Diagnóstico de Fallas en Centrales Termoeléctricas Utilizando Modelado Neuronal y Lógica Difusa Nemecio Tlalolini Ramos1, José A. Ruz Hernández2, Dionisio A. Suárez Cerda3, Alfredo Sánchez López3, Agustín Quintero Reyes3 1

Demar Instaladora y Constructora S. A. de C. V., Calle 5 Sur, Mz. “Q”, Lote 9, Col. Puerto Industrial y Pesquero Laguna Azul, C. P. 24140, Cd. del Carmen, Campeche. [email protected] 2 Universidad Autónoma del Carmen, Av. 56 #4 Esq. Av. Concordia, Col. Aviación, C.P. 24180, Cd. del Carmen, Campeche [email protected] 3 Instituto de Investigaciones Eléctricas, Calle Reforma # 113, Col. Palmira, C. P. 62040, Cuernavaca, Morelos {suarez, jasl, aqr}@iie.org.mx Resumen—En este artículo se describe un sistema de diagnóstico de fallas para el generador de vapor de una central termoeléctrica, utilizando modelado neuronal y lógica difusa. El sistema consta de dos componentes; la primera, consiste en la generación de residuos mediante la diferencia que existe entre las mediciones actuales de la planta y las estimaciones que se obtienen con un predictor neuronal; la segunda, es un módulo difuso que se utiliza para evaluar los residuos y realizar el diagnóstico de la falla correspondiente. Los datos saludables con los que se entrenan las redes neuronales que integran el predictor y la base de datos que corresponden a las principales fallas que se presentan en este tipo de centrales se obtienen de un simulador de alcance total. La metodología propuesta puede aplicarse en los casos en que la lógica difusa actuando de manera individual no es suficiente para hacer un diagnóstico adecuado de las fallas. Palabras clave: Detección y diagnóstico de fallas, lógica difusa, redes neuronales, simulador de alcance total, generador de vapor, centrales termoeléctricas.

I. INTRODUCCIÓN En este trabajo se propone una estrategia de diagnóstico de fallas en el generador de vapor de una central termoeléctrica. En este tipo de centrales, es frecuente que cuando se presenta una perturbación inesperada en el proceso, el operador se enfrente a la incertidumbre de que la información llegue muy rápido, en gran cantidad y sin indicar con claridad la causa ni el origen del problema. Además, el operador cuenta con poco tiempo para responder adecuadamente. De aquí la importancia del desarrollo de técnicas basadas en inteligencia computacional para el diagnóstico de fallas, de tal modo que sean el medio para tener la información causante del problema de manera temprana y precisa. Esto permitirá al operador realizar las acciones necesarias para impedir el mal funcionamiento o un paro no programado de la unidad, buscando minimizar los períodos de tiempo en que la unidad sale de servicio en caso de que esto sea inevitable.

La importancia del diagnóstico oportuno de fallas en las unidades termoeléctricas es una valiosa herramienta en la operación, en el entendido de que toda falla lleva un costo asociado que se incrementa a medida que la falla evoluciona y no es atendida. En sentido opuesto, una falla detectada y atendida con oportunidad, tendrá un costo mínimo (Ruz et al., 2005). En las últimas tres décadas, el diagnóstico de fallas que utilizan técnicas de inteligencia computacional tales como los sistemas difusos, redes neuronales y algoritmos genéticos se ha incrementado (Korbicz et al., 2004). Una red neuronal tiene el potencial de aprendizaje utilizando patrones obtenidos desde la información de entradas y salidas del sistema. Con la red es posible construir un modelo útil para la generación de residuos y detectar la aparición de fallas (Ruz et al., 2006). Por otro lado, los sistemas difusos son capaces de reproducir el razonamiento heurístico el cual es trasladado a reglas lingüísticas que representan el conocimiento y la experiencia humana (Frank y Marcu, 2001). El objetivo principal del diagnóstico de fallas es detectar y aislar la falla, ofreciendo la información acerca de su magnitud y origen. Esto debe realizarse en línea considerando las señales de entrada conocidas y teniendo el menor número posible de falsas alarmas; en este caso, las señales del proceso útiles para el diagnóstico se obtienen de un simulador de alcance total (González, 1981). Una arquitectura y suficientes datos de entrenamiento permiten que las redes neuronales sean útiles para representar el comportamiento dinámico de sistemas no lineales complejos (Norgaard, 2000). Así se proporcionarán estimaciones muy precisas de la salida del sistema a partir de las entradas evaluando los residuos generados por medio del bloque difuso. La metodología propuesta se utiliza para el caso en el que el patrón de evolución del conjunto de variables clave asociado a cada falla no puede ser determinístico para la detección y consecuente diagnóstico de la falla.

