ad uninterpolazione di un insieme di dati (tipicamente punti del piano).
In particolare la funzione trovata deve essere quella che minimizza la somma dei quadrati delle distanze dai punti
dati.
Figura 2.8: Sistema di diagnostica con stimatore parametrico derrore sulluscita.
segnale e(t) risulta funzione non lineare di questi ultimi.
Per cui la funzione derrore (2.26), cos` come la (2.21), dovr` a essere minimizzata attraverso
metodi numerici, dove per` o in questo caso il carico computazionale sar` a molto maggiore in
quanto lidea di base di questo algoritmo ` e lidenticazione real-time del fault.
Analizzando questo criterio di stima, possiamo vedere che questo algoritmo risulta efciente per
lindividuazione di guasti incipienti, in quanto supponendo una variazione dei parametri
del processo, si avr` a che questa variazione comporter` a una medesima variazione sulluscita del
processo in accordo con
y(t) =
T
(t)(t) +
T
(t)(t) +
T
(t)(t) (2.28)
ed essendo funzione dei parametri reali del processo p, come ad esempio valori di resistenza
o fattori di smorzamento), questa potr` a essere espressa come una funzione non lineare di questi
ultimi
(t) = f(p) (2.29)
per cui se questa relazione risulta invertibile almeno localmente
p = f
1
() (2.30)
allora ` e possibile individuare le variazioni parametriche del sistema p.
2.5.2 FDI Parity Equation 25
5.2 FDI Parity Equation
Lidea di base di questo approccio consiste nel vericare la consistenza (parity) delle misure
acquisite dal sistema; queste tecniche risultano spesso applicate sia nel caso i cui si utilizzi una
ridondanza delle apparecchiature (physical redundancy), sia nel caso si utilizzino criteri basati
su modelli (analytical redundancy).
Vediamo ora di spiegare questa metodologia per lapproccio basato su modelli. Dato un pro-
cesso da monitorare G
P
(s) =
A(s)
B(s)
, lidea di base ` e come al solito far lavorare il processo in
parallelo ad un modello fedele del sistema caratterizzato dalla seguente matrice di trasferimen-
to G
M
(s) =

A(s)
B(s)
; sulla base di ci` o ` e allora possibile denire un vettore errore che mostri le
discrepanze tra sistema e modello come
r(t) = L
1
__
B(s)
A(s)

B(s)
A(s)
_
U(s)
_
(2.31)
Lo schema concettuale di questo approccio ` e riportata in Figura 2.9(a).
(a)
(b)
Figura 2.9: Metodi di FDI con equazioni di parit` a.
Simile a questo metodo ` e quello riportato in Figura 2.9(b), dove nellipotesi che non ci sia alcun
2.5.3 Approccio Observer-based 26
fault vale
B(s)A(s) =
B(s)
A(s)
r(t) = 0 (2.32)
mentre nel caso in cui intervengano anomalie sugli ingressi o sulle uscite come ad esempio
u(t) = u
(t) +f
u
(t)
y(t) = y
(t) +f
y
(t)
(2.33)
il residuo r(t) assumer` a il seguente forma
r(t) = L
1
_
B(s)
A(s)
f
u
(s) f
y
(s)
_
(2.34)
dalla quale sar` a possibile individuare immediatamente la presenza di una qualsiasi anomalia nel
sistema. Da notare che questo approccio, sebbene in linea di principio risulti molto valido ovvia-
mente risente parecchio delle incertezze sul modello; inoltre nel caso di sistemi SISO, essendo
possibile generare un solo residuo, il processo di identicazione risulta parecchio difcoltoso.
Figura 2.10: Schema logico di un processo con osservatore dello stato.
5.3 Approccio Observer-based
Lidea sulla quale si fonda questo metodo ` e quella di stimare le uscite del sistema utilizzando
un osservatore di Luemberger nel caso deterministico od un ltro di Kalman nel caso in cui si
operi un ambiente fortemente rumoroso. Possiamo vedere che nellambito della fault diagno-
sis lutilizzo degli osservatori deve essere sfruttato non per stimare tutto lo stato del sistema
(ovvero anche le variabili non accessibili), ma esclusivamente per avere una buona stima delle
Figura 2.11: Processo MIMO nel quale coesistono segnali di fault e disturbi.
variabili di uscita di questultimo in quanto il fault potr` a essere individuabile solo sfruttando
le informazioni acquisite dal processo e non andando a lavorare sulle stime delle variabili non
accessibili, in quanto queste potrebbero dare informazioni poco attendibili. Infatti imporre sul
modello del processo sano, attraverso un controllo in retroazione un comportamento identico a
quello dellimpianto in stato di fault comporter` a una forte eccitazione del segnale di controllo,
cosa che invece non si vericher` a nel caso in cui il sistema fosse sano.
Vediamo ora la procedura per ottenere un osservatore dello stato nellipotesi che il sistema da
monitorare sia modellato come un sistema lineare. Supponendo che la dimanica del processo
possa essere rappresentata dalle seguenti equazioni
_
x(t) = Ax(t) +Bu(t)
y(t) = Cx(t)
(2.35)
con u(t)
r
, x(t)
n
e y(t)
m
. Nellipotesi che le matrici A, B e C siano perfetta-
mente note e che il sistema (2.35) sia osservabile, ` e possibile attraverso il seguente osservatore
_

x(t) = A x(t) +Bu(t) +He(t)
e(t) = y(t) C x(t)
(2.36)
ricostruire tutto lo stato del sistema esclusivamente misurando gli ingressi u(t) e le uscite y(t).
In Figura 2.10 ritroviamo lo schema dellosservatore (2.36). Per quanto riguarda lerrore di
stima sullo stato possiamo facilmente ricavare la sua dinamica come
_
e
x
(t) = x(t) x(t)
e
x
(t) = (AHC) e
x
(t)
(2.37)
dove avremo che lerrore
lim
t
e
x
(t) = 0 (2.38)
e quindi e(t) tender` a a zero se e solo se sar` a asintoticamente stabile, risultato questo facilmente
ottenibile scegliendo opportunamente gli autovalori dellosservatore per mezzo della matrice
H.
Vediamo ora il caso in cui il processo risulti soggetto a dei guasto o dei disturbi come in
Figura 2.11; in questo caso la dinamica (2.35) potr` a essere riscritta come
_
x(t) = Ax(t) +Bu(t) +Q(t) +L
1
f(t)
y(t) = Cx(t) +Rw(t) +L
2
f(t)
(2.39)
dove v(t) e w(t) rappresentano rispettivamente dei disturbi non misurabili in ingresso ed in
uscita, mentre f(t) rappresenta il vettore dei guasti presentato nella (2.9) pesato attraverso le
matrici L
1
ed L
2
.
Nellipotesi che possano essere trascurati i disturbi v(t) e w(t), grazie ad esempio ad operazioni
di ltraggio, lerrore sulla stima dello stato pu` o essere espresso come
e
x
(t) = (AHC) e
x
(t) +L
1
f(t) HL
2
f(t) (2.40)
mentre lerrore sulle uscite diventa
e(t) = Ce
x
(t) +L
2
f(t) (2.41)
dove si pu` o facilmente notare che il vettore dei guasti t(t) modella dei guasti di tipo additivo, in
quanto questo termine va a sommarsi alle sia nellequazione della dinamica (2.39) che nelle-
quazione dellerrore sullo stato (2.40); quindi al momento in cui interviene il guasto gli errori
e
x
(t) che e(t) che precedentemente erano nulli si discostano da questo valore ed assumono una
dinamica descritta dalle (2.40) e (2.41) e quindi entrambi questi segnali possono essere presi
come residui.
Vediamo ora il caso in cui il lintervento del fault determini delle variazioni parametriche A
e B sul sistema; in tal caso la (2.35) pu` o essere riscritta come
_
x(t) = (A+ A) x(t) + (B + B) u(t)
y(t) = Cx(t)
(2.42)
2.6 Schemi di base observer-based FDI 29
e le equazioni rappresentative degli errori diventano
_
e
x
(t) = (AHC) e
x
(t) + Ax(t) + Bu(t)
e(t) = Ce
x
(t)
(2.43)
Osservando le ultime due relazioni ` e facile notare che in questo caso, la tipologia di guasto non
` e pi` u di tipo additivo, ma bens` di tipo moltiplicativo il che comportata una minore sensibilit` a
del residuo al guasto rispetto al caso additivo.
6 Schemi di base observer-based FDI
In questo paragrafo daremo una descrizione sommaria delle principali congurazioni observer-
based utilizzate per la diagnosi di guasto, in particolare vedremo i seguenti approcci
1. Osservatori dedicati per processi MIMO
2. Fault Detection Filters per processi MIMO
3. Output Observer
Maggiori informazioni su tali argomenti sono disponibili in [3], [4], [5], [16].
6.1 Osservatori dedicati per processi MIMO
- Osservatori eccitati da una sola uscita: losservatore ` e guidato da una sola variabile mi-
surata, mentre le altre uscite del sistema vengono ricostruite dal modello y e confrontate
con quelle reali y(t) [7].
- Banco di osservatori eccitati da tutte le uscite: vengono progettati diversi osservatori ogni
uno per rilevare un particolare guasto e la rivelazione avviene individuando il residuo
minore, in quanto ogni osservatore modella il sistema affetto da un particolare guasto [8].
- Banco di osservatori eccitati da una singola uscita: si utilizzano diversi osservatori ed
una sola uscita del processo reale per ottenere la stima y quindi si confronta questa con
le effettive uscite del processo y(t). Questa tecnica permette lindividuazione di guasti
multipli sui sensori (Dedicated Observer Scheme, DOS) [7].
2.6.2 Fault Detection Filters per processi MIMO 30
- Banco di osservatori eccitati da tutte le uscite eccetto una: Simile alla precedente tecnica
ad eccezione che ciascun osservatore viene eccitato da tutte le uscite eccetto quella che si
vuole supervisionare. (Generalised Observer Scheme, GOS) [9], [10],
In Figura 2.12 e Figura 2.13 riportiamo rispettivamente lo schema logico per osservatori di tipo
DOS e di tipo GOS.
Figura 2.12: Schema UIO DOS (Dedicated Observer Scheme).
Figura 2.13: Schema UIO GOS (Generalised Observer Scheme).
6.2 Fault Detection Filters per processi MIMO
- La matrice di H che esegue la retroazione statica dello stato sullosservatore in (2.36)
viene scelta in modo che, a seconda del fault che interviene, ad esempio L
1
f(t) o L
2
f(t),
2.6.3 Output Observer 31
il vettore dei residui r(t) assuma una direzione particolare nel proprio spazio vettoriale
[11], [12], [13].
Con questo approccio la procedura di isolamento del guasto consiste nella determinazione
di quale orientamento assume il vettore dei residui nel proprio spazio di stato, noti i diversi
comportamenti del sistema per ogni tipologia di guasto da identicare.
Figura 2.14: Schema logico di un processo monitorato mediante Output Observer Approach.
6.3 Output Observer
Questultimo approccio permette la ricostruzione delle uscite del sistema attraverso losserva-
tore, dove per` o in questo caso non siamo interessati alla stima di tutto lo stato x(t), ma solo
ad avere informazione sulle discrepanze tra uscite del processo e quelle modello o meglio sulla
forza del controllo necessario per portare a zero lerrore tra queste grandezze.
In questo contesto risulta degno di nota il lavoro di Chen, Patton e Zang riguardante le tecniche
di progetto di osservatori robusti per applicazioni FDI [14].
In Figura 2.14 mostriamo un semplice esempio per questo approccio, infatti denita la seguente
trasformazione lineare
z(t) = Tx(t) (2.44)
la rappresentazione in variabili di stato dellosservatore risulta
z(t) = F z(t) +Ju(t) +Gy(t) (2.45)

