Controlador de bucle cerrado tolerante a fallos utilizando detección de fallos en línea mediante redes neuronales
Autores: Alanis, Alma Y.; Alvarez, Jesus G.; Sanchez, Oscar D.; Hernandez, Hannia M.; Valdivia-G, Arturo
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Controlador de bucle cerrado tolerante a fallos utilizando detección de fallos en línea mediante redes neuronales
Categoría
Tecnología de Equipos y Accesorios
Subcategoría
Diseño de equipos y herramientas
Palabras clave
Redes neuronales
Fallos de sensores
Detección de fallos
Motor de inducción
Sistema de control
Control tolerante a fallos
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 22
Citaciones: Sin citaciones
Este documento presenta un esquema de control tolerante a fallos de sensores sin modelo en línea, capaz de tolerar los fallos más comunes que afectan a un motor de inducción. Este enfoque implica el uso de redes neuronales para la detección de fallos, con el fin de proporcionar al controlador información suficiente para contrarrestar las consecuencias adversas debido a fallos en los sensores, como la degradación en el rendimiento, la fiabilidad e incluso fallos en el sistema de control. El enfoque propuesto no considera el conocimiento del modelo nominal del sistema ni cuándo puede ocurrir el fallo. Por lo tanto, se utiliza una red neuronal recurrente de alto orden entrenada en línea mediante el Filtro de Kalman Extendido para obtener un modelo matemático del sistema. El modelo obtenido se utiliza para sintetizar un control de modo deslizante en tiempo discreto. Luego, se realiza la etapa de detección y aislamiento de fallos mediante redes neuronales independientes, que tienen como entrada la señal del sensor de corriente y el sensor de posición, respectivamente. De esta manera, los clasificadores neuronales monitorean continuamente los sensores, mostrando la capacidad de conocer el estado del sensor. La combinación del controlador y la detección de fallos mantiene la operación del motor durante el tiempo de ocurrencia del fallo, ya sea por desconexión del sensor, degradación o fallo de conexión. De hecho, la red neuronal MLP logra una precisión entre el 95% y el 99% y muestra un AUC del 97% al 99%, y esta red neuronal clasifica correctamente los verdaderos positivos con un rendimiento aceptable. El valor es alto, entre el 97% y el 99%, y el puntaje 1 confirma un buen rendimiento. En contraste, la CNN muestra una mayor precisión, entre el 96% y el 99% y del 98% al 99% en AUC. Además, sus y 1 reflejan un mejor equilibrio y capacidad para manejar datos complejos, demostrando su superioridad sobre MLP en la clasificación de fallos. Por lo tanto, las redes neuronales son un enfoque prometedor en áreas como el control tolerante a fallos.
Descripción
Este documento presenta un esquema de control tolerante a fallos de sensores sin modelo en línea, capaz de tolerar los fallos más comunes que afectan a un motor de inducción. Este enfoque implica el uso de redes neuronales para la detección de fallos, con el fin de proporcionar al controlador información suficiente para contrarrestar las consecuencias adversas debido a fallos en los sensores, como la degradación en el rendimiento, la fiabilidad e incluso fallos en el sistema de control. El enfoque propuesto no considera el conocimiento del modelo nominal del sistema ni cuándo puede ocurrir el fallo. Por lo tanto, se utiliza una red neuronal recurrente de alto orden entrenada en línea mediante el Filtro de Kalman Extendido para obtener un modelo matemático del sistema. El modelo obtenido se utiliza para sintetizar un control de modo deslizante en tiempo discreto. Luego, se realiza la etapa de detección y aislamiento de fallos mediante redes neuronales independientes, que tienen como entrada la señal del sensor de corriente y el sensor de posición, respectivamente. De esta manera, los clasificadores neuronales monitorean continuamente los sensores, mostrando la capacidad de conocer el estado del sensor. La combinación del controlador y la detección de fallos mantiene la operación del motor durante el tiempo de ocurrencia del fallo, ya sea por desconexión del sensor, degradación o fallo de conexión. De hecho, la red neuronal MLP logra una precisión entre el 95% y el 99% y muestra un AUC del 97% al 99%, y esta red neuronal clasifica correctamente los verdaderos positivos con un rendimiento aceptable. El valor es alto, entre el 97% y el 99%, y el puntaje 1 confirma un buen rendimiento. En contraste, la CNN muestra una mayor precisión, entre el 96% y el 99% y del 98% al 99% en AUC. Además, sus y 1 reflejan un mejor equilibrio y capacidad para manejar datos complejos, demostrando su superioridad sobre MLP en la clasificación de fallos. Por lo tanto, las redes neuronales son un enfoque prometedor en áreas como el control tolerante a fallos.