Congreso Nacional de Control Automático A.M.C.A. 2007

24-26 de octubre, Monterrey, N.L.

II. DESCRIPCIÓN DEL PROBLEMA En los operadores de las centrales termoeléctricas recae la responsabilidad de monitorear, identificar y atender los problemas que eventualmente se presentan en el proceso de generación eléctrica. De presentarse una falla y no ser atendida a tiempo en principio ocasiona degradación del equipo, fallas en el servicio, pérdidas económicas pero principalmente peligro para la integridad del operador. Es por esto que además del conocimiento experto del operador se requiere de un diagnóstico adecuado que le permita tomar las decisiones acertadas para mantener la correcta operación de la central termoeléctrica. La Figura 1 muestra el diagrama de una central termoeléctrica. Las fallas que generalmente se presentan en este tipo de centrales pueden clasificarse en los siguientes grupos: fallas relacionadas con el control de temperatura de vapor sobrecalentado y recalentado, fallas relacionadas con el control de nivel del domo y fallas relacionadas con el control de combustión.

Figura 2. Diagrama simplificado sistema aire/gases Combustible. Una de las fallas de este grupo es la del filtro sucio en la succión de bombas de alta presión de aceite combustible a quemadores (falla 1). Un ensuciamiento del filtro se presenta normalmente de acuerdo a la calidad del combustible, teniendo como posible causa a la existencia en gran escala de partículas contenidas en el combustible. En otras ocasiones se debe a la operación con niveles muy bajos en el tanque de almacenamiento con el consecuente arrastre de sedimentos (CFE, 1997). Cuando se presenta el ensuciamiento de este filtro, el flujo de combustible no es suficiente para mantener la demanda de carga de la unidad, la presión del combustible en la descarga de las bombas se abatirá, la presión del vapor principal disminuirá de su valor nominal y por consiguiente el flujo de vapor hacia la turbina también disminuirá. III.

ESQUEMA DE DIAGNÓSTICO

El esquema propuesto en este artículo posee dos componentes: la generación de residuos y la clasificación de fallas (Figura 3). Figura 1. Diagrama de una central termoeléctrica Este último grupo es el que se analiza de manera particular en este trabajo. Para comprender mejor la operación de este grupo de fallas es necesario explicar el diagrama simplificado del sistema aire / gases-combustible que se muestra en la Figura 2. El control de combustión tiene la función de controlar la mezcla de aire-combustible en el hogar en forma segura y eficiente, manteniendo el equilibrio entre el calor generado y la demanda de vapor para obtener una salida de presión de vapor controlada. Una alta eficiencia de la combustión se logra con exceso de aire adecuado para quemar la cantidad de combustible para cada quemador, con un diámetro mínimo de las partículas de combustible y una longitud de flama adecuada en el generador de vapor.

Figura 3. Esquema de detección y diagnóstico de fallas La primera componente consiste en la comparación entre las mediciones de la planta y los valores proporcionados por

Congreso Nacional de Control Automático A.M.C.A. 2007

24-26 de octubre, Monterrey, N.L.

un predictor basado en redes neuronales. Las diferencias entre estos valores se conocen como residuos y constituyen un buen indicador para la detección de fallas. De acuerdo con lo anterior, el vector de residuos se calcula como: ri (k ) = xi (k ) − xˆi (k ),

i = 1, 2,..., n.

(1)

donde xi (k ) corresponde a las mediciones de la planta y

xˆ i (k ) a las predicciones. Los residuos generados en esta forma son independientes del estado de operación del sistema bajo condiciones de operación nominal de la planta puesto que el predictor se entrena con datos saludables del proceso. En ausencia de fallas, los residuos reflejan solamente ruido y dinámicas no modeladas. Cuando ocurre una falla, los residuos se desvían de cero siguiendo trayectorias diferentes (Ruz, 2005).