2.7 Unknown Input Observer nella FDI 32
mentre il residuo r(t) pu` o essere espresso come segue
r(t) = W
z
z(t) +W
y
y(t) (2.46)
In questo caso lerrore sulla stima dello stato del sistema varr` a
e
x
(t) = z(t) z(t) = z(t) Tx(t) (2.47)
Sotto tali assunzione possiamo vedere come la dinamica dellerrore dipender` a direttamente
dalle discrepanze tra il sistema reale ed il modello.
7 Unknown Input Observer nella FDI
Allaumentare della complessit` a del sistema sotto osservazione si riduce ovviamente il grado di
conoscenza sul sistema stesso, in quanto incertezze sulla struttura del sistema, eventuali disturbi
o incertezze sui sui valori effettivi dei suoi parametri sono problemi allordine del giorno nella
FDI. In altre parole possiamo dire che esistono diversi problemi di robustezza sugli algoritmi di
FDI e per questo motivo sia in ambito accademico che industriali sono state sviluppate diverse
tipologie di approcci al problema [4] [15].
Questi approcci sono quindi basati sul principio di disaccoppiamento degli ingressi, ovvero
devono permettere lidenticazione dei guasti effettuando un disaccoppiamento tra i diversi un-
known input del sistema, dato che solo alcuni saranno relativi al fault mentre gli altri saranno
relativi a disturbi scorrelati dalla presenza del guasto ma che comunque comportano discrepan-
ze tra sistema e modello.
In questo e nei successivi paragra mostreremo quelle che sono le strutture di base per la rea-
lizzazione di UIO nellambito della FDI. Si noti che il successo di questi criteri ` e strettamente
legato alle conoscenza dei sintomi che produce il fault sul sistema, in quanto bench e si desideri
linsensibilit` a del sistema ai disturbi o agli errori di modello, ` e comunque necessaria una certa
sensibilit` a ai fault.
Di seguito presentiamo un semplice UIO nel caso in cui il processo sia rappresentato attraverso
un sistema lineare. Per cui dato il seguente processo
_
x(t) = Ax(t) +Bu(t) +Ed(t)
y(t) = Cx(t)
(2.48)
2.7.1 Implementazione matematica di un UIO 33
dove x(t)
n
rappresenta il vettore di stato, y(t)
m
il vettore delle uscite, mentre u(t)
r
e d(t)
q
rappresentano rispettivamente i vettori degli ingressi noti e non noti (unknown
input) del sistema. A, B, C, E sono delle matrici note con dimensioni appropriate.
Per quanto riguarda il termine non noto Ed(t) possiamo dire che questo addendo potr` a essere
utilizzato per modellare disturbi, incertezze di modello e quindi anche fault, in questo caso di
tipo additivo.
In realt` a potremo avere anche unknown output come ad esempio
y(t) = Cx(t) +E
y
d(t) (2.49)
ma questo caso non verr` a preso in considerazione in quanto tale contributo risulta facilmente
annullabile mediante una semplice trasformazione lineare [16]. Da notare che in realt` a nella
trasformazione di uscita della (2.48) avremo dovuto inserire anche il termine Du(t), ma poich e
il suo inserimento non modica alcun cambiamento concettuale nella trattazione, per semplicit` a
` e stato omesso.
Denizione 7.1. Un osservatore per un sistema del tipo (2.48) viene denito un Unknown
Input Observer nellambito dei sistemi lineari se e solo se il vettore dellerrore di stima e
x
(t)
tende a zero asintoticamente nel caso in cui d(t).
7.1 Implementazione matematica di un UIO
In questa sezione mostreremo gli aspetti principali sia dal punto di vista implementativo che
matematico riguardanti la progettazione di un IUO.
Di seguito riportiamo il modello matematico di un full-order UIO
_
z(t) = Fz(t) +TBu(t) +Ky(t)
x(t) = z(t) +Hy(t)
(2.50)
dove z(t)
n
rappresenta lo stato dellosservatore, x(t) la stima del vettore di stato del
processo x(t), mentre le matrici F, T, He K sono delle matrici opportunamente scelte per
effettuare il disaccoppiamento tra gli unknown input; in Figura 2.15 ` e riportato lo schema logico
dellosservatore (2.50).
Per quanto riguarda invece lerrore sulla stima dello stato, nellipotesi che il processo da moni-
Figura 2.15: Schema logico di un unknown input observer.
torare sia rappresentato dalla (2.48), possiamo esprimerlo come
e
x
(t) = [AHCAK
1
C]e
x
(t) + [F (AHCAK
1
C)]z(t) (2.51)
+ [K
2
(AHCAK
1
C)]y(t) (2.52)
+ [T (I HC)]Bu(t) + (HC I)Ed(t) (2.53)
dove K = K
1
+K
2
. Si noti che se losservatore ` e progettato in modo che valgano
(HC I)E = 0
I HC = T
AHCAK
1
C = F
FH = K
2
(2.54)
allora lerrore sulla stima dello stato sar` a rappresentato dalla seguente dinamica
e
x
(t) = Fe
x
(t) (2.55)
dalla quale si pu` o notare che se la matrice F ` e Hurwitz
2
allora si avr` a che e
x
(t) 0 e quindi
x(t) x(t); per cui in accordo con la Denizione 7.1 potremo denire come UIOlosservatore
proposto nella (2.50).
Teorema 7.1. Condizioni necessarie e sufcienti per lesistenza di un UIO(2.50) per un sistema
denito attraverso le equazioni (2.48) sono [16]:
1. rank (CE) = rank (E)
2
Una matrice quadrata Aviene denita Hurwitz se tutti i suoi autovalori sono a parte reale negativa.
2. la coppia (A
1
, C) deve essere osservabile
dove A
1
= AE(CE)
+
CA
da notare che nel casi in cui valgano le (2.54) la matrice H pu` o essere scelta come
H
= E(CE)
+
(2.56)
dove (.)
+
rappresenta la pseudoinversa della matrice CE.
Sottolineiamo che afnch e la prima condizione del Teorema 7.1 sia valida si dovr` a avere che il
numero di righe linearmente indipendenti di C non potr` a essere minore al numero di colonne
linearmente indipendenti di E; questo signica che il numero massimo di disturbi che possia-
mo disaccoppiare non potr` a superare il numero di misure indipendenti che possiamo fare sul
sistema.
Inoltre in assenza di unknown input e posti T = I, H = 0 e E = 0 lUIO (2.50) si tra-
sforma in un semplice osservatore di Luemberger ed in questo caso la seconda condizione del
Teorema 7.1 richiede la propriet` a di osservabilit` a per la coppia (A, C) anzich e per (A
1
, C).
Per quanto riguarda la progettazione di un UIO vediamo che la matrice K
1
rappresenta un
importante grado di libert` a per realizzazione di un UIO in quanto se opportunamente scelta,
permette il controllo della dinamica derrore dellosservatore F, in quanto nellipotesi che la
coppia (A
1
, C) sia osservabile, la dinamica dellerrore pu` o essere scelta a piacimento attraverso
la relazione F = A
1
K
1
C.
Capitolo 3
Sliding mode e FDI
1 Introduzione
Come pi` u volte citato nel capitolo precedente, chiave di volta di qualsiasi tecnica di identica-
zione model-based FDI ` e la generazione dei residui, indicatori di eventuali guasti malfunzio-
namenti nel sistema. I residui sono segnali generati per confronto tra stime sulle grandezze del
sistema e le grandezze effettivamente misurate.
Per la progettazione di generatori di residui, diversi approcci sono stati discussi in letteratura. In
particolare, lidea di base che sta dietro tale processo ` e quella di utilizzare degli opportuni os-
servatori per stimare le grandezze del sistema e quindi costruire il residuo da un errore di uscita
dellosservatore opportunamente ponderato. Successivamente il residuo viene confrontato con
soglie che possono essere sse o variabili e sulla base di tali confronti si valuta la probabilit` a
che il sistema sia effettivamente guasto.
Quando tutte le grandezze del processo sono accessibili, ` e possibili ricorrere ad osservatori detti
full-order. In questo caso possiamo vedere che la progettazione del generatore di residui risulta
equivalente ad un controllo in retroazione dello stato, infatti per via delle relazioni di dualit` a tra
il controllo della retroazione di stato e gli osservatori dello stato, come ad esempio losservatore
di Luemberger con stato completamente accessibile, ` e possibile in maniera agevole generare i
residui.
Sulla base di questa idea, diverse tecniche classiche del controllo in retroazione sono state adat-
tate per individuazione di anomalie nel sistema sotto osservazione anche nel caso in cui lo stato
non sia completamente accessibile.
3.1 Introduzione 37
Purtroppo a causa della complessit` a dei sistemi sotto analisi spesso ci si trova ad avere a che
fare con dinamiche fortemente nonlineari, con forti incertezze o comunque soggette a perturba-
zioni non perfettamente note e questo complica particolarmente limplementazione di tecniche
di diagnostica.
Tra le varie tipologie di incertezza che possono essere presenti in un sistema, gli unknown input
quelli che hanno ricevuto negli ultimi anni maggiore attenzione e per affrontare tali problema-
tiche si ` e ricorso ad approcci deniti robusti.
Inoltre quando il sistema in esame ` e soggetto oltre che ai cos` detti unknown input anche a
disturbi non noti a priori risulta necessario per realizzare la rilevazione del guasto eseguire un
disaccoppiato tra la generazione del residuo e tali ingressi indesiderati, cos` da scongiurare falsi
allarmi nella rilevazione. Questo problema ` e noto in letteratura come Robust FDI e negli ultimi
anni ` e stato centro di migliaia di studi sia accademici che industriali.
Per questo motivo gli algoritmi sliding mode dopo gli ottimi risultati ottenuti nel campo del
controllo, hanno trovato largo utilizzo anche nelle tecniche di FDI [17] [21].
Gli approcci sliding-mode possono essere riassunti in due principali passi:
lindividuazione di una supercie di scivolamento tale che il sistema una volta connato
su questultima garantisca le le prestazioni desiderate;
lindividuazione di una legge di controllo a struttura variabile che guidi il sistema verso
la supercie di scivolamento individuata al passo precedente in tempo nito o asintotica-
mente e che sia in grado di mantenere le dinamiche del sistema su di essa connate.
Nellambito della FDI, le prime tecniche sliding mode sono state proposte nei primi anni no-
vanta da Sreedhar, Fernandez e Masada [22] i quali formalizzarono una prima procedura di FDI
robusta per sistemi a stato completamente accessibile; un approccio diverso fu invece proposto
da Hermans e Zarrop i quali proposoro come criterio di identicazione del guasto la perdita
della condizione di scivolamento tra gli stati del sistema e del modello [23].
Successivamente Edwards et al. [17] proposero un nuovo approccio basato sullidea che fos-
se possibile forzare le dinamiche di un modello di sistema sano a comportarsi come se questo
fosse rotto, semplicemente iniettando sul modello un segnale che contenesse al suo interno le
3.1 Introduzione 38
informazioni relative alle discrepanze tra sistema e modello (output injection); in questo caso
possiamo parlare di fault recostruction in quanto tale segnale, nel caso in cui il le condizioni di
scivolamento siano mantenute rappresenta per lappunto il segnale rappresentativo del guasto
(tale segnale pu` o essere equiparato al cos` detto ingresso equivalente nella teoria del controllo
sliding mode).
Da notare che questo approccio risulta il pi ` u adatto quando linuenza del guasto sul sistema
non ` e perfettamente conosciuto (unknown input), in particolare in questi casi approcci DOS
sono consigliati (vedi Figura 2.12), in quanto sulla base di confronti tra modelli diversi del si-
stema, risulta possibile individuare quello che meglio rispecchia landamento del sistema reale;
quindi con questo approccio risulta anche semplice lisolamento del fault intervenuto.
Ovviamente questi approcci risultano fortemente legati alla tipologia di sistema sotto osserva-
zione e poich e spesso non risulta disponibile a causa disturbi esogeni non noti e/o a causa della
tempo varianza dei parametri (invecchiamento dei componenti), un modello preciso del sistema,
esistono probabilit` a non nulle di segnalare falsi allarmi, o addirittura di non individuare alcuna
anomalia nel caso in questa sia presente rendendo inutile il sistema FDI.
Per quanto riguarda invece metodi FDI robusti su sistemi nonlineari degno di nota risulta il
lavoro di Floquet [24]. Va sottolineato ad ogni modo che la ricostruzione precisa del guasto
risulta comunque garantita nellipotesi che le condizioni di scivolamento siano mantenute dal
sistema di controllo progettato sullosservatore; per far ci` o possono essere utilizzati sia algorit-
mi SVC di ordine superiore sia del primo ordine a seconda del grado relativo della dinamica da
controllare.
Ad ogni modo per sistemi a grado relativo pari a due algoritmi di ordine superiore come il
supertwisting risultano congeniali, in quanto risulta dimostrata per questa classe di sistemi, la
capacit` a di convergenza del sistema sulla supercie di scivolamento e forniscono direttamente
senza necessit` a di alcun ltraggio aggiuntivo la ricostruzione del fault, mentre per dinamiche di
ordine maggiore si pu` o ricorrere ad algoritmi SVC a grado relativo uno, i quali sebbene garan-
tiscano la permanenza del sistema nella condizione di scivolamento, producono il caratteristico
effetto di chattering. In questo caso ovviamente per la ricostruzione del fault si dovr` a ricorrere
ad opportuni ltraggi sul segnale prodotto dagli algoritmi di controllo.
3.2 Sliding Mode Observers for FDI 39
Ad ogni modo ` e comunque possibile utilizzare osservatori sliding mode di ordine superiore
(HOSM) anche per sistemi la cui dinamica risulta di ordine maggiore al secondo ordine man-
tenendo comunque ottime prestazioni ed evitando il fastidioso fenomeno del chattering carat-
teristico di questi algoritmi. Unica pecca, questi algoritmi sotto tali condizioni potrebbero non
garantire la convergenza a zero dellerrore tra sistema e modello, ma comunque ne garantiscono
la limitatezza in un range veramente ridotto.
Lunione di tutti questi vantaggi ha fatto si che gli HOSM si affermassero sopra tutti gli altri
possibili approcci nelle tecniche di FDI.
2 Sliding Mode Observers for FDI
La teoria del controllo sliding mode fu sviluppata nei primi anni sessanta in Unione Sovietica.
Fondamentalmente tale tecnica forza le dinamiche del sistema sotto osservazione a raggiungere
delle opportune regioni dello spazio di stato, dette superci di scivolamento, a restarne ivi con-
nate, ottenendo una dinamica per il sistema complessiva di ordine ridotto, inoltre tali tecniche
ben si prestano a lavorare con sistemi affetti da incertezze o disturbi.
Tali propriet` a di robustezza hanno determinato un forte interesse in tutto il mondo per tali tecni-
che di controllo e tuttoggi questo settore risulta in continua evoluzione anche in ambiti diversi
da quelli strettamente legati alla teoria del controllo.
Di seguito per chiarire tali approcci, in relazione alle tecniche di diagnostica di guasto presen-
teremo il lavoro di Edwards [17] il quale consente mediante un approccio Lyapunov-like lo
sviluppo di osservatori che garantiscano un decadimento esponenziale dellerrore tra modello e
sistema in presenza di disturbi matched non noti, ma limitati.
Si consideri il seguente sistema lineare, soggetto a dei determinati guasti:
_
x(t) = Ax(t) +Bu(t) +Df
i
(t)
y(t) = Cx(t) +f
o
(t)
(3.1)
Dove A
nxn
, B
nm
, C
pn
, D
nq
, con q p < n e con le matrici C e D
a rango pieno (ad esempio, rank(D) = q). Le funzioni f
i
e f
0
rappresentano rispettivamente i
fault dellattuatore e del sensore, dove si assume che siano limitate. Si assume inoltre che lo stato
del sistema non sia completamente accessibile, ma solo i segnali u(t) e y(t) siano disponibili.
Si noti che, nel caso in cui p = n, tutti gli stati saranno noti, e verr` a adottato lapproccio di
Sreedhar [22].
Lobiettivo ` e quello di sintetizzare un osservatore al ne di generare uno stato stimato x(t) e
unuscita stimata y(t) = C x(t), tali da realizzare uno sliding mode in cui lerrore
e
y
(t) = y(t) y(t) (3.2)
sia forzato a portarsi a zero in tempo nito.
Si considerer` a la particolare struttura per losservatore riportata nella (3.3)
x(t) = A x(t) BU(t) G
l
e
y
(t) G
n
(3.3)
in cui G
l
, G
n

