Autor: Sandra Milena Zambrano Contreras

Director: Dr. Rocco Tarantino Alvarado

Co – director:

MSc. Sandra Aranguren

MSc. Carlos Fernando Agudelo

 

 

RESUMEN

 

El desarrollo de un sistema de detección y diagnóstico de fallos incipientes proporciona beneficios orientados principalmente a corregir desviaciones del proceso productivo, evitar acontecimientos anormales, reducir perdidas de productividad, disminuir los días de paradas no programadas y principalmente prevenir posibles situaciones que pongan en peligro las personas o el medio ambiente. En la industria se ha documentado el impacto económico debido al manejo inapropiado de situaciones anómalas haciendo énfasis en la necesidad de automatizar las tareas requeridas para la detección temprana y el diagnóstico de fallos utilizando toda la información disponible en tiempo real. Existen muchas técnicas de detección temprana y diagnóstico de fallos [1,43], algunas de estas técnicas incluyen el uso de sistemas expertos con bases de conocimiento que contienen las relaciones causales entre los síntomas observados en los procesos reales y las fallas que los causaron. Un sistema óptimo para el diagnóstico de fallos debe presentar características como detección temprana y diagnóstico, discriminación entre diferentes fallas, robustez al ruido y la incertidumbre, identificación de fallas nuevas, identificación de fallas múltiples, facilidad de explicación de las fallas y adaptabilidad. De acuerdo a lo anterior, una herramienta de proceso de supervisión eficiente debe proporcionar valiosos aportes para la toma de decisiones apropiadas en la cadena del proceso productivo y permitir la planificación de políticas de mantenimiento a corto, mediano y largo plazo.

El objetivo de la detección y el diagnóstico de fallos aplicado en una unidad de craqueo catalítico Fluidizado FCC es proporcionar una herramienta de supervisión eficiente que sirva de aporte en la interacción entre la inferencia del comportamiento del proceso y la observación del mismo, la generación de hipótesis a partir de los síntomas observados en el proceso real, así como la identificación de los fallos en los componentes del proceso que puedan ser la causa de dichos síntomas y por último permitir la validación de cada hipótesis para determinar si se ajusta a todas las observaciones disponibles del proceso y sus componentes. Con el desarrollo de este trabajo se busca seleccionar una metodología óptima para la detección y diagnóstico de fallos en una unidad de Cracking Catalítico Fluidizado para optimizar recursos humanos, económicos, físicos y tecnológicos al momento de implantar sistemas de detección y diagnóstico de fallas logrando una mayor efectividad a la hora de emplear estos sistemas. La metodología desarrollada tiene en cuenta un amplio estudio de herramientas técnicas de Sistemas de Detección y Diagnostico de Fallos (SDDF), así como metodologías a ser aplicadas en ingeniería de la confiabilidad industrial.

 

Bibliografía

 

[1] Venkatasubramanian, V. (2003). Abnormal events managements in complex process plants: challenges and opportunities in intelligent supervisory control, 4th International Conference on Foundation of Computer-Aided Process Operations, FOCAPO 2003, Coral Springs-FL, USA.

 

[2] V. Venkatasubramanian, R. Rengaswamy, S. Kavuri, and K. Yin, “A review of process fault detection and diagnosis Part III: Process history based methods,” COMPUTERS & CHEMICAL ENGINEERING, vol. 27, pp. 327–346, MAR 15 2003.

 

[3] Sadeghbeigi, Reza. Fluid Catalytic Cracking Handbook Design, Operation and Troubleshouting of FCC facilities, 2Ed, Gulf Professional Publishing, Houston (2000) 2Ed 234-275

[4]www.asmconsortium.net/Documents/HumanSideofSafety_ERTC%20Forum_Bullemer_30Nov10.pdf

 

[5] Hazard and Operability Studies, Process Safety Report 2, Imperial Chemical Industries Limited, London, 1974.

 

[6] Use of Hazard and Operability Studies in Process Analysis, AIChE Today Series, American Institute of Chemical Engineers, New York, 1989.

 

[7] (http://ai-pbma-kms.intranets.com/login.asp?link=)

 

[8] CRITICALITY ANÁLISIS FOR MAINTENANCE PORPUSES, NORSOK STANDARD Z-008 Rev 2, Noviembre 2001.

 

[9] Frank, P. M. (1994). On-line fault detection in uncertain nonlinear systems using diagnostic observers: a survey. International Journal Systems Science 25 (12), 2129_/2154.