El predictor se diseñó usando cinco modelos basados en redes neuronales. Las redes se entrenaron mediante el Algoritmo de Levenberg-Marquardt. Cada red es del tipo perceptrón multicapa. Tienen una capa oculta de neuronas cuyas funciones de activación son tangentes hiperbólicas y una sola neurona con función de activación lineal en la capa de salida. Los modelos se obtienen empleando la herramienta NNSYSID de Matlab. Además, poseen una estructura NNARX de 8 entradas y una salida: xˆ1 (k) = F1[W1, x1 (k −1),...,x1 (k − 6),u1 (k −1),...,u1 (k − 6),...,u8 (k −1),...,u8 (k − 6)]

(2) xˆ2 (k) = F2 [W2 , x2 (k − 1),...,x2 (k − 6), u1 (k − 1),...,u1 (k − 6),...,u8 (k − 1),...,u8 (k − 6)]

(3) xˆ3 (k) = F3[W3 , x3 (k −1),...,x3 (k − 2),u1(k −1),...,u1 (k − 2),...,u8 (k −1),...,u8 (k − 2)]

(4) xˆ4 (k) = F4[W4 , x4 (k −1),...,x4 (k − 2),u1(k −1),...,u1 (k − 2),...,u8 (k −1),...,u8 (k − 2)]

A. Generación de residuos

(5)

Para la generación de residuos, un predictor neuronal reemplaza al modelo analítico que generalmente describe al proceso bajo condiciones de operación normal, saludable o libre de fallas. La obtención del predictor mediante redes neuronales se basa en la teoría de identificación para sistemas dinámicos con estructuras no lineales. Para lograr la identificación se requiere la adquisición de datos experimentales que se obtienen de un simulador de alcance total. El aprendizaje de las redes se realiza con el esquema serie-paralelo. Cuando el proceso de entrenamiento de la red o de las redes que integran el predictor neuronal concluye, este último se utiliza para generar residuos (Figura. 4). Una vez que el aprendizaje finaliza, se fijan los pesos de la red o de las redes que sean necesarias en el predictor y se emplean en simulación o en paralelo con la planta para efectuar la predicción.

u(k −1)

x(k)

Planta

+ q-1 ∧

Red Neuronal

x(k )

-

(7) xˆ7 (k ) = F7 [W7 , x7 (k − 1),..., x7 (k − 3), u1 (k − 1),...,u1 (k − 6),...,u8 (k − 1),...,u8 (k − 6)]

(8) xˆ8(k) = F8[W8, x8(k −1),...,x8(k −3),u1(k −1),...,u1(k −6),...,u8(k −1),...,u8(k − 6)]

(9) xˆ9 (k ) = F9 [W9 , x9 (k − 1),..., x9 (k − 6), u1 (k − 1),...,u1 (k − 6),...,u8 (k − 1),...,u8 (k − 6)]

(10) xˆ10 (k ) = F10[W10 , x10 (k −1),...,x10 (k − 3), u1 (k − 1),...,u1 (k − 6),...,u8 (k −1),...,u8 (k − 6)]

(11) donde las variables de entrada son:

u1 (.) = Flujo de combustible (%) u 2 (.) = Flujo de aire (%) u 3 (.) = Flujo de agua de condensado (Litros/min.) u 4 (.) = Flujo de agua de atemperación (Kg/s) u 5 (.) = Flujo de agua de alimentación (T/H) u 7 (.) = Flujo de vapor de agua (Litros/min.) u 8 (.) = Ángulo de inclinación de quemadores (Grados)

x(k )

Planta

+

r (k )

q-1 ∧

Predictor Neuronal

xˆ6 (k) = F6[W6 , x6 (k − 1),...,x6 (k − 3),u1(k − 1),...,u1(k − 3),...,u8 (k − 1),...,u8 (k − 3)]

u 6 (.) = Flujo de repuesto al condensador (Litros/s)

Entrenamiento de la red

u(k −1)

xˆ5(k) =F5[W5, x5(k −1),...,x5(k −2),u1(k −1),...,u1(k −2),...,u8(k −1),...,u8(k −2)] (6)

x(k )

-

Generación de residuos

Figura 4. Esquema de entrenamiento y generación de residuos.

y las variables de salida son:

x1 (.) = Carga de la unidad (MW) x 2 (.) = Presión del hogar (Pa) x3 (.) = Nivel del domo (m) x 4 (.) = Temperatura de vapor sobrecalentado (o K) x5 (.) = Temperatura de vapor recalentado (o K)

Congreso Nacional de Control Automático A.M.C.A. 2007

24-26 de octubre, Monterrey, N.L.

x6 (.) = Presión de vapor recalentado (Pa) x7 (.) = Presión del domo (Pa) x8 (.) = Presión diferencial (vapor de atomización – aceite combustible (%) x9 (.) = Temperatura de aceite combustible (o K)

x10 (.) = Temperatura de agua de alimentación (o K) Wi representa los pesos de cada red neuronal. La estructura con retardos de cada modelo neuronal se selecciona utilizando el criterio dado en (Norgaard, 2000). Este criterio esta basado en los cocientes de Lipschitz. El esquema de generación residual se aplica fuera de línea para una falla que ocurre en las centrales termoeléctricas: filtro sucio en la succión de bombas de alta presión, a la que nos referimos como falla 1. Se adquirieron datos de la falla con la ayuda del simulador de alcance total (Figura 5), para un 75% de carga inicial de la unidad; las tendencias de los residuos que se utilizarán para el diagnóstico de ésta falla son mostradas en la Figura 6.