np
sono le opportune matrici di guadagno e rappresenta la componente
discontinua del controllo che garantisce la condizione di scivolamento. Verr` a mostrato che, sup-
posto che possa essere garantita la condizione di sliding motion, potranno essere elaborate delle
stime di f
i
e f
0
approssimando il cosiddetto segnale output injection richiesto per mantenere lo
sliding motion.
E stato mostrato in [17], che un osservatore nella forma (3.3), che determina un decadimento
asintotico dellerrore in uscita (3.2) in presenza di unincertezza matched limitata, esiste se e
solo se il sistema lineare (3.1) soddisfa le seguenti condizioni:
I rank(D) = q
II gli zeri invarianti di (A, D, C) devono appartene a C
Sotto tale assunzione, e considerando come condizione iniziale f
0
= 0, esiste un cambiamento
di coordinate lineare che preserva lorigine x Tx, tale che il sistema nel nuovo riferimento
possa essere espresso come
_
_
x
1
(t) = A
11
x
1
(t) +A
12
x
2
(t) +B
1
u(t)
x
2
(t) = A
21
x
1
(t) +A
22
x
2
(t) +B
2
u(t) +D
2
f
i
(t)
y(t) = x
2
(t)
(3.4)
Dove x
1

np
, x
2

p
, con la matrice A
11
Hurwitz. Il sistema di coordinate di cui sopra
sar` a quindi usato per il progetto del seguente osservatore sliding mode.
_
x
1
(t) = A
11
x
1
(t) +A
12
x
2
(t) +B
1
u(t) A
12
e
y
(t)
x
2
(t) = A
21
x
1
(t) +A
22
x
2
(t) +B
2
u(t) + (A
22
A
S
22
)e
y
(t)
y(t) = x
2
(t)
(3.5)
dove A
S
22
` e una opportuna matrice Hurwitz.
Deniti gli errori di stima sullo stato come e
1
(t) = x
1
x
1
(t), e
y
(t) = x
y
x
y
(t) segue che
_
e
1
(t) = A
11
e
1
(t)
e
y
(t) = A
21
e
1
(t) +A
22
e
y
(t) +B
2
u(t) + D
2
f
i
(t)
(3.6)
La stabilit` a di A
1
1 garantisce la convergenza a zero di e
1
(t) in tempo nito; inoltre, scegliendo
un opportuno vettore di controllo discontinuo che maggiori il termine di disturbo, si ottiene
che la dinamica dellerrore descritta dalla (3.6) vada a zero in tempo nito. Per cui si pu` o
ritenere il sistema dinamico presentato nella (3.5) come un osservatore per il sistema (3.1).
Capitolo 4
Motori Asincroni Trifasi
1 Introduzione
Il motore asincrono trifase assolve il fondamentale compito di convertire lenergia elettrica in
energia meccanica. Oggi, circa il 70% dei motori elettrici in esercizio ` e di questo tipo che, insie-
me al trasformatore, ` e stato assolutamente determinante nella diffusione dellenergia elettrica
nel mondo sostituendo, in larghissima misura, tutti gli altri mezzi di produzione o trasmissione
di forza motrice, sia nellindustria che nelle applicazioni domestiche.
Il Motore Asincrono Trifase, che nel seguito indicheremo pi ` u semplicemente con la sigla MAT,
venne per la prima volta realizzato da Galileo Ferraris nel 1885. Esso viene alimentato di-
rettamente dalla rete di distribuzione, a tensione e frequenza costanti, e rappresenta il motore
elettrico pi` u semplice, economico, robusto ed afdabile che la tecnica conosca.
`
E ad elevato
rendimento, non richiede lubricazione, n e manutenzione, non presenta alcuna difcolt` a o par-
ticolarit` a per lavviamento e, pertanto, ` e il dispositivo pi` u diffuso nellutilizzazione dellenergia
elettrica come forza motrice.
Il suo principio di funzionamento si basa sulla creazione di un campo rotante, realizzabile per
mezzo di circuiti ssi nello spazio e percorsi da correnti polifasi, in particolare da correnti tri-
fasi. Tuttavia, per piccole potenze, oppure per limitate applicazioni speciali, questo motore pu` o
anche essere di tipo monofase.
Rispetto agli altri tipi di motori elettrici, il MAT presenta diversi vantaggi:
peso ed ingombro ridotti a parit` a di potenza;
4.1 Introduzione 43
mancanza di particolari dispositivi di eccitazione prelevando, direttamente dalla rete, la
potenza magnetizzante necessaria per creare il usso induttore della macchina;
` e autoavviante;
sviluppa, spontaneamente ed automaticamente, variando la propria velocit` a, una coppia
motrice atta a controbilanciare la coppia resistente applicata allalbero motore, determi-
nando un funzionamento stabile (allaumentare del carico rallenta);
sovraccaricabilit` a, anche per il 100% della sua potenza nominale;
esigenze di manutenzione molto ridotte, semplicit` a di esercizio ed alto rendimento.
Daltro canto, presenta alcuni aspetti vincolanti, tra i quali:
allavviamento, con inserzione diretta sulla rete, la corrente di spunto pu` o risultare anche
4 10 volte maggiore della corrente assorbita a pieno carico, con problemi alla rete di
distribuzione (cadute di tensione);
le correnti di avviamento risultano, inoltre, essere tanto sfasate rispetto alla tensioni (come
nei trasformatori in corto circuito) che la coppia motrice sviluppata dal motore, detta
coppia di spunto, ` e piccola nonostante lelevato valore della corrente assorbita;
la velocit` a di rotazione del MAT, nel campo di funzionamento normale, senza lausilio di
inverter ` e praticamente costante, perch e strettamente legata alla frequenza della corrente
di alimentazione;
la coppia massima (proporzionale al quadrato del rapporto tra il valor efcace della
tensione di alimentazione e la frequenza) costante ed ad una ben precisa velocit` a.
In questo capitolo esamineremo il principio di funzionamento, le particolarit` a costruttive e rica-
veremo il modello dinamico del MAT; inoltre analizzeremo quelli che sono i guasti pi` u comuni
nelle macchine asincrone a gabbia di scoiattolo, ovvero i guasti dovuti alla rottura delle bar-
re della gabbia rotorica, mostrando gli effetti che tali fault inducono sul funzionamento della
macchina e quali sono gli attuali metodi di diagnostica per discriminare questa tipologia di
fault.
4.2 Struttura del motore asincrono 44
2 Struttura del motore asincrono
Per meglio comprendere come ` e strutturato un motore asincrono trifase, di seguito forniamo
una breve descrizione delle principali parti che compongono la macchina rotante e nelle quali
si generano i fenomeni elettrici da cui ne scaturisce il funzionamento.
Il primo elemento che descriviamo ` e lo statore che pu` o essere denito come linsieme delle
parti sse che svolge la funzione di sostenere almeno parzialmente la macchina, ma fonda-
mentalmente costituisce la parte del circuito magnetico che contiene gli avvolgimenti induttori
alloggiati in apposite cave in esso ricavate in corrispondenza della sua supercie interna.
Lo statore, di cui viene fornita una rappresentazione in Figura 4.1, ` e costituito da lamierini in le-
ga dacciaio-silicio o in acciaio massiccio, isolati tra di loro. Dalla sua struttura dipende quanto
sia interessato da ussi magnetici variabili nel tempo che provocano perdite per isteresi (legate
alla magnetizzazione non lineare del materiale) e per correnti indotte parassite. Nelle cave rica-
vate nella struttura dei lamierini sono inseriti tre avvolgimenti primari (ognuno costituito da pi ` u
bobine diversamente collegate tra loro), ai quali viene applicata la tensione di alimentazione e
che generano il campo magnetico.
Il secondo elemento ` e il rotore che viene posizionato allinterno dello statore, e costituisce il
circuito indotto della macchina. Per un motore a gabbia di scoiattolo il rotore, come rappresen-
tato in Figura 4.2, ` e costituito da un sistema di sbarre conduttrici (rame o alluminio) coassiali
allasse di rotazione, e pressofuse direttamente nelle cave ricavate lungo tutta la periferia esterna
del nucleo ferromagnetico.
Sono presenti altri componenti meccanici che costituiscono il motore, i principali sono:
i due cuscinetti montati sullo statore con la funzione di sorreggere lalbero del motore;
la carcassa, che con le alette smaltisce il calore prodotto soprattutto dallo statore e con-
tiene anche la morsettiera di connessione;
la ventola, che provvede al raffreddamento.
Una rappresentazione generale di insieme e uno spaccato del motore asincrono trifase a gabbia
` e riportata nella Figura 4.3.
4.2 Struttura del motore asincrono 45
Figura 4.2: Impianto da monitorare.
4.3 Modello matematico della macchina asincrona 46
3 Modello matematico della macchina asincrona
Per poter studiare un sistema e di fondamentale importanza disporre di un modello matematico
che ne descriva il comportamento in termini qualitativi. Tale modello viene solitamente costruito
sulla base della conoscenza dei dispositivi che lo compongono e delle leggi siche a cui essi
obbediscono. Per questo motivo in questa paragrafo ricaveremo il modello matematico della
macchina asincrona. Per semplicare la trattazione faremo le seguenti assunzioni:
permeabilit` a innita delle componenti metalliche del motore;
perdite nel ferro trascurabili;
macchina simmetrica;
usso del campo magnetico al traferro completamente radiale;
le spire di ogni avvolgimento di statore verranno modellate come una unica spira.
In Figura 4.4 riportiamo uno schematico della sezione trasversa di una macchina trifase elemen-
tare.
4.3.1 Equazioni elettriche del MAT 47
Figura 4.4: Sezione trasversa di un MAT simmetrico.
3.1 Equazioni elettriche del MAT
Come ben noto una macchina asincrona risulta composta da tre avvolgimenti per quanto riguar-
da il circuito di statore ed altrettanti per quanto riguarda il rotore, per cui si dovrebbero avere in
totale ben sei equazioni differenziali relative alla sola dinamica elettrica del sistema. Utilizzando
la ben nota trasformazione Trasformazione di Park ` e per` o possibile ridurre tale numero di equa-
zioni a quattro semplicemente cambiando il sistema di riferimento nel quale rappresentare le
grandezze dei due sistemi trifasi. Osservando la Figura 4.5 possiamo vedere come i due circuiti
trifase rispettivamente di statore e di rotore possano essere rappresentati mediante due coppie
di avvolgimenti uno sso sul riferimento di statore ed uno solidale con il rotore; da notare che
dal punto di vista elettrico i due circuiti sono del tutto equivalenti, con la sola differenza che
ora per rappresentare le grandezze del trifase saranno necessarie solo due componenti anzich e
tre essendo per ipotesi il campo completamente radiale e simmetrico. La trasformazione che
permette questo cambio di variabile ` e la seguente
_
_
f
d
f
q
f
0
_
_
= K
s
()
_
_
f
a
f
b
f
c
_
_
=
2
3
_
_
cos() cos(
2
3
) cos( +
2
3
)
sin() sin(
2
3
) sin( +
2
3
)
1
2
1
2
1
2
_
_
_
_
f
a
f
b
f
c
_
_
(4.1)
dove se = 0 il sistema di riferimento scelto sar` a quello solidale con lo statore ed in quel caso
si parler` a di trasformazione , mentre se =
_
t
0
n
p
dt + (0) allora sistema di riferimen-
to scelto sar` a solidale con il rotore ed in questo caso si parler` a di trasformazione dq0, dove
Figura 4.5: Circuito elettrico equivalente del MAT nel sistema di riferimento di statore.
n
p
` e il numero di poli della macchina, mentre ` e la velocit` a di rotazione del rotore. I vettori
[f
a
, f
b
, f
c
]
T
ed [f
d
, f
q
, f
0
]
T
invece rappresentano rispettivamente le grandezze elettriche del si-
stema trifase di partenza e quelle nel nuovo riferimento.
Per cui partendo dalle equazioni che regolano le dinamiche elettriche di statore e di rotore
riportante nella (4.2)
_
_
u
sA
(t) = R
s
i
sA
+
d
sA
(t)
dt
u
sB
(t) = R
s
i
sB
+
d
sB
(t)
dt
u
sC
(t) = R
s
i
sC
+
d
sC
(t)
dt
_
_
0 = R
r
i
sa
+
d
ra
(t)
dt
0 = R
r
i
sb
+
d
rb
(t)
dt
0 = R
r
i
sc
+
d
rc
(t)
dt
(4.2)
dove R, i, ed u si riferiscono rispettivamente a resistenze, correnti, ussi concatenati e tensioni
di alimentazioni della macchina, mentre i pedici s ed r permettono di discriminare tra grandezze
di rotore e statore. Ricordiamo inoltre che nelle equazioni di rotore i termini puri di tensione
sono nulli in quanto la gabbia di rotore risulta chiusa in cortocircuito. Aquesto punto applicando
la (4.1) otteniamo tali equazioni espresse nei propri riferimenti naturali, ovvero quello di statore
e di rotore.
_
_
u
s
(t) = R
s
i
s
+
d
s
(t)
dt
u
s
(t) = R
s
i
s
+
d
s
(t)
dt
_
_
u
rd
(t) = R
r
i
sd
+
d
rd
(t)
dt
u
rq
(t) = R
r
i
sq
+
d
rq
(t)
dt
(4.3)
Da notare che nellipotesi ddi macchina simmetrica la terza componente della trasformazione
(4.1) ` e sempre nulla.
Vediamo ora come riportare le grandezze di rotore sul riferimento di statore; deniamo innan-
zitutto la dinamica del campo rotante di statore come
d
dt
= n
p
, (0) = 0. (4.4)
successivamente per mezzo delle seguenti relazioni
_
i
r
i
r
_
=
_
cos() sin()
sin() cos()
__
i
rd
i
rq
_
(4.5)
_

r
r
_
=
_
cos() sin()
sin() cos()
__

rd
rq
_
(4.6)
possiamo riportare facilmente le coppie (i
rd
, i
rq
) e (
rd
,
rq
) sul riferimento solidale di statore
anche noto come riferimento stazionario.
Per cui ora la dinamica elettrica del motore risulta denita dalle seguenti equazioni
_
_
u
s
(t) = R
s
i
s
+
d
s
dt
u
s
(t) = R
s
i
s
+
d
s
dt
0 = R
r
i
s
+
d
s
dt
+ n
p
r
0 = R
r
i
s
+
d
s
dt
n
p
(4.7)
A questo punto sotto le ipotesi di linearit` a dei circuiti magnetici e delle mutue induttanze e
trascurando le perdite nel ferro, possiamo descrivere i ussi concatenati prodotti dai nuovi
avvolgimenti equivalenti mostrati a destra nella Figura 4.5 come
_