 

[10] Celse,B. Cauvin,S. Heim,B. Gentil,S. Travé-Massuyès,L. Modelo basado en un módulo de diagnóstico para una planta piloto de FCC. Oil & Gas Science and Technology – Rev. IFP, Vol. 60 (2005), No. 4, pp. 661-679. 234

 

[11] Chang, C. T., & Hwang, J. I. (1998). Simplification techniques for EKF computations in fault diagnosis - suboptimal gains. Chemical Engineering Science 53 (22), 3853_/3862.

 

[12] Fussell, J. B. (1974). Fault tree analysis state of the art. IEEE Transactions on Reliability 23 (1), 51_/53

 

[13] Davis, R. (1984). Diagnosis reasoning based on structure and behavior. Artificial Intelligence 24 (1_/3), 347_/410.

 

[14] Sacks, E. (1988). Qualitative analysis of piecewise linear approximation. Journal of Artificial Intelligence in Engineering 3 (3), 151-155.

 

[15] Gertler J., (1998). Fault Detection and Diagnosis in egineering Systems. Marcel Dekker, Inc. Printed USA.

 

[16] O.A.Z. Sotomayor1, D. Odloak, E. Alcorta-Garcia, P. de León-Cantón, observer-based supervision and fault detection of a FCC unit model predictive control system.

 

[17] Willsky, A. S., & Jones, H. L. (1976). A generlized likelihood ratio approach to the detection and estimation of jumps in linear systems. IEEE Transactions on Automatic Control AC-21, 108/112.

 

[18] H. Aradhye, B. Bakshi, J. Davis, and S. Ahalt, “Clustering in wavelet domain: A multiresolution ART network for anomaly detection,” AICHE JOURNAL, vol. 50, pp. 2455–2466, OCT 2004.

 

[19] Wenfu Ku, Robert H. Storer, and Christos Georgakis. Disturbance detection and isolation by dynamic principal component analysis. Chemometrics and intelligent laboratory systems, 30:179-196, November 1995. [20] J. Chen and W.-Y. Wang, “PCA-ARMA-Based Control Charts for Performance Monitoring of Multivariable Feedback Control,” INDUSTRIAL & ENGINEERING CHEMISTRY RESEARCH, vol. 49, pp. 2228–2241, MAR 3 2010.

 

[21] X. Zhang and K. A. Hoo, “Effective fault detection and isolation using bond graph-based domain decomposition,”COMPUTERS & CHEMICAL ENGINEERING,vol. 35, pp. 132–148, JAN 10 2011. 235

 

[22] J. Yu, “Hidden Markov models combining local and global information for nonlinear and multimodal process monitoring,” JOURNAL OF PROCESS CONTROL,vol. 20, pp. 344–359, MAR 2010.

 

[23] Garcés Sayra. Propuesta de un Sistema Automático para Detección y Diagnóstico de Fallas. Tesis de Grado Universidad de los Andes. Mérida, Venezuela, 1999

 

[24] V. H. Nguyen and J.-C. Golinval, “Fault detection based on Kernel Principal Component Analysis,” ENGINEERING STRUCTURES, vol. 32, pp. 3683–3691, NOV 2010.

 

[25] M. Misra, H. Yue, S. Qin, and C. Ling, “Multivariate process monitoring and fault diagnosis by multi-scale PCA,” COMPUTERS & CHEMICAL ENGINEERING, vol. 26, pp. 121–1293, SEP 15 2002.

 

[26] Handbook FCC J. Acedo. Control de reactores. Repsol-YPF, S.A. Ingeniería Química., pages 168-187, octubre 2005.

 

[27] Qin, S. J. Statistical process monitoring: basics and beyond. Journal of Chemometrics, 17(8-9), pp.480-502. 2003.

 

[28] MacGregor, J. F. Data-Based Latent Variable Methods for Process Analysis, Monitoring and Control., in European Symposium on Computer Aided Process Engineering - 14 (Barbosa Póvoa, A. y Matos, H. eds.). Elsevier, Lisbon, Portugal. 2004.

 

[29] Jain, A. K., M. N. Murty y P. J. Flynn. Data Clustering: A Review. ACM Computing Surveys,31(3), pp.264-323. 1999.

 

[30] Han, J. y M. Kamber. Data mining: concepts and techniques. Morgan Kaufmann, San Francisco, CA, USA. 2001.