B. Clasificación de Fallas Con el vector de residuos obtenidos en la sección anterior, se tienen las entradas para el sistema difuso en el que se realizará la evaluación y clasificación de la falla. Cada residuo representa una entrada para el sistema difuso, para el caso de la falla 1, se tienen 3 residuos que la determinan: r1 (Temperatura de vapor sobrecalentado), r2 (Presión de vapor recalentado) y, r3 (Presión del domo), los demás no proporcionan información importante al respecto. Al presentarse ésta falla se obtiene la tendencia de las variables (Presión de aceite combustible a quemadores y Flujo de combustible total) indicadas en la Figura 7, en las que se observan oscilaciones por lo que en estos casos no es posible aplicar la lógica difusa de manera aislada para la detección y diagnóstico de fallas debido a la dificultad para discriminar entre un valor saludable y uno en falla.

Figura 7. Tendencias de presión de aceite combustible a quemadores y flujo de combustible para la falla1

Figura 5. Simulador de alcance total

Figura 6. Residuos del predictor neuronal

Un sistema lógico difuso (SLD) tiene la propiedad principal de ser capaz de manejar simultáneamente datos numéricos y conocimiento lingüístico. En otras palabras, los (SLD) son sistemas basados en conocimiento que consisten en reglas lingüísticas IF-THEN que pueden diseñarse usando el conocimiento de expertos. Los (SLD) realizan de manera determinística un mapeo de los datos del vector de entrada a salidas escalares. El esfuerzo computacional de un sistema basado en reglas difusas incrementa fuertemente si el número de sistemas difusos y el número de reglas crece. En el caso del análisis de la falla 1 al utilizar solamente la lógica difusa, como las variables del proceso no son muy representativas al presentarse la falla, se tiene la necesidad de incrementar el número de entradas al sistema difuso para poder discriminarla. Debido a esto, el número de funciones de membresía, el número de intervalos difusos y por consiguiente el número de reglas difusas se incrementa considerablemente. De acuerdo con lo anterior, se propone el uso de los residuos obtenidos con el predictor neuronal y su evaluación difusa para el diagnóstico de fallas en el generador de vapor. La arquitectura general se indica en la Figura 8.

Congreso Nacional de Control Automático A.M.C.A. 2007

24-26 de octubre, Monterrey, N.L.

Figura 8 Arquitectura general para diagnóstico de fallas Para diagnosticar la falla 1, las variables de entrada al modelo difuso corresponden a la de los residuos r1, r2, y r3, respectivamente. Se tiene una sola salida utilizando el modelo de Mamdani. Para cada entrada se definen dos funciones de membresía tipo gaussianas una llamada PREC que está asociada al valor de residuo que aunque ya es diferente de cero todavía no rompe el umbral de falla confirmada, la otra función de membresía se llama OF que indica cuando el residuo correspondiente ya sobrepasó el límite del umbral indicando operación en falla (Figura 9). De manera similar en la salida se tienen dos funciones de membresía llamadas PRECAUCIÓN y FALLA. Esto se muestra en la Figura 10.

c) Figura 9. Funciones de membresía para: a) entrada r1, b) entrada r2, c) entrada r3. De manera similar en la salida se tienen dos funciones de membresía llamadas PRECAUCIÓN y FALLA. Esto se muestra en la Figura 10.

Figura 10 Funciones de membresía para la salida (y) Las reglas para el modelo difuso que permiten diagnosticar la falla 1 son:

a)

1.- SI r1 es OF y r2 es PREC y r3 es PREC ENTONCES y es PRECAUCIÓN. 2.- SI r1 es PREC y r2 es OF y r3 es PREC ENTONCES y es PRECAUCIÓN. 3.- SI r1 es PREC y r2 es PREC y r3 es OF ENTONCES y es PRECAUCIÓN. 4.- SI r1 es OF y r2 es OF y r3 es PREC ENTONCES y es PRECAUCION. 5.- SI r1 es PREC y r2 es OF y r3 es OF ENTONCES y es PRECAUCIÓN. 6.- SI r1 es OF y r2 es PREC y r3 es OF ENTONCES y es PRECAUCIÓN. 7.- SI r1 es OF y r2 es OF y r3 es OF ENTONCES y es FALLA. IV.