s
= L
s
i
s
+ Mi
r
s
= L
s
i
s
+ Mi
r
_

r
= Mi
s
+ L
r
i
r
r
= Mi
s
+ L
r
i
r
(4.8)
dove L
s
, L
r
sono i valori delle autoinduttanze dei due circuiti magnetici, mentre M rappresenta
la mutua induttanza dei due sistemi. Da notare che il motivo per cui sono state introdotte le rela-
zioni di trasformazione (4.5) e (4.6) ` e che in questa maniera si ` e potuta eliminare la dipendente
dalla velocit` a della macchina dai valori dai parametri del modello dinamico della macchina.
Ora per mezzo delle (4.8) ` e possibile riordinare le (4.10) come segue
_
_
u
s
= R
s
i
s
+
M
L
r
d
s
dt
+
_
L
s
M
2
L
r
_
di
s
dt
u
s
= R
s
i
s
+
M
L
r
d
s
dt
+
_
L
s
M
2
L
r
_
di
s
dt
0 =
R
r
L
r
R
r
L
r
Mi
s
+
d
s
dt
+ n
p
r
0 =
R
r
L
r
R
r
L
r
Mi
s
+
d
s
dt
+ n
p
r
(4.9)
4.3.2 Equazione meccanica del MAT 50
3.2 Equazione meccanica del MAT
Lequazione della coppia prodotta dalla macchina asincrona pu` o essere espressa in funzione dei
ussi rotorici e delle correnti di statore come riportato in [20]
T
e
=
n
p
M
L
r
(
r
i
s
r
i
s
) (4.10)
dalla quale possiamo ricavare lequazione della dinamica meccanica della macchina come
d
dt
=
f
v
J

n
p
M
JL
r
(
r
i
s
r
i
s
)
T
L
J
(4.11)
dove f
v
, J e T
L
sono rappresentano rispettivamente il coefciente di attrito viscoso sulle parti
meccaniche, il momento dinerzia del rotore e la coppia di carico ad esso applicata.
3.3 Dinamica completa del MAT
Sulla base delle (4.10) e (4.11) riportiamo di seguito la dinamica completa del MAT, che come
si pu` o notare risulta essere una dinamica del quinto ordine fortemente non lineare
_
_
d
dt
=
f
v
J

n
p
M
JL
r
(
r
i
s
r
i
s
)
T
L
J
d
s
dt
=
R
r
L
r
r
n
p
r
+
R
r
L
r
Mi
s
d
s
dt
=
R
r
L
r
r
+ n
p
r
+
R
r
L
r
Mi
s
di
s
dt
=
M
2
R
r
+ L
2
r
R
s
L
s
L
2
r
i
s
+
MR
r
L
s
L
2
r
r
+
n
p
M
L
s
L
r
r
+
1
L
s
u
s
di
s
dt
=
M
2
R
r
+ L
2
r
R
s
L
s
L
2
r
i
s
+
MR
r
L
s
L
2
r
n
p
M
L
s
L
r
r
+
1
L
s
u
s
(4.12)
dove = 1 (M
2
/L
s
L
r
). Al ne di avere un modello matematico pi` u semplice da trattare
possiamo riscrivere il sistema (4.12), una volta scelto come vettore di stato
x = [x
1
, x
2
, x
3
, x
4
, x
5
]
T
= [,
r
,
r
, i
s
i
s
]
T
4.4 Protezione e diagnostica di guasto nei MAT 51
come segue
_
_
x
1
=
1
(x
2
x
5
x
3
x
4
)
2
T
L
3
x
1
x
2
= ax
4
bx
2
n
p
x
1
x
3
x
3
= ax
5
bx
3
+ n
p
x
1
x
2
x
4
= g
1
x
4
+ g
2
x
2
+ g
3
x
1
x
3
+ g
4
u
s
x
5
= g
1
x
5
+ g
2
x
3
g
3
x
1
x
2
+ g
4
u
s
(4.13)
in cui i seguenti parametri sono deniti come segue
a =
R
r
L
r
M
b =
R
r
L
r
g
1
=
M
2
R
r
+L
2
r
R
s
L
s
L
2
r
g
2
=
MR
r
L
s
L
2
r
g
3
=
n
p
M
L
s
L
r
g
4
=
n
p
M
L
s
L
r
(4.14)
4 Protezione e diagnostica di guasto nei MAT
Un aspetto importante che deve essere preso in considerazione nella scelta e nella realizzazione
del sistema per lavviamento e per il controllo del motore ` e quello relativo alla sicurezza ed
allafdabilit` a della soluzione realizzata. Le principali cause di guasto sui motori sono dovute
al cortocircuito che si verica ad esempio per umidit` a, grasso, polveri tra gli avvolgimenti, o
per sovraccarico.
Le sovracorrenti conseguenti al guasto provocano sovratemperature che possono danneggiare
il motore in modo irreversibile e potrebbero anche originare incendi nellambiente circostante.
Lavviamento costituisce quindi una fase particolarmente critica per il motore e per limpianto
che lo alimenta, ed anche il funzionamento nominale richiede di essere monitorato e protetto
adeguatamente a fronte di eventuali malfunzionamenti. A questo scopo ` e necessario e importan-
te dimensionare e scegliere correttamente gli apparecchi elettrici che realizzano lavviamento e
la manovra del motore.
4.5 Funzionamento in condizioni di alimentazione anormale 52
5 Funzionamento in condizioni di alimentazione anormale
Un MAT pu` o trovarsi a funzionare a tensione e frequenza sensibilmente diversi da quelli no-
minali; studiamo leffetto di una anormale variazione di uno di questi due parametri per volta.
Cominciamo, allora, a considerare la sola variazione della tensione, in particolare immaginiamo
che essa sia aumentata. Le formule nora studiate restano valide ed allora il usso aumenter` a
proporzionalmente alla tensione, mentre la coppia aumenta con il quadrato (in realt` a meno per
effetto della saturazione dei circuiti magnetici), ed aumentano inoltre le perdite nel ferro e la
corrente di cortocircuito. Quindi un aumento della tensione porta un miglioramento per le cop-
pie, ma allo stesso tempo un peggioramento per quanto riguarda le perdite ed il riscaldamento.
Il contrario accade nel caso di abbassamento della tensione di alimentazione. Nel caso, inve-
ce, di una variazione della sola frequenza di alimentazione, ad esempio in aumento, si avr` a
una diminuzione del usso per via della relazione V = kf, portando ad una riduzione della
coppia che dipende dal quadrato del usso. Avremo, inoltre, una diminuzione della corrente a
vuoto, a causa del pi` u piccolo usso, della corrente di cortocircuito, essendo aumentata la reat-
tanza di dispersione per effetto dellaumento della frequenza, e delle perdite nel ferro, essendo
direttamente proporzionali alla frequenza, e, variando la frequenza, aumenteranno le perdite
meccaniche per attrito e ventilazione. Si osservi che, variazioni dello stesso segno contempora-
nee di tensione e frequenza, non producono effetti apprezzabili sulla caratteristica del motore,
salvo che per la velocit` a, per la potenza nominale del motore e per le perdite nel ferro, con
aumento di queste tre grandezze allaumentare della frequenza. Se durante il funzionamento di
un MAT una delle fasi di alimentazione viene interrotta, il motore continua a funzionare se la
coppia resistente non ` e molto elevata. Infatti, in questo caso la potenza scende del 50%; ci` o
comporta, a parit` a di coppia resistente, un valore di corrente molto pi ` u grande con possibile
surriscaldamento del motore ed intervento delle protezioni.
4.6 Identicazione di guasti legati alla rottura delle barre di rotore 53
6 Identicazione di guasti legati alla rottura delle barre di
rotore
Grazie ai progressi nellelettronica digitale ed a costi dei componenti sempre minori, negli ul-
timi anni gli strumenti di monitoraggio e gli applicativi software per la diagnostica hanno per-
messo laffermarsi di diverse tecniche di diagnostica sulle macchine rotative.
Per cui i macchinari non hanno pi` u bisogno di essere messi fuori servizio per eseguire i di-
versi controlli di routine poich e molti test possono essere svolti online, ed in molti casi grazie
allavvento di queste nuove tecnologie, ` e richiesta solo una minima esperienza da parte dello-
peratore per il testing e linterpretazione dei dati. Ci ` o consente allutente di prendere decisioni
consistenti per la pianicazione della manutenzione e delle riparazioni, che inne conducano
ad un incremento della produttivit` a.
In questo paragrafo e nei successivi si presenter` a lapproccio pi` u utilizzato ed afdabile per la
rilevazione delle pi ` u comuni anomalie che possono coinvolgere le macchina rotative a gabbia,
ovvero la rottura delle barre di rotore, la presenza di livelli anormali di eccentricit` a del campo
al traferro ed altri problemi legati al loro esercizio; lapproccio attraverso il quale tutti questi
fenomeni sono riscontrabili ` e il cosi detto Motor Current Signature Analysis (MCSA).
6.1 Conseguenze dovute alla rottura delle barre di rotore
Le gabbie rotoriche sono realizzate con leghe di alluminio, rame o leghe di rame. I motori pi` u
grandi generalmente presentano rotori ed anelli di cortocircuito realizzati con questi materiali,
mentre i motori con potenze inferiori a qualche centinaio di HP
1
generalmente presentano rotori
in lega di alluminio realizzati con tecniche di pressofusione
2
.
La rottura delle barre (Figura 4.7) raramente comporta sintomi evidenti nellimmediato, spe-
cialmente in motori di multi-pole di grandi dimensioni che lavorano a basse velocit` a.
1
HP: horse power.
2
La pressofusione, detta anche Fonderia in conchiglia sotto pressione, ` e un particolare processo di fonderia in
forma permanente, in cui metallo fuso viene iniettato ad alta pressione in uno stampo metallico.
4.6.1 Conseguenze dovute alla rottura delle barre di rotore 54
Figura 4.6: Barra di rotore rotta su un motore da 1700 hp.
Ad ogni modo se il numero delle barre coinvolte non ` e irrisorio, il motore potrebbe non avviarsi
a causa dellincapacit` a di sviluppare una coppia di spunto sufciente per lavviamento. Ciono-
nostante, la presenza di BRB
3
accelera il deterioramento di altri componenti e pu` o comportare
un spesa signicativa dovuta a costi disservizio e riparazione.
La sostituzione del rotore in motori di grandi dimensione risulta costosa; pertanto, tecniche per
la rilevazione precoce della rottura delle barre sono state studiate cos` da scongiurare costi ec-
cessivi per la riparazione.
I costi di riparazione nel caso in cui si intervenga per tempo, possono risultare una frazione del
costo per la sostituzione dellintera gabbia rotorica, senza considerare i costi aggiuntivi legati
alla sospensione non pianicata dellimpianto.
Alcuni degli eventi secondari pi ` u comuni strettamente legati alla rottura delle barre sono
fenomeni di sparking ovvero scintillamenti, un serio problema in ambienti a rischio;
se il fault coinvolge una o pi ` u barre, le barre sane sono costrette sopportare livelli di cor-
rente decisamente superiori rispetto ai valori nominali, il che conduce ad un danneggia-
mento del nucleo rotorico a causa delle eccessive temperature di funzionamento raggiunte
in prossimit` a delle barre rotte;
le barre rotte introducono oscillazioni persistenti nella coppia e nella velocit` a sviluppate,
3
BRB: Broken Rotor Bar.
4.6.2 Approccio MCSA 55
che determina un prematuro logoramento delle parti meccaniche del sistema come ad
esempio i cuscinetti;
la non uniforme distribuzione di campo sviluppa una coppia motrice non uniforme che
pu` o comportare stress meccanici indesiderati e deformazioni sulla gabbia rotorica e quin-
di alti livelli di vibrazione;
durante la rotazione del rotore, potrebbe capitare che le barre rotte escano dai propri
alloggiamenti andando ad urtare violentemente le parti sse della macchina causando un
guasto catastroco del motore;
se lasimmetria di rotazione dovuta alla rottura delle barre risulta eccessiva, il rotore
potrebbe sfregare sulle parti sse di statore comportando danni irreparabili su tutta la
macchina.
6.2 Approccio MCSA
Lapproccio MCSA ormai da anni risulta lo strumento migliore per la diagnosi dei problemi nei
motori ad induzione come ad esempio, la rottura delle barre, leccentricit` a del campo al trafer-
ro, analisi del logoramento della trasmissione della macchina e del disallineamento dellalbero
motore.
Questa tecnologia si basa sul fatto che ciascuno di questi fenomeni produce dei pattern di fre-
quenza riconoscibili nelle correnti di statore che pu` o essere previsto attraverso luso di formule
empiriche e misurazioni. Tali tipologie di fault danno una luogo ad una asimmetria magnetica
del campo al traferro che introduce, sul normale spettro in frequenza delle correnti di carico di
statore delle armoniche spurie a delle speciche frequenze empiricamente stimabili.
Si possono ottenere informazioni sullo spettro delle correnti di alimentazione del motore sem-
plicemente attraverso lapplicazione dellalgoritmo Fast Fourier Trasform (FFT) su delle misu-
re di corrente effettuate mediante dei semplici sensori ad effetto Hall.
Una volta ricavato lo spettro di frequenza di una delle correnti, attraverso luso di opportune
formule empiriche si vanno a cercare eventuali componenti spettrali su tutto lo spettro in deter-
minate bande di frequenza a seconda del problema che si vuole diagnosticare. Per esempio le
componenti frequenziali relative alla presenza di barre rotte nel motore (anche chiamate Side-
4.6.2 Approccio MCSA 56
bands Frequencies o Pole-Passing Frequencies), solitamente si trovano in un intorno di 5Hz
della frequenza di alimentazione del motore, mentre per quanto riguarda problemi relativi al-
leccentricit` a del campo al traferro i range da considerare vanno da qualche centinaia di Hz
no a qualche KHz, per cui se i pattern di frequenza previsti sono presenti nello spettro viene
restituita una diagnosi positiva.
In tutti i casi, una stima accurata del valore di scorrimento del motore (slip)
4
` e un prerequisito
per una diagnosi afdabile, dato che tale grandezza risulta come vedremo pi` u avanti fondamen-
tale nellindividuazione dei range frequenziali da osservare. Si ricorda infatti che lo scorrimento
` e strettamente legato al carico meccanico applicato alla macchina e quindi alla sua velocit` a di
rotazione, per cui risulta difcilmente stimabile in condizione di carico trascurabile, dato che
e
n
p
s 0 (4.16)
quindi sebbene i dati di targa del motore ad ogni modo contengano i valori di velocit` a e potenza
nominale tali da consentire in condizioni di pieno carico tale stima, poich e difcilmente questi
si trovano a lavorare a pieno carico, determinare il valore di scorrimento pu` o diventare una vera
e propria sda.
Esistono diversi metodi per determinare il valore dello scorrimento, primo fra tutti lutilizzo di
stroboscopi, il problema per` o sta nel fatto che fra listante in cui la velocit` a viene determinata e
quello in cui viene effettuata la misura di corrente, il carico sul motore potrebbe variare e quindi
questo pu` o inciare sulla stima effettiva dello scorrimento.
Inoltre questi metodi oltre che di difcili implementazione risultano poco accurati e non per-
mettono lindividuazione di eventuali anomalia in tempo reale.
Negli ultimi anni nel contesto della MCSA diversi lavori sono stati prodotti per rendere tale
tecnica allo stesso tempo afdabile e userfriendly, calcolando il valore dello scorrimento sulla
4
Nel funzionamento del motore asincrono viene chiamato col nome di scorrimento (slip) il rapporto
s =
e[rpm]
n
p
[rpm]
e[rpm]
(4.15)
il quale esprime la frazione di giro che il rotore perde ad ogni giro completo del campo rotante di alimentazione
e
.
Questo parametro ` e molto importante per descrivere il funzionamento del motore in quanto racchiude informazione
sia di tipo meccanico che elettrico relative alle condizioni di funzionamento della macchina. Il suo valore risulta
durante il funzionamento come motore della macchina ` e sempre compreso tra 0 ed 1, in particolare vale 1 in
condizioni di macchina ferma e circa 1 nel caso in cui la macchina si trovi a lavorare a velocit` a prossima a quella
di sincronismo, ovvero la velocit` a del campo rotante /n
p
.
4.6.3 Identicazione del guasto relativo alla rottura delle barre 57
base dei parametri di targa del motore e del carico di corrente misurato.
A seconda del vendor del dispositivo MCSA possono essere impiegati diversi algoritmi per il
calcolo dello scorrimento; alcuni di questi si basano sulla derivazione dello scorrimento dalla
coppia, mentre altri da misure sulle correnti a regime sulla macchina. Ad ogni modo tali algo-
ritmi progressi grazie ai progressi nelle tecniche di pattern-recognition non necessitano di un
ingresso esterno di velocit` a.
6.3 Identicazione del guasto relativo alla rottura delle barre
La posizione delle armoniche relative alla rottura delle barre ` e data dalla seguente relazione
f
SB
= f
e
(1 2s) (4.17)
in cui f
SB
rappresenta la frequenza delle armoniche relative al fault (side band frequencies),
f
e
=
e
/2 la frequenza dellalimentazione, mentre s rappresenta lo scorrimento della macchi-
na.
Figura 4.7: Frequenze dovute al fenomeno di rottura delle barre.
In Figura 4.7 viene riportato lo spettro delle correnti di un motore in stato di fault relativo ad
una ventola di aerazione principale da 13.8 KV operante in una centrale elettrica a combustibile
fossile; si pu` o notare che la frequenza di alimentazione del motore ` e 60Hz ed in tale intorno
risultano evidenti due picchi relativi alle sideband frequencies.
Sempre in Figura 4.7 viene illustrato come linuenza del carico varia durante il processo di
acquisizione dei dati, si noti infatti alla base del picco a 60 Hz la presenza sullo del cos` detto
effetto skirting.
Verr` a ora illustrato come una riduzione di velocit` a ottenuta per mezzo di una trasmissione o di
un sistema cinghia-puleggia connesse al motore possano indurre nuove componenti spettrali di
corrente ed inoltre possano essere causa di falsi allarmi.
La posizione di tali nuove armoniche sar` a strettamente legata alla frequenza rotazionale dei
singoli alberi della trasmissione e purtroppo, tali frequenze spesso saranno molto prossime alle
posizioni attese per le armoniche relative al fault di barra.
Figura 4.8: Spettro di motore con barre rotte connesso ad un sistema di trasmissione.
Osserviamo ad esempio in Figura 4.8 lo spettro di una delle correnti di un motore relativo ad un
mulino per la macinazione del carbone. Questo motore i cui valori di targa sono 300 hp, 575 V ,
295 A, 885 rpm ` e connesso ad una trasmissione a tre rapporti la cui velocit` a dellultimo albero
` e pari a 19.39 rpm(0.32 Hz) a pieno carico. Le velocit` a dei singoli alberi interni al motore sono
rispettivamente 52.8 rpm(0.88 Hz) e 141.69 rpm(2.36 Hz). La Tabella 4.1 riporta le posizioni
delle componenti in frequenza della corrente dovute alla velocit` a rotazionale di ciascun albero
a pieno carico.
Oltre alla velocit` a fondamentale della rotazione dellalbero le armoniche possono anche pro-
durre componenti di frequenza che si presentano a frequenze a cui ci si aspettano le armoniche
Armoniche legate alla 1albero 60 2.36 Hz = 57.64 e 62.36 Hz
Tabella 4.1: Armoniche dovute alle diverse velocit` a di rotazione degli alberi del sistema
motore+trasmissione.
Armoniche nellipotesi di BRB 58 e 62 Hz
Armoniche del 2ordine per il 2albero 60 2 0.88 Hz = 58.24 e 61.76 Hz
Armoniche del 6ordine per il 3albero 60 2 0.32 Hz = 58.08 e 61.92 Hz
Tabella 4.2: Armoniche legato alle rotazioni dei diversi alberi, prossime alle armoniche in caso
di BRB.
legate al fault di barra, infatti si pu` o notare dalla Tabella 4.2 come le posizioni delle armoniche
di ordine superiore degli alberi pi ` u lenti vadano quasi a sovrapporsi con le frequenze relative al
possibile fault di barra, queste infatti disterebbero solamente pochi Hz da queste ultime, impe-
dendone lidenticazione; si precisa che i valori riportati in tabella fanno riferimento a misure
a pieno carico, se per` o cos` non fosse gli algoritmi di stima dello scorrimento sarebbero molto
meno precisi e quindi risulterebbe quasi impossibile discriminare tali componenti.
Osservando la (4.17) si pu` o vedere che la posizione delle armoniche legate al fault di barra
non ` e ssa, ma bens` risulta strettamente legata alla velocit` a cui lavora la macchina per cui se
ci trovassimo a lavorare in condizioni di carico ridotto, la macchina andrebbe ad operare in
punto di lavoro a velocit` a maggiore (quindi a scorrimento minore), il che potrebbe comporta-
re una sovrapposizione delle armoniche legate al fault con la fondamentale ad f
e
, impedendo
lindividuazione del guasto.
Con le moderne tecnologie ` e possibile in parte risolvere tali problemi di diagnostica per mez-
zo di sistemi esperti, i quali opportunamente istruiti con informazioni relative agli spettri delle
correnti in condizioni di carico diverse, possono mediante algoritmi di pattern recognition di-
scriminare tra le armoniche legate al fault e le restanti, legate ad esempio a variazioni di carico
o ad eventuali componenti legate a differenze di velocit` a relative tra i diversi ingranaggi del
sistema meccanico.
Ricordando che la risoluzione in un algoritmo FFT risulta inversamente proporzionale alla -
4.7 Riassunto 60
nestra di osservazione del segnale in analisi, possiamo dire con questi criteri risulta impossibile
diagnosticare il guasto in realtime.
Ovviamente per implementare tali tecniche sono necessari sistemi di acquisizione con elevate
risoluzioni in frequenza, il che si traduce in sistemi con elevate capacit` a di di acquisizione e di
memorizzazione, soprattutto quando nel caso in cui la macchina lavori a valori di scorrimento
ridotti.
I maggiori problemi che si incontrano nellacquisizione di segnali con alte risoluzioni sono
strettamente legati ai tempi di acquisizione e di processamento dei dati da parte dei dispositivi;
con i moderni sistemi DSP ad ogni modo tali problemi sono stati in parte superati.
7 Riassunto
In questo capitolo si sono descritti gli aspetti realizzativi e relativi al funzionamento della mac-
china asincrona, mostrando inoltre le problematiche legate alla non tempestiva individuazione
del fault di barra su tali sistemi.
Nel capitolo successivo invece si presenter` a lapproccio proposto per lindividuazione di tali
guasti mediante una tecnica del tutto innovativo per questa tipologia di sistemi infatti, anzich e
fare afdamento alle tecniche MCSA presentate in questo capitoli, si vedr` a come sia possibi-
le individuare, praticamente in tempo reale, tali guasti attraverso lutilizzo di Unknown Input
Observer basati su algoritmi di convergenza robusti sliding mode di ordine superiore.
Capitolo 5
Soluzione proposta
1 Introduzione
In questo capitolo presenteremo la soluzione sviluppata per lidenticazione dei guasti relativi
alla rottura delle barre rotoriche attraverso lutilizzo di un approccio Unknown Input Observer
model-based.
Questo capitolo si articola in tre sezioni principali. Nella prima sezione si eseguir` a una ana-
lisi sulle dinamiche del modello matematico della macchina asincrona assimetrica sviluppa-
to dal dipartimento di ingegneria elettrica dellUPV (Universidad Polit ecnica de Valencia), in
particolare si effettuer` a un analisi qualitativa sul comportamento del modello confrontandolo
con un equivalente modello di macchina simmetrica da noi sviluppato e riportato nel capitolo
precedente (4.12).
Nella sezione successiva si effettuer` a uno analisi in frequenza del modello dellUPV nel caso
in cui questo si trovi in stato di fault, infatti tale modello permette di simulare oltre che il
comportamento simmetrico di un motore sano, anche quello assimetrico che si instaura nel
caso in cui sia intervenuta la rottura di una barra nella gabbia rotorica, ricordiamo infatti che
la rottura di una o pi` u barra nella gabbia rotorica introduce una asimmetria nel campo a causa
delle sacche daria che vanno a formarsi nel circuito magnetico di rotore e che inevitabilmente
n e alterano la distribuzione del campo.
Nella terza sezione si riporter` a invece il progetto dellosservatore UIO sviluppato, verr` a pre-
sentato lalgoritmo di rilevazione del fault mediante lo studio dei residui e si analizzeranno i
5.2 Validazione del modello Induction Motor UPV 62
risultati ottenuti al simulatore.
2 Validazione del modello Induction Motor UPV
Come pi` u volte sottolineato, nelle tecniche di diagnostica model based avere un modello ac-
curato del sistema in analisi oltre che fornire un valore aggiunto al poggetto, permette una pi ` u
semplice diagnostica di guasto. Per eseguire la validazione del modello dellUPV, si ` e proceduto
innanzitutto sviluppando un modello semplicato della macchina asincrona sulla piattaforma di
sviluppo Simulink. Per cui sulla base del modello matematico ricavato nel precedente capitolo,
di seguito riportato
_
_
d
dt
=
f
v
J