 

[31] Willsky A., Chow Analytical redundancy and the design of robust failure detection systems. IEEE Transaction Automatic Control. Vol. AC 29, 1984.  

 

[32] Hwang, D. H. y C. Han. Real-time monitoring for a process with multiple operating modes. Control Engineering Practice., 7, pp.891-902. 1999. 236

 

[33] Tona, R. V., Espuña, A., and Puigjaner, L. A Historical Data Based Methodology to identify longer variations and optimal process operating conditions, in 51st Canadian Chemical Engineering Conference Halifax, Canada. pp.375. 2001.  

 

[34] Johannesmeyer, M. C., A. Singhal y D. E. Seborg. Pattern matching in historical data. AIChE Journal, 48(9), pp.2022-2038. 2002.  

 

[35] Bokor, V., Naggy Y. Reactor noise analysis: aplplying multivariable AR&ARMA methods. 2do taller Europeo de diagnóstico de fallas, España 1987

 

[36] Wise, B. M. y N. B. Gallagher. The process chemometrics approach to process monitoring and fault detection. Journal of Process Control, 6(6), pp.329-348. 1996.

 

[37] Teppola, P. y P. Minkkinen. Possibilistic and fuzzy C-means clustering for process monitoring in an activated sludge waste-water treatment plant. Journal of Chemometrics, 13(3-4), pp.445-459. 1999.  

 

[38] Teppola, P., S. Mujunen y P. Minkkinen. Adaptive Fuzzy C-means Clustering in Process Monitoring. Chemometrics and Intelligence Laboratory System, 45, pp.23-38. 1999.

 

[39] Bezdek, J. Pattern Recognition with Fuzzy Objective Function Algorithms. Plenum Publishing Corporation, New York, N.Y.(1981).  

 

[40] Kartalopoulos (1996). Understanding Neural Networks and Fuzzy Logic. Basic Concepts andApplications. IEEE.  

 

[41] Mo-Yuen Chow, (1997). Methodologies of Using Neural Network and Fuzzy Logic for Motor Incipient Fault Detection. World Scientific.  

 

[42]. John Woodhouse. “Mantenimiento Centrado en Confiabilidad”. The Woodhouse Partnership. 2000.  

 

[43] Tarantino, R, and Aranguren S. “Métodos de Detección y Diagnóstico de Fallas Industriales” Pamplona. 2005.

 

[44] Modarres, Mohammad; Kaminsky, Mark; Kritsov, Vasily. “Reliability Engineering and Risk Analysis”. Marcel Dekker, New York, 1999. 237

 

[45] Yañez, Medardo - Joglar, Fancisco – Modarres Mohammad, Generalized Renewal Process foranalysis of Repairable Systems with limited failure experience – Reliability Engineering and System Safety Analysis Journal – ELSVIER –USA 2002.

 

[46] Jubete, F. and Castillo, E. (1994), Linear Programming and Expert Systems. Microcomputers in Civil Engineering, Special Issue on Uncertainty in ExpertSystems, 9:335.

 

[47] Intelligent Alarm Management. Agudelo, Carlos; Morant, Francisco; Quiles, Eduardo; Garcia, Emilio. IEEE LARC & CCAC 2011. Bogotá, Octubre 2011.

 

[48]Gertler, J., Structured Residuals for Fault Isolation, Disturbance Decoupling and Modelling error Robusteness. IFAC On-line Fault Detection and Supervision in the Chemical Process Industries, Delaware, USA 1992.

 

[49] Garcés Sayra. Propuesta de un Sistema Automático para Detección y Diagnóstico de Fallas. Tesis de Grado Universidad de los Andes. Mérida, Venezuela, 1999.

 

[50] Agudelo, Carlos; Morant, Francisco; Quiles, Eduardo; Garcia, Emilio. Secuencias de alarmas para detección y diagnóstico de fallos. 3er CONGRESO INTERNACIONAL DE INGENIERÍA MECATRÓNICA Universidad Autónoma de Bucaramanga. Bucaramanga, Octubre 2011.

 

[51] Caceres, L. and Ropero, A. Desarrollo de un modelo de simulación para el análisis de fallos en la unidad de ruptura catalítica de la refinería de Cartagena – ECOPETROL S.A. B.S. Tesis. Universidad Pontificia Bolivariana, Bucaramanga (Colombia), 2006