b)

RESULTADOS DEL DIAGNÓSTICO

Para la implementación del sistema se utilizó el toolbox de Matlab-Simulink, en la Figura 11 se muestra el diagrama

Congreso Nacional de Control Automático A.M.C.A. 2007

24-26 de octubre, Monterrey, N.L.

a bloques utilizado, en el cual se tiene un bloque constante que corresponde al umbral específico que se ajustará para cada falla. En al caso de la falla 1 éste umbral es de 0.38.

integran el predictor se utilizan en paralelo con la planta. Dada la naturaleza no lineal del predictor neuronal, los residuos generados se desvían de su valor nominal para detectar la presencia de fallas; en caso contrario, los residuos nos indican que la planta opera en condiciones normales. Los modelos difusos empleados para el diagnóstico aprovechan las características de los residuos para determinar la falla que se está presentando mediante una base de reglas. En corto tiempo, se pretenden realizar pruebas en línea utilizando como planta al simulador de alcance total de centrales termoeléctricas. Así mismo, se ampliará el universo de las fallas a detectar y diagnosticar. VI.

Figura 11 Diagrama a bloques en Simulink. En la figura 12 se muestran el resultado del diagnóstico de la falla 1 con la metodología propuesta al configurar en el simulador de alcance total los siguientes parámetros: 75% de carga inicial de la unidad (225 MW), un porcentaje de severidad del 15%, un retardo de 2 mín., un tiempo de evolución de 3 mín. y un tiempo de simulación de 15 min.

AGRADECIMIENTOS

Los autores agradecen al Instituto de Investigaciones Eléctricas (IIE) y en particular a la Gerencia de Control de Procesos (GSP), su apoyo y las facilidades otorgadas para el uso del simulador de alcance total de centrales termoeléctricas. El primer autor agradece a la empresa Demar, Instaladora y Constructora por proporcionarle el tiempo necesario para realizar estancias en el IIE. El segundo autor agradece a la Universidad Autónoma del Carmen (UNACAR) y al Promep el apoyo a través de los proyectos PR/60/2006 y P/-CA-7 2006 05, respectivamente. REFERENCIAS

Figura 12 Salida del modelo difuso para la falla 1.

V.

CONCLUSIONES

El sistema de detección y diagnóstico propuesto en este artículo permitió obtener resultados alentadores mediante su aplicación fuera de línea a tres de las fallas que comúnmente ocurren en las centrales termoeléctricas. Por cuestiones de espacio, aquí solo se presentaron los resultados correspondientes a la detección y diagnóstico de la falla denominada filtro sucio en la succión de bombas de alta presión de aceite combustible a quemadores. Las redes neuronales que constituyen el predictor se entrenan con datos saludables obtenidos de un simulador de alcance total que reproduce fielmente el conocimiento del proceso. Una vez que finaliza el entrenamiento, los pesos se fijan y a diferencia de los observadores, las redes que

Comisión Federal de Electricidad (1997). Manual del Centro de Adiestramiento de Operadores Ixtapantongo, Módulo III, Unidad 1, México. Frank P. M., T.Marcu (2001). Fuzzy Techniques in Fault Detection Isolation and Diagnosis, Gerhard Mercator University of Duisburg, Department of Measurement and Control. González Santaló J. (1981), “Desarrollo de un Simulador de Centrales Termoeléctricas”, Boletín IIE, Vol. 5, Num. 2, pp. 47-50. Korbicz J., J.M. Koscienly, Z. Kowalczuk, W. Cholewa (2004). Fault Diagnosis models, Artificial Intelligence, Applications, Springler-Verlag Berlin Heidelberg. Norgaard M., O. Ravn, N.K.. Poulsen and L. K. Hansen (2000). Neural Networks for Modelling and Control of Dynamics Systems, Springler Verlag, London, Great Britain. Ruz J. A., E.N. Sánchez, D.A. Suárez y A. Quintero R. (2006). Avances en línea de investigación de diagnóstico de fallas en centrales termoeléctricas, Boletín IIE, pp. 116- 125. Ruz J. A., E.N. Sánchez y D.A. Suárez (2005) Esquema neuronal para diagnóstico de fallas en centrales termoeléctricas, Congreso Nacional de la Asociación de México de Control Automático.

Congreso Nacional de Control Automático A.M.C.A. 2007

24-26 de octubre, Monterrey, N.L.