n
p
M
JL
r
(
r
i
s
r
i
s
)
T
L
J
d
s
dt
=
R
r
L
r
r
n
p
r
+
R
r
L
r
Mi
s
d
s
dt
=
R
r
L
r
r
+ n
p
r
+
R
r
L
r
Mi
s
di
s
dt
=
M
2
R
r
+ L
2
r
R
s
L
s
L
2
r
i
s
+
MR
r
L
s
L
2
r
r
+
n
p
M
L
s
L
r
r
+
1
L
s
u
s
di
s
dt
=
M
2
R
r
+ L
2
r
R
s
L
s
L
2
r
i
s
+
MR
r
L
s
L
2
r
n
p
M
L
s
L
r
r
+
1
L
s
u
s
(5.1)
ci si ` e apprestati allimplementazione in Simulink di tale modello
1
ed ad una opportuna taratura
empirica dei parametri del modello in maniera che tale modello ed il modello dellUPVavessero
delle risposte dinamiche simili in termini di correnti di statore (i
s
, i
s
), velocit` a meccanica
e coppia elettromagnetica prodotta T
e
=
n
p
M
L
r
(
r
i
s
r
i
s
), nel caso in cui il modello
dellUPV simulasse il motore ABB da 4 KW, infatti osservando la Figura 5.1 si pu` o notare
come il modello permettesse laccesso ad una schermata di congurazione attraverso la quale
era possibile scegliere tra tre diverse macchine disponibili, ovvero
Motore ABB da 4 KW
Motore Siemens da 1.1 KW
1
In APPENDICE A sono riportati gli schemi Simulink del modello (5.1).
Motore con caratteristiche arbitrarie
In questo lavoro si ` e deciso di lavorare con il modello da 4 KW per il semplice fatto che dal
punto di vista simulativo richiedeva tempi minori di simulazione, dato che come risaputo motori
a potenza maggiore presentano tempi per portarsi a regime signicativamente inferiori.
Per cui scelta la seguente terna di tensioni trifase a 220 V
eff
come alimentazione dei due modelli
_
_
u
sa
(t) = V
s
cos(
e
t) = 220
2 cos(250t)
u
sb
(t) = V
s
cos
_
e
t
2
3
_
= 220
2 cos
_
250t
2
3
_
u
sc
(t) = V
s
cos
_
e
t +
2
3
_
= 220
2 cos
_
250t +
2
3
_
(5.2)
si ` e andato ad analizzare la risposta dei due modelli.
In Figura 5.2 riportiamo un confronto tra le caratteristiche meccaniche (, T
e
) delle due mac-
chine nellipotesi che i parametri della macchina da noi sviluppata fossero quelli riportati in
Tabella 5.1; dalla gura si pu` o immediatamente notare come la risposta del sistema UPV risulti
qualitativamente corretta.
Figura 5.1: Schermata di congurazione modello MAT-UPV.
Figura 5.2: Confronto delle caratteristiche meccaniche dei modelli in analisi.
(a)
(b)
Figura 5.3: Correnti di statore del modello dellUPV (5.3(a)) e del modello (5.1) (5.3(b)).
5.3 Analisi MCSA del modello MAT-UPV 65
R
s
[] L
s
[H] R
r
[] L
r
[H] M [H] n
p
J[Kg m
2
] f
v
[N m s]
1.2 0.126 0.7 0.085 0.1015 2 0.099 0.0035
Tabella 5.1: Valori dei parametri per il modello (5.1).
A questo punto, si ` e passato allanalisi delle dinamiche elettriche del sistema ed in questa fase,
si ` e riscontrato un comportamento anomalo e soprattutto difcilmente individuabile, se non at-
traverso una attenta analisi.
Si ` e trovato infatti, come si pu` o notare dalla Figura 5.3, che le correnti relative alla seconda i
sb
e
terza fase i
sc
, evolvevano dallistante iniziale con pendenze esattamente opposte, tale fenomeno
per` o era solo un campanello dallarme, in quanto era un fenomeno transitorio, e poich e per pro-
blemi di propriet` a intellettuale del codice non era permesso laccesso al sorgente del modello,
lunica soluzione era trattare il sistema come una black box, con tutte le problematiche del caso.
Successivamente, andando a studiare tale fenomeno a regime, si ` e trovato che tale sfasamen-
to iniziale si traduceva esattamente in uno sfasamento di 120tra le due coppie di segnali
(i
sb
UPV
, i
sb
) ed (i
sc
UPV
, i
sc
), come si osservare applicando la relazione (5.3), per il calcolo degli
sfasamento, ai campioni evidenziati in Figura 5.4
= 2f
s
T
180
= 250(0.7232 0.7165)
180
= 120.6
o
(5.3)
risultato analogo, si ` e ottenuto anche per la (i
sc
UPV
, i
sc
), quindi ` e facile dedurre che tali correnti
di uscita della macchina dellUPV in fase di implementazione sono state scambiate.
Sulla base di quanto descritto, da ora in avanti per tutto il proseguo del capitolo, ci riferiremo
alle correnti del trifase come se queste siano state scambiate opportunamente in maniera da
riottenere una terna trifase antioraria come quella di alimentazione (5.2); dal punto di vista
simulativo in ambiente Simulink tutto ci ` o si traduce in una semplice scambio di tali segnali
utilizzando un semplice blocco selettore (Selector).
3 Analisi MCSA del modello MAT-UPV
In questa sezione verr` a presentata lanalisi in frequenza mediante un approccio MCSA (Motor
Current Signature Analysis) del modello della macchina asincrona sviluppato dallUPV. Tale
Figura 5.4: Schermata di congurazione modello MAT-UPV.
modello, come si pu` o notare dalla Figura 5.1 presenta come opzione, nella schermata di con-
gurazione, la possibilit` a si simulare landamento di una macchina soggetta al fault di barra, in
particolare permette di simulare il comportamento nel caso in cui la macchina presenti 1, 2 o
3 barre rotte ed inoltre permette anche di scegliere quali tra le 28 barre disponibili sul rotore
debbano risultare interrotte.
Bench e non ci sia stata fornita una dettagliata descrizione di come tale fault sia stato implemen-
tato, possiamo comunque dire che che gli effetti di guasto sono stati implementati attraverso
delle equazioni differenziali con parametri tempovarianti, tali da fare in modo che, nel caso in
cui la macchina si trovasse in stato di fault, le resistenze rotoriche delle barre rotte crescessero
indenitamente (in maniera da annullarne la corrente circolante) e contemporaneamente le in-
duttanze del circuito magnetico di rotore variassero in funzione della posizione del rotore, cos`
da produrre un campo assimetrico esattamente come nei motori reali.
Prima di addentrarci nellanalisi della macchina in stato di fault, ` e necessario fare alcune con-
siderazioni sulle condizioni al contorno necessarie per una corretta analisi in frequenza delle
correnti di statore; in particolare si vuole precisare il fatto che tale algoritmo per un corretto
calcolo dello spettro, non pu` o venire applicato indistintamente a tutto lo stream di dati ottenuto
dalla simulazione, ma bens` solo ad una parte, infatti nonostante come noto lalgoritmo della
FFT aumenti di precisione utilizzando nestre temporali di dati maggiori, questo fatto non deve
indurci a considerare tutto stream prodotto dalla simulazione, perch e per una corretta analisi in
frequenza, ` e necessaria lesclusione di tutti i campioni relativi alle componenti transitorie delle
dinamiche in considerazione. Quanto detto, si traduce quindi in una estrapolazione dallo stream
di dati relativo alle correnti dei soli campioni generati dopo un certo tempo tale che tutti i
transitori, sia elettrici che meccanici siano terminati.
Per automatizzare tale procedura di estrapolazione, si ` e quindi pensato di estrapolare i cam-
pioni dallo stream delle correnti, solo una volta che la derivata della velocit` a angolare della
macchina , fosse diventata sufcientemente piccola; infatti ricordando che in una macchina
elettrica le dinamiche meccaniche sono necessariamente molto pi` u lente di quelle elettriche
questa condizione ci garantiva la stabilit` a dei risultati ottenuti per mezzo dellalgoritmo FFT.
Figura 5.5: Spettro delle tre correnti di statore nellipotesi di macchina sana.
Detto questo, in Figura 5.5 riportiamo lo spettro relativo alle tre correnti di statore nel caso in
cui macchina non fosse soggetta ad alcun fenomeno di guasto; osservando tale andamento si
pu` o dire che il risultato ` e esattamente quello atteso in quanto in tali condizioni, la macchina
presenta una distribuzione di campo simmetrica e quindi lunica componente spettrale presente
non pu` o che essere quella relativa alle alimentazioni del motore a 50 Hz.
Riportiamo ora in Figura 5.6 lo spettro di una delle correnti di statore nel caso in cui sia rotta
un sola barra e nellipotesi che sia soggetta ad un carico di 25 N m che corrisponde a regime
ad un valore di scorrimento pari a s = 0.0503; sulla base di tale dato ` e immediato ricavare le
posizione attese per tali armoniche. Per cui in base alla relazione vista nel capitolo precedente
e di seguito riportata
f
SB
= f
e
(1 2s) (5.4)
si ottiene che le posizioni attese per le armoniche relative al fault di barra saranno rispettiva-
mente 44.97 e 55.03 Hz, le quali corrispondo esattamente con i valori ottenuti attraverso la
simulazione, come infatti si osserva in Figura 5.7.
Figura 5.6: Spettro di una delle correnti di statore nellipotesi di una BRB.
Si noti per` o come tali armoniche risultino poco evidenti a causa dei bassi carichi alla quale
la macchina risulta sottoposta. In Figura 5.8 si enfatizza quanto appena detto proponendo un
confronto tra gli spettri di una delle correnti di statore rispettivamente per valori di scorrimento
rispettivamente di s = 0.0503 e s = 0.1228 nel caso in cui tre barre adiacenti siano interrotte; da
tale gura ` e immediato notare, oltre che le diverse posizione delle armoniche per via della (5.4),
Figura 5.7: Zoom dello spettro di una delle correnti di statore nellipotesi di una BRB.
anche le ampiezze diverse, in quanto per carichi maggiori le correnti di carico della macchina
devono obbligatoriamente crescere per riuscire a mantenere il rotore in moto.
A questo punto come ultimo passo per una completa analisi delle dinamiche del modello della
macchina in stato di fault, confronteremo in Figura 5.9 gli spettri rispettivamente della macchina
in stato di fault e soggetta contemporaneamente ad una coppia di carico pulsante a con duty cycle
del 50, periodo 0.25 sec ed ampiezza pari a 7 N m rispetto al valore nominale di 25 N m e
della macchina soggetta esclusivamente a tale coppia pulsante.
Come si pu` o notare da tale gura risulta immediato affermare che, come precedentemente sotto-
lineato nel capitolo precedente, anche in ambiente simulativo, nel caso di disturbi sulla coppia,
che ad esempio nella realt` a potrebbero tradursi in un sistema di trasmissione collegato median-
te ingranaggi allalbero principale della macchina, lidenticazione del fault di barra risulta
difcilmente individuabile.
(a)
(b)
Figura 5.8: Correnti di statore del modello dellUPV (?? e del modello (5.1) (5.3(b)).
5.4 Osservatore UIO proposto per la diagnostica del fault di barra su MAT 71
Figura 5.9: Confronto tra gli spettri delle correnti dovuti alla presenza di un disturbo su T
L
.
4 Osservatore UIO proposto per la diagnostica del fault di
barra su MAT
In questa ultima sezione si presenter` a losservatore UIO realizzato e se ne valuteranno le presta-
zioni confrontandole con i risultati ottenuti medianti lanalisi effettuata utilizzando lapproccio
MCSA visto nella precedente sezione.
Come pi` u volte citato, nelle procedure di FDI attraverso approcci model-based, una delle pro-
blematiche principali ` e legata alla modellazione del unknown input associato al fault della mac-
china ed allindividuazione del punto in cui tale disturbo deve essere posizionato nelle equa-
zioni del modello del sistema in analisi, in maniera da ottenere risultati coerenti attraverso gli
algoritmi per la generazione dei residui.
Per cui primo passo per la realizzazione per limplementazione del UIO, consiste nello studiare
il modello del sistema (5.1) e comprendere dove tali unknown input debbano essere posizionati.
Nel caso relativo alla macchina asincrona questa decisione non risulta immediata come invece
potrebbe essere per sistemi di natura diversa, in quanto tale sistema viene modellato attraverso
delle equazioni differenziali nelle quali quasi tutti i termini che la costituiscono sono composti
da prodotto di pi` u variabili di stato; si pensi ad esempio alla relazione che esprime la coppia
elettromagnetica, oppure allaccoppiamento che esiste tra ussi di rotore e velocit` a della mac-
china. Unica certezza assoluta sul fenomeno di fault sono gli effetti associati alla rottura delle
barre, infatti come pi ` u volte citato, i sintomi legati a tale fenomeno sono appunto lintroduzio-
ne di una coppia di armoniche sullo spettro delle correnti di statore legate alleccentricit` a del
campo nella macchina in rotazione. Tale fenomeno ovviamente, risulta strettamente legato ai
ussi di rotore, i quali per` o per via dellaccoppiamento magnetico tra statore e rotore riportano
tale fenomeno sulle equazioni di statore introducendo delle armoniche parassite anche chiamate
sideband frequencies.
Detto questo, si ` e pensato che tale fenomeno potesse essere modellato come un disturbo mat-
ched sulle equazioni di statore bench e sicamente tale fenomeno fosse maggiormente legato al
circuito di rotore.
Per giusticare tale scelta ` e possibile fare la seguente considerazione; ricordando che nei MAT a
gabbia non ` e possibile misurare con una discreta accuratezza il campo prodotto nella macchina,
a causa dellassenza di avvolgimenti sici reali nel circuito magnetico di rotore e dellimpossibi-
lit` a di posizionare dei sensori di campo tali da poter essere introdotti nel traferro delle macchine,
allora la scelta di considerare tali termini come matched sulle equazioni di statore non risulta
poi cos` ambigua.
Quindi sulla base di quanto esposto riportiamo il modello matematico della macchina in stato
di fault, nellipotesi che sia stato applicato il seguente cambio di variabili
[x
1
, x
2
, x
3
, x
4
, x
5
]
T
= [,
r
,
r
, i
s
i
s
]
T
(5.5)
_
_
x
1
=
1
(x
2
x
5
x
3
x
4
)
2
T
L
3
x
1
+ f
TP
x
2
= ax
4
bx
2
n
p
x
1
x
3
x
3
= ax
5
bx
3
+ n
p
x
1
x
2
x
4
= g
1
x
4
+ g
2
x
2
+ g
3
x
1
x
3
+ g
4
u
s
+ f
BB
x
5
= g
1
x
5
+ g
2
x
3
g
3
x
1
x
2
+ g
4
u
s
+ f
BB
(5.6)
dove i termini f
BB
ed f
BB
rappresentano la riessione del fenomeno di fault nel circuito
magnetico di rotore, nelle equazioni della dinamica delle correnti di statore. Nella (5.7) ` e pos-
sibile notare anche un nuovo termine nellequazione meccanica della macchina, ovvero f
TP
,
tale termine rappresenta lo stesso disturbo sulla coppia di carico introdotto nella sezione pre-
cedente per mostrare il limiti dellapproccio MCSA, tale termine in questo lavoro sar` a sfruttato
per mostrare la robustezza del algoritmo proposto anche nel caso in cui dovessero intervenire
contemporaneamente sia il fault sulle barre che il disturbo sulla coppia di carico del sistema.
_
_
x
1
=
1
(x
2
x
5
x
3
x
4
)
3
x
1
2
(T
L
f
TP
)
x
2
= ax
4
bx
2
n
p
x
1
x
3
x
3
= ax
5
bx
3
+ n
p
x
1
x
2
x
4
= g
1
x
4
+ g
2
x
2
+ g
3
x
1
x
3
+ g
4
(u
s
+ f
BB
)
x
5
= g
1
x
5
+ g
2
x
3
g
3
x
1
x
2
+ g
4
(u
s
+ f
BB
)
(5.7)
A questo punto sulla base della (3.1) possiamo riscrivere tale sistema come
_
x(t) = A(x(t)) +G(x(t))u(t) +E(x, u, t) +Df(y, u, t)
y(t) = Cx(t)
(5.8)
con
A(x) =
_
1
(x
2
x
5
x
3
x
4
)
3
x
1
ax
4
bx
2
n
p
x
1
x
3
ax
5
bx
3
+ n
p
x
1
x
2
g
1
x
4
+ g
2
x
2
+ g
3
x
1
x
3
g
1
x
5
+ g
2
x
3
g
3
x
1
x
2
_
_
G(x) =
_
2
0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 g
4
0
0 0 0 0 g
4
_
_
(5.9)
u(t) =
_
_
T
L
0
0
u
s
u
s
_
_
f(x, t) =
_
f
BB
f
BB
_
(t) = f
TP
(5.10)
D(x) =
_
_
0 0
0 0
0 0
1 0
0 1
_
_
E(x) =
_
_
1
0
0
0
0
_
_
C =
_
_
1 0 0 0 0
0 0 0 0 0
0 0 0 0 0
0 0 0 1 0
0 0 0 0 1
_
_
(5.11)
dove i vettori G(x), Ded E sono assunti noti, mentre i vettori f(x, t) e (x, t) rappresentano
rispettivamente i fault delle barre ed i disturbi esterni sulla coppia.
A questo punto nellipotesi che i vettori relativi ai fault ed ai disturbi siano limitati f(x, t) e
(x, t), sar` a possibile generare un osservatore dello stato sliding mode tale da permettere la
stima delle uscite y(t) = C x(t) in modo da mandare a zero lerrore
e
y
(t) = y(t) y(t) (5.12)
Quindi denito il seguente osservatore UIO
_
x
1
=
1
( x
2
x
5
x
3
x
4
)
3
x
1
2
(T
L
+
x
2
= a x
4
b x
2
n
p
x
1
x
3
x
3
= a x
5
b x
3
+ n
p
x
1
x
2
x
4
= g
1
x
4
+ g
2
x
2
+ g
3
x
1
x
3
+ g
4
(u
s
+
x
5
= g
1
x
5
+ g
2
x
3
g
3
x
1
x
2
+ g
4
(u
s
+
)
(5.13)
dove
rappresentano i tre controlli associati alle uscite del motore, rispettivamente

velocit` a, corrente diretta ed in quadratura della macchina ottenute mediante la trasformazione
di park, si otterr` a che la dinamica dellerrore assumer` a la seguente forma
_
_
e
1
=
3
e
1
+
1
[( x
2
x
5
x
3
x
4
) (x
2
x
5
x
3
x
4
)]
2
(
f
TP
)
e
2
= be
2
+ ae
4
n
p
( x
1
x
3
x
1
x
3
)
e
3
= be
3
+ ae
5
+ n
p
( x
1
x
2
x
1
x
2
)
e
4
= g
1
e
4
+ g
2
e
2
+ g
3
( x
1
x
3
x
1
x
3
) + g
4
(
f
BB
)
e
5
= g
1
e
5
+ g
2
e
3
g
3
( x
1
x
2
x
1
x
2
) + g
4
(
f
BB
)
(5.14)
per cui nellipotesi che i controlli, siano in grado di portare a zero gli errori sulle uscite ai quali
sono associati, ovvero
e
1
(t) = x
1
(t) x
1
(t) 0
e
4
(t) = x
4
(t) x
4
(t) 0
e
5
(t) = x
5
(t) x
5
(t) 0
(5.15)
si avr` a che la seconda e la terza equazione del sistema (5.14) rappresenteranno la dinamica
interna del sistema, in quanto tali equazioni dipendono esclusivamente dagli stati non accessibili
(ovvero i ussi di rotore) e dalle uscite del sistema,; quindi se si dimostrer` a che tali dinamiche
siano almeno localmente asintoticamente stabili si potr` a affermare che il sistema (5.13) ` e un
osservatore per il modello (5.7).
Per analizzare la stabilit` a della dinamica interna del sistema quindi si proceder` a andando a
studiare innanzitutto la zero dinamica di questultimo (ovvero una volta che le condizioni (5.15)
saranno vericate), quindi detto questo si avr` a che x
1
x
1
e quindi la zero dinamica potr` a
essere approssimata come segue
_
_
e
2
be
2
n
p
x
1
e
3
e
3
be
3
+ n
p
x
1
e
2
(5.16)
dove essendo b strettamente positivo, allora le dinamiche degli errori e
2
(t) ed e
3
(t) saranno
equivalenti alle uscite di due ltri del primo ordine stabili soggetti ad ingressi limitati. Sulla
base di queste considerazioni possiamo affermare che il sistema (5.13) ` e un osservatore per la
macchina asincrona (5.7).
Riportiamo ora la struttura dei controlli sliding mode scelta per garantire la condizione di sci-
volamento sullosservatore descritto. Per questa operazione si ` e pensato di ricorrere ad una
tipologia di algoritmo di controllo chiamata Super Twisting Algorithm il quale a differenza de-
gli algoritmi sliding mode classici, risulta fornire una azione di controllo continua, quindi non
affetta dai fastidiosi fenomeni di chattering tipici dei controlli a commutazione, lunica condi-
zione che deve essere la garantita per la convergenza sulla supercie di scivolamento ` e che tale
controllo debba agire su sistemi a grado relativo non superiore al secondo, altrimenti se cos` non
dovesse essere, garantisce comunque che (e
i
, e
i
) (0, 0) con i = 1, 4, 5 ovvero la convergenza
in un intorno dello zero per le dinamiche associate alle variabili di sliding.
Per cui scelte come superci scivolamento
e
1
(t) = x
1
(t) x
1
(t)
e
4
(t) = x
4
(t) x
4
(t)
e
5
(t) = x
5
(t) x
5
(t)
(5.17)
5.4.1 Test Residual Generator 76
1

2

3
100 100 100
Tabella 5.2: Valori dei guadagni per i controlli (5.18).
i controlli
assumeranno la struttura tipica degli algoritmi Super Twisting riportata in

(5.18), mentre per quanto riguarda la scelta dei guadagni a questi associati possiamo dire dopo
un primo dimensionamento di massima si ` e optato attraverso un approccio del tutto empirico ai
valori riportati in Tabella 5.2.
=
1
_
e
1
(t) sign(e
1
(t))
3
2
1
_
sign(e
1
(t)) dt
=
4
_
e
4
(t) sign(e
4
(t))
3
2
4
_
sign(e
4
(t)) dt
=
5
_
e
5
(t) sign(e
5
(t))
3
2
5
_
sign(e
5
(t)) dt
(5.18)
4.1 Test Residual Generator
Le simulazione per dimostrare lafdabilit` a dellUIO presentato, sono state organizzate in due
fasi, una prima fase dove si ` e andato a testare lalgoritmo sviluppato sul modello (5.7), dove in
questo caso la componente di fault associata alle barre era modellata semplicemente attraver-
so lintroduzione di una armonica sulle tensioni di alimentazione (5.2) e solo successivamente
una volta dimostrato che lalgoritmo convergeva si ` e passati al testing di questo sul modello
del macchina asincrona sviluppato dallUPV, nella quale in fenomeno di fault era implemen-
tato in maniera da considerare leccentricit` a del campo associata al fault. Di seguito per non
appesantire la trattazione discuteremo esclusivamente questi risultati.
Lo schema Simulink del sistema Plant+Residual Generator+Residual Evaluetor ` e riportato in
Figura 5.10. Da notare che per ora ci siamo concentrati esclusivamente sulla parte associata alla
generazione dei residui, ma non abbiamo ancora descritto come poi questi verranno analizzati;
questa parte la si descriver` a a ne capitolo.
Come gi` a detto in precedenza i residui associati al anomalie del sistema saranno appunto i
segnali
per individuare anomalie legate alleccentricit` a del campo e
per identicare
effetti legati a disturbi sulla coppia di carico.
Figura 5.10: Schema Simulink del sistema Plant+Residual Generator+Residual Evaluetor .
Prima di affrontare la problematiche legate alla valutazione dei residui si presenteranno i risul-
tati simulativi relativi al test dellosservatore; in particolare di seguito tratteremo lo scenario in
cui la macchina presenti un fault di tre barre ed a regime presenti un valore di scorrimento pari
a 0.0625. In Figura 5.11 e Figura 5.12 sono riportati gli andamenti a regime delle variabili di
stato reali e stimate dei due sistemi, ed i relativi errori di stima associati; da tali risultati, ` e facile
dedurre che le losservatore (5.13) stia lavorando in maniera corretta esattamente come predet-
to nella precedente sezione, da notare che riducendo ulteriormente il passo di integrazione gli
errori arrivano ad un ordine di grandezza di circa 10
6
, ma a causa della non eccellente potenza
di calcolo del PC e della necessit` a di eseguire simulazioni di durata maggiore, ci si ` e limitati a
riportare queste gure.
In Figura 5.13, sono inoltre riportati gli andamenti dei residui, dove come si pu` o notare, i residui
associati alle correnti di statore, risultano maggiormente eccitati, mentre quello relativo alla
velocit` a presenta delle ampiezze molto minori ( da notare che inizialmente assume valori elevati
per il semplice fatto che si ` e deciso, per testare le prestazioni dellUIO, di far partire processo e
modello da condizioni iniziali diverse).
Osservando in particolare i primi due residui di tale gura ` e possibile individuare un inviluppo
su tali segnali, tale fatto ovviamente non deve stupirci in quanto ci si aspettava un segnale con un
certo contenuto armonico, la cosa interessante per` o ` e stata che andando a calcolare lo spettro di
tale segnale, riportato in Figura 5.14, si ritrovano esattamente le stesse armoniche delle correnti
Figura 5.11: Confronto a regime sugli andamenti delle variabile reali e stimate.
Figura 5.12: Andamenti degli errori associati alle uscite della macchina.
Figura 5.13: Andamenti dei residui generati attraverso lUIO in (5.13).
Figura 5.14: Spettro del residuo
.
5.5 Valutazione dei residui 80
di statore nel caso di fault ottenute mediante la relazione (5.4), rispettivamente a 43.7524 ed
56.2476 Hz.
In pratica attraverso lapproccio proposto si ` e riusciti esattamente a ricostruire leffetto delle
barre rotte di rotore sulle correnti di statore, ovvero i segnali f
BB
ed f
BB
.
Questo risultato sottolinea nuovamente gli ottimi risultati che si possono ottenere, mediante un
approccio FDI di tipo model based.
5 Valutazione dei residui
In questa sezione presenteremo lalgoritmo utilizzato per linterpretazione e la valutazione dei
residui generati dal osservatore UIO descritto precedentemente. Lidea di base ` e formalizzare
un criterio che permetta lindividuazione di una anomalia persistente come appunto la rottura
delle barre nella gabbia rotorica, ma che eviti la generazione di falsi allarmi nel caso in cui
leccentricit` a del campo associato alla macchina sia esclusivamente un fenomeno temporaneo.
Sulla base di queste considerazioni e ricordando che i residui presentano caratteristiche oscil-
lanti per via della natura del sistema in considerazione, si ` e pensato di ricorrere al seguente
algoritmo di valutazione per i residui.
E
i
=
_
t
tT
|
i
|
2
dt con i = 1, 3, 5 (5.19)
il quale permette il calcolo di una sorta di valore efcace nestrato del residuo, in altre parole
ci fornisce un informazione dellenergia associata al controllo dellosservatore per forzare il
modello a comportarsi come il sistema in stato di fault.
Successivamente una volta resi disponibili i segnali E
i
per effettuare identicazione di guasto
` e sufciente confrontare tale quantit` a con delle opportune soglie scelte ad hoc sulla base degli
ammontari energetici associati a tali quantit` a nel caso in cui il sistema non sia soggetto ad alcun
fenomeno di guasto.
5.5.1 Test Residual Evaluetor 81
5.1 Test Residual Evaluetor
Vediamo ora di riportare i risultati simulativi dellalgoritmo di valutazione proposto in (5.19).
Lo scenario che si vuole analizzare per questa simulazione ` e il seguente: si suppone la macchi-
na inizialmente ferma ed in stato di salute, successivamente dopo lavvio, a causa di eccessive
vibrazioni associate al carico f
TP
, modellate come nella SEZIONE 5.3, che comportano stress
maggiori nella gabbia e surriscaldamenti, una saldatura tra barra ed anelli di cortocircuito cede,
per cui da tale istante di tempo, sar` a presente il guasto sulla macchina. Per complicare la pro-
cedura di identicazione, si ` e poi pensato di far scomparire il disturbo sulla coppia, lasciando
per` o il motore in stato di fault.
Uno degli obbiettivi sar` a anche quello di individuare il disturbo sul carico, in quanto bench e
come detto in precedenza tale distrurbo risulti inevitabile nel caso in cui sia connesso un organo
di trasmissione al motore, bisogna anche precisare che tale vibrazione non potr` a mai avere am-
piezza qualsiasi, per cui ci saranno anche casi in cui tali vibrazioni possano essere considerate
pericolose. In questa trattazione supporremo di trovarci in questa seconda situazione, per cui
risulta importante individuare anche tale anomalia.
Detto questo, si spenderanno alcune parole riguardo allorganizzazione della simulazione, poi-
ch e infatti il modello di MAT dellUPV, non consentiva la rottura ad un istante arbitrario, si ` e
pensato allistante in cui ` e prevista la rottura delle barre di commutare il processo, in altre paro-
le lidea ` e mandare in esecuzione le due macchine ed allistante della rottura scambiarle, tutto
questo in maniera trasparente dl punto di vista dellosservatore precedentemente progettato.
Tale commutazione per` o comporta una inevitabile discontinuit` a su tutte le variabili di stato che
quindi si traduce in un analogo fenomeno sui residui, per cui per rendere lanalisi del residuo
il meno sensibile possibile a fenomeno si ` e ben pensato di far avvenire tali fenomeni a regime
e non in transitorio, anche se ` e ragionevole pensare che nel caso in cui fosse possibile ottenere
loccorrenza del guasto senza tale barbatrucco, sicuramente il blocco di identicazione forni-
rebbe valori corretti anche nel caso in cui il fault avverrebbe in transitorio, purch e dopo un
tempo tale da permettere alle dinamiche dellosservatore di convergere.
Dopo queste premesse riportiamo in Tabella 5.3 rispettivamente i parametri del Residual Eva-
th
fBB
th
fTP
T t
fBB
t
fTP
4 100 0.2 1 1.5 0.5 1.25
Tabella 5.3: Valori parametri del Residual Evaluetor e dei tempi di guasto della simulazione.
No Fault Broken Bar Pulse Torque P.T. + B.B.
0 1 2 3
Tabella 5.4: Legenda degli identicativi dei guasti.
luetor (5.19), ovvero T, th
fBB
e th
fTP
, dove questi ultimi due parametri sono le soglie oppor-
tunamente settate in maniera tale da riconoscere un comportamento anomalo sulle uscite del
motore, mentre t
fBB
e t
fTP
sono i valori entro i quali i risultano attivi i fault
Figura 5.15: Identicazione dei guasti.
A questo punto si riportano in Figura 5.15 i graci rappresentativi dei tempi di occorrenza dei
diversi guasti del processo (Real Fault) ed dei tempi di identicazione di questi ultimi (Identier
Fault). Si noti che essendo lalgoritmo di identicazione basato su una sorta di media scorrevole
(5.19), ovviamente non si potr` a mai richiedere lidenticazione in tempo reale del guasto, ad
ogni modo possiamo vedere dalla gura che i tempi di identicazione risultano in ogni caso
Figura 5.16: Andamenti dei residui generati attraverso lUIO in (5.13).
Figura 5.17: Confronti tra i segnali E
1
ed E
3
con le rispettive soglie identicazione.
inferiori al decimo di secondo e quindi tali da poter essere considerati pressoch e istantanei.
In Figura 5.16 e Figura 5.17 sono invece riportati rispettivamente gli andamenti dei residui e
dei confronti tra i segnali E
1
ed E
3
con le relative soglie; interessante notare come il residuo
riesca perfettamente a ricostruire il disturbo sulla coppia f

TP
, ricordiamo infatti che tale
disturbo aveva una ampiezza pari a 7 N m e un periodo di 0.25 secondi.
Capitolo 6
Conclusioni
In questo lavoro di tesi si ` e presentato un approccio innovativo per lo studio e la diagnostica in
tempo reale di guasti su motori a induzione a gabbia di scoiattolo, ottenendo risultati veramente
interessati sia in termini di ricostruzione dei fault, sia in termini di tempi di identicazione di
guasto, in quanto come si pu` o notare dai graci riportati nel precedente capitolo, i tempi per
la diagnostica risultano veramente irrisori rispetto alle dinamiche del motore, si parla infatti
di decimi di secondo, sia nel caso in cui vengano presi in considerazione guasti legati al fault
sulle barre, che nel caso in cui si abbia a che fare con disturbi esterni al motore come carichi
vibranti, che ad ogni modo possono comportare eccessivi stress di fatica sulla gabbia rotorica
e quindi essere causa di danni permanenti sulle parti meccaniche della macchina, come ad
esempio eccessiva usura dei cuscinetti o torsioni dellalbero della macchina.
I vantaggi di questo approccio sebbene fortemente legati allaccuratezza del modello della mac-
china in considerazione possono comunque ritenersi un ottimo punto di partenza per progetti
futuri. Col metodo proposto ` e stato quindi possibile disaccoppiare i sintomi relativi ai fault di
barra, da quelli relativi ad agenti esterni, cosa questa impensabile utilizzando il classico ap-
proccio MCSA, il quale, come visto risente fortemente in fase di identicazione del guasto dei
disturbi sul carico, infatti anche un semplice sistema di trasmissione collegato allalbero motore
della macchina pu` o comportare limpossibilit` a di una afdabile diagnosi.
Andando invece a considerare la complessit` a computazionale dei due approcci, possiamo dire
che sebbene lapproccio UIO risulta molto pi ` u prestante ed afdabile, richiede comunque un
costo computazionale superiore rispetto al calcolo di un semplice spettro di una corrente, anche
86
se considerando le potenze di calcolo dei calcolatori attuali tale problema risulta quasi irrile-
vante, per contro per` o il numero di misure necessarie per la diagnostica risultano decisamente
superiori, infatti nellapproccio MCSA ` e sufciente la misura di una sola corrente del circuito
di statore, mentre per lalgoritmo proposto sono necessarie ben tre misure di corrente ed una di
velocit` a.
Ad ogni modo considerando che tale framework risulterebbe destinato a motori di grosse di-
mensioni i quali disservizi possono causare eccessive perdite di denaro, possiamo affermare
che probabilmente questo approccio potrebbe comunque trovare terreno fertile in ambito indu-
striale; ricordiamo infatti che sebbene richieda un numero maggiore di misure, possiamo anche
dire che tali misure in un impianto sono gi` a disponibili, ma utilizzate per altri scopi come ad
esempio il controllo scalare della velocit` a od il controllo di usso nella macchina, per cui si
tratterebbe esclusivamente di portare tali misurazioni anche al sistema a microprocessore nel
quale verr` a implementato tale algoritmo.
Per quanto riguarda gli sviluppi futuri legati allo sviluppo di questo framework di diagnostica,
si prevede di testare tale approccio su dei motori reali realmente in stato di fault in maniera
da ottenere dei riscontri veritieri sulla fattibilit` a di questapproccio, dove per quanto riguarda
limplementazione del modello della macchina assimetrica, si potrebbe riutilizzare il modello
prodotto dallequipe spagnola dellUPV in congurazione custom, settando opportunamente i
valori del modello sulla base di misure sulla macchina in considerazione.
Appendice A
Schemi Simulink
Figura A.1: Schema Simulink della dinamica del MAT (4.13)
Figura A.2: Schema Simulink della dinamica del elettrica MAT.
88
Figura A.3: Schema Simulink della dinamica meccanica del MAT.
Figura A.4: Schema Simulink del Residual Generator in Figura 5.10.
Figura A.5: Schema Simulink del Residual Evaluetor in Figura 5.10.
89
Figura A.6: Schema Simulink del blocco HOSM del Residual Evaluetor.
Figura A.7: Schema Simulink di uno dei tre algortimi sliding mode Super Twisting (5.18).
Figura A.8: Schema Simulink di uno dei tre analizzatori di residui (5.19).
Figura A.9: Schema Simulink del blocco per il confronto dei segnali E
i
con le soglie.
Elenco delle gure
1.1 Confronto tra analytical e physical redundancy. . . . . . . . . . . . . . . . . . 9
1.2 Schema logico di un sistema model-based FDI. . . . . . . . . . . . . . . . . . 10
2.1 Struttura logica di un sistema model-based FDI. . . . . . . . . . . . . . . . . . 14
2.2 Sistema model-based FDI ad anello chiuso. . . . . . . . . . . . . . . . . . . . 16
2.3 Impianto da monitorare. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2.4 Impianto da monitorare con segnale di attuazione con sia accessibile. . . . . . . 18
2.5 Struttura generale per un generatore di residui. . . . . . . . . . . . . . . . . . . 20
2.6 Una possibile struttura per un generatore di residui. . . . . . . . . . . . . . . . 20
2.7 Sistema di diagnostica con stimatore parametrico ad equazione derrore. . . . . 22
2.8 Sistema di diagnostica con stimatore parametrico derrore sulluscita. . . . . . 24
2.9 Metodi di FDI con equazioni di parit` a. . . . . . . . . . . . . . . . . . . . . . . 25
2.10 Schema logico di un processo con osservatore dello stato. . . . . . . . . . . . . 26
2.11 Processo MIMO nel quale coesistono segnali di fault e disturbi. . . . . . . . . . 27
2.12 Schema UIO DOS (Dedicated Observer Scheme). . . . . . . . . . . . . . . . . 30
2.13 Schema UIO GOS (Generalised Observer Scheme). . . . . . . . . . . . . . . . 30
2.14 Schema logico di un processo monitorato mediante Output Observer Approach. 31
2.15 Schema logico di un unknown input observer. . . . . . . . . . . . . . . . . . . 34
Elenco delle gure 91
4.2 Impianto da monitorare. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.4 Sezione trasversa di un MAT simmetrico. . . . . . . . . . . . . . . . . . . . . 47
4.5 Circuito elettrico equivalente del MAT nel sistema di riferimento di statore. . . 48
4.6 Barra di rotore rotta su un motore da 1700 hp. . . . . . . . . . . . . . . . . . . 54
4.7 Frequenze dovute al fenomeno di rottura delle barre. . . . . . . . . . . . . . . 57
4.8 Spettro di motore con barre rotte connesso ad un sistema di trasmissione. . . . 58
5.1 Schermata di congurazione modello MAT-UPV. . . . . . . . . . . . . . . . . 63
5.2 Confronto delle caratteristiche meccaniche dei modelli in analisi. . . . . . . . . 64
5.3 Correnti di statore del modello dellUPV (5.3(a)) e del modello (5.1) (5.3(b)). . 64
5.4 Schermata di congurazione modello MAT-UPV. . . . . . . . . . . . . . . . . 66
5.5 Spettro delle tre correnti di statore nellipotesi di macchina sana. . . . . . . . . 67
5.6 Spettro di una delle correnti di statore nellipotesi di una BRB. . . . . . . . . . 68
5.7 Zoom dello spettro di una delle correnti di statore nellipotesi di una BRB. . . . 69
5.8 Correnti di statore del modello dellUPV (?? e del modello (5.1) (5.3(b)). . . . 70
5.9 Confronto tra gli spettri delle correnti dovuti alla presenza di un disturbo su T
L
. 71
5.10 Schema Simulink del sistema Plant+Residual Generator+Residual Evaluetor . . 77
5.11 Confronto a regime sugli andamenti delle variabile reali e stimate. . . . . . . . 78
5.12 Andamenti degli errori associati alle uscite della macchina. . . . . . . . . . . . 78
5.13 Andamenti dei residui generati attraverso lUIO in (5.13). . . . . . . . . . . . . 79
5.14 Spettro del residuo
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
5.15 Identicazione dei guasti. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
5.16 Andamenti dei residui generati attraverso lUIO in (5.13). . . . . . . . . . . . . 83
Elenco delle gure 92
5.17 Confronti tra i segnali E
1
ed E
3
con le rispettive soglie identicazione. . . . . . 83
A.1 Schema Simulink della dinamica del MAT (4.13) . . . . . . . . . . . . . . . . 87
A.2 Schema Simulink della dinamica del elettrica MAT. . . . . . . . . . . . . . . . 87
A.3 Schema Simulink della dinamica meccanica del MAT. . . . . . . . . . . . . . . 88
A.4 Schema Simulink del Residual Generator in Figura 5.10. . . . . . . . . . . . . 88
A.5 Schema Simulink del Residual Evaluetor in Figura 5.10. . . . . . . . . . . . . 88
A.6 Schema Simulink del blocco HOSM del Residual Evaluetor. . . . . . . . . . . 89
A.7 Schema Simulink di uno dei tre algortimi sliding mode Super Twisting (5.18). . 89
A.8 Schema Simulink di uno dei tre analizzatori di residui (5.19). . . . . . . . . . . 89
A.9 Schema Simulink del blocco per il confronto dei segnali E
i
con le soglie. . . . 89
Bibliograa
[1] J. J. E. Slotine, Weiping Li (1991). Applied nonlinear controll, Prentice-Hall.
[2] S. Simani, C. Fantuzzi, R. J. Patton (2002). Model-Based Fault Diagnosis in dynamic system
using identication techniques, Springer-Verlag.
[3] R. J. Patton, J. Chen (1991). A review of parity space approaches to fault diagnosis, IFAC
Symposium SAFEPROCESS 91, Baden-Baden.
[4] R. J. Patton, P. M. Frank, R. N. Clark (1989). Fault diagnosis in dynamic systems: theory
and applications, Prentice-Hall, Inc. Upper Saddle River, NJ, USA.
[5] R. J. Patton, P. M. Frank,and R. N. Clark (2000). Issues of Fault Diagnosis for Dynamic
Systems, Springer-Verlag.
[6] J. Chen, R. J. Patton (1999). Robust Model-Based Fault Diagnosis for Dynamic Systems.
Kluwer Academic.
[7] R. N. Clarck (1978). Instrument fault detection. IEEE Trans. Aero. & Electronic Systems,
14(3).
[8] A. S. Willsky (1976). A Survey of Design Methods for Failure Detection in Dynamic
Systems. Automatica, 12(6):601-611..
[9] P. M. Frank (1993). Advances in observer-based fault diagnosis. Proc. TOOLDIAG93
Conference. CERT TOULOSE (F).
[10] J. W unnenberg, P. M. Frank (1987). Sensor fault detection via robust observer. System
Fault Diagnosis, Reliability, and Related Knowledge-Based Approaches, volume 1, pp.
147-160, Tzafestas et al edition.
Bibliograa 94
[11] R. V. Beard (1971). Failure accommodation in linear systems through self-reorganization.
Technical Report MVT-71-1, Man Vehicle Lab., Cambridge,
[12] H. L. Jones (1973). Failure detection in linear systems. PhD thesis, Dept. of Aeronautics,
M.I.T., Cambridge, Mass.
[13] J. L. Speyer (1999). Residual sensitive fault detection lters. MED99, pp. 835-851, Haifa,
Israel.
[14] J. Chen, R. J. Patton, H. Y. Zhang (1996) Design of unknown input observer and robust
fault detection lters, Int. J. Control, 63(1):85-105.
[15] J. Gertler (1991). Generating directional residuals with dynamic parity equations,. Proc.
IFAC/IMACS Symp. SAFEPROCESS91, Baden Baden (G).
[16] J. Chen, R. J. Patton (1999). Robust Model-Based Fault Diagnosis for Dynamic Systems,
Kluwer Academic.
[17] C. Edwards, S. K. Spurgeon, R. J. Patton (2000). Sliding mode observer for fault detection
and isolation, Automatica, vol. 36(4),pp. 541-553.
[18] ABB Il motore asincrono trifase Generalit` a ed offerta ABB per il coordinamento delle
protezioni Quaderni di Applicazione Tecnica.
[19] R. Marino, S. Peresada, P. Valigi (1993). Adaptive Input -Output Linearizing Control of
Induction Motors IEEE TRANSACTIONS ON AUTOMATIC CONTROL, VOL. 38, NO.
2, FEBRUARY 1993.
[20] R. Marino, S. Peresada, P. Valigi (1993). Adaptive Input -Output Linearizing Control of
Induction Motors IEEE TRANSACTIONS ON AUTOMATIC CONTROL, VOL. 38, NO.
2, FEBRUARY 1993.
[21] D. Young, U. Ozguner, V. Utkin (1999). A control engineers guide to sliding mode control,
IEEE Trans. Contr. Syst. Tech., vol 7, pp. 328342, 1999.
Bibliograa 95
[22] R. Sreedhar, B. Fern andez, B. Masada (1993). Robust fault detection in nonlinear systems
using sliding mode observers, Proceedings of the IEEE Conference on Control Application,
pp. 751-721.
[23] F. Hermans, M. Zarrop (1996). Sliding mode observers for robust sensor monitoring, In
Proceedings 13th IFAC World Congress, pp. 211-216, San Francisco, USA, 1996.
[24] T. Floquet, J. P. Barbot, W. Perruquetti M. Djemai (2004). On the robust fault detection
via a sliding mode disturbance observer, International Journal of Control 77 (7) (2004), pp.
622-629.
[25] X. G. Yan, C. Edwards (2007). Nonlinear robust fault reconstruction and estimation using
a sliding mode observer, Automatica, vol. 43,pp. 1605-1614.
[26] V. I. Utkin (1992). Sliding Modes In Control And Optimization, Springer Verlag, Berlin.
[27] N. Orani (2010). HOSM Techniques for FDI, PhD Thesis.

Tecniche Di Diagnostica Model-Based Per Azionamenti Asincroni

Caricato da

Informazioni sul documento

Titolo originale

Copyright

Formati disponibili

Condividi questo documento

Condividi o incorpora il documento

Opzioni di condivisione

Hai trovato utile questo documento?

Questo contenuto è inappropriato?

Copyright:

Formati disponibili

Tecniche Di Diagnostica Model-Based Per Azionamenti Asincroni

Titolo originale:

Caricato da

Copyright:

Formati disponibili

.

(t) e quindi il segnale di fault risulter` a pari a

(t) non sia accessibile, come mostrato in Figura 2.4, il modello

z(t) = F z(t) +Ju(t) +Gy(t) (2.45)

rappresentano i tre controlli associati alle uscite del motore, rispettivamente

assumeranno la struttura tipica degli algoritmi Super Twisting riportata in

per individuare anomalie legate alleccentricit` a del campo e

riesca perfettamente a ricostruire il disturbo sulla coppia f

Potrebbero piacerti anche