|
DETECCIÓN
Y LOCALIZACIÓN DE FALLOS EN UN GRUPO HIDROELÉCTRICO
MEDIANTE REDES NEURONALES
Sergio Saludes Rodil, Alberto
Vargas Alonso,
José R. Perán
González y Juan Miguel Herrero Marcosp
CARTIF
(Centro de Automatización,
Robótica,
Tecnologías de la
Información y de la Fabricación)
Parque Tecnológico
de Boecillo, P 205
47151 Boecillo (Valladolid)
España
RESUMEN
Iberdrola dispone en la
actualidad de un sistema de mantenimiento preventivo en sus
centrales del salto de Villalcampo. CARTIF está llevando
a cabo un proyecto cuya finalidad es el diseño y puesta
en funcionamiento de un sistema de mantenimiento predictivo
en dichas centrales.
El sistema de mantenimiento
predictivo que se está desarrollando se basa en el seguimiento
de los niveles de vibración y de diversas señales
acústicas, así como de un sistema experto y un
sistema basado en redes neuronales encargados ambos de la detección
automática de fallos. Esta comunicación se centra
en el sistema neuronal desarrollado.
La finalidad del sistema
neuronal es la detección de las averías que puedan
producirse en el grupo. Los datos de los que se ha dispuesto
para el entrenamiento de las redes neuronales corresponden sólo
a estados de buen funcionamiento, es decir, no hay información
sobre los fallos. Este sistema tiene dos versiones. En la primera
se utiliza una red del tipo Self-Organising Map (SOM)
o red de Kohonen. En este caso, la red se usa como un modelo
del funcionamiento normal. La segunda de las versiones utiliza,
además de la SOM, la red perceptrón multicapa,
que es la que hace de modelo de funcionamiento sin fallos. Los
dos sistemas aprenden a partir de datos recogidos por un sistema
de históricos.
Se han obtenido resultados
satisfactorios en simulación correspondientes a averías
en el sistema de refrigeración del alternador, a averías
en los cojinetes del grupo y a averías en la turbina.
Actualmente se están
llevando a cabo las primeras pruebas de campo. Los resultados
obtenidos permiten afirmar que las redes neuronales pueden ser
utilizadas para la clasificación de estados en grupos
hidroeléctricos de potencias entre los 32 MW y los 120
MW equipados con turbinas Francis y Kaplan.
- LA RED NEURONAL SOM
La red neuronal SOM realiza
una transformación de un espacio multi dimensional en
una serie de neuronas, de tal forma que las distancias relativas
entre los puntos del espacio de entrada se conservan. Las neuronas
suelen estar dispuestas en un plano.
Cada neurona i de
la SOM tiene asociado un vector de pesos mi
= [mi1,...,min]T,
donde n es la dimensión del espacio de entrada.
Las neuronas de una red SOM están relacionadas con las
neuronas de su entorno mediante una relación de vecindad.
Generalmente, la estructura de la red es rectangular o hexagonal.
La estructura determina la vecindad. En la forma básica
de la red SOM, las relaciones topológicas y el número
de neuronas están fijos desde el principio. El número
de neuronas determina la granularidad de la transformación,
lo que afecta a la exactitud y capacidad de generalización
de la red.
- Entrenamiento de la red SOM
Durante el proceso iterativo
que es el entrenamiento, la red SOM forma una red elástica
que tiende a aproximar la densidad de probabilidad de los datos.
En cada paso de entrenamiento,
se toma aleatoriamente un vector x del espacio de entrada.
Se calculan las distancias entre todos los vectores de peso
y el vector del espacio de entrada que se ha tomado. La neurona
ganadora (BMU) es aquella para la que la distancia entre su
vector de pesos y el vector de entrada elegido es mínima.
Esta neurona cumple la ecuación 1. El subíndice
c hace referencia a esta neurona. En la ecuación
1, el símbolo 
hace referencia a la distancia, que generalmente es la euclídea.
Ecuación 1
Después de encontrar
la neurona ganadora se actualizan los vectores de pesos. La
neurona ganadora y su vecindad son movidas hacia el vector de
entrada en el espacio de entradas.
La regla que se sigue para
actualizar los pesos de la neurona i viene dada por la
ecuación 2.
|
mi(t+1) =
|
|
Mi(t)+a
(t)[x(t)-mi(t)], iÎ
Nc(t)
|
|
mi(t), iÏ
Nc(t)
|
|
Ecuación 2
|
donde t denota el
tiempo. El vector x(t) es el vector de
entrada escogido aleatoriamente de entre los datos de entrada
en el instante t, Nc(t) es la
función de vecindad de la neurona ganadora c y
no cambia con el tiempo. El coeficiente a (t) es
el ritmo de aprendizaje, que está acotado entre 0 y 1
y decrece con el tiempo.
El entrenamiento se hace
en dos fases. En la primera fase se usan valores grandes de
a (0.3 hasta 0.99), mientras que en la segunda fase se usan
valores pequeños (0.01 hasta 0.1). Si la función
de vecindad no es constante, en la primera fase contempla vecindades
mayores que en la segunda.
Los detalles sobre la red
neuronal SOM, así como sus variantes y propiedades pueden
encontrarse en [2] y [4].
- DETECCIÓN DE FALLOS CON LA
SOM
La detección de
fallos con la SOM tiene dos vertientes, según el tipo
de salida en que nos fijemos. Por un lado tenemos la BMU y
por otro el error de cuantificación. El significado
de la BMU se ha explicado más arriba. El error de cuantificación
es una medida del parecido que hay entre una neurona ganadora
y el vector de entrada que la excita. Puede calcularse como
la distancia euclídea entre la entrada y el vector
de pesos de la neurona ganadora.
Para utilizar el error
de cuantificación para la detección de fallos
es preciso entrenar las redes con datos representativos de
todos los estados de funcionamiento. De este modo, la red
representará todos los estados de funcionamiento del
grupo en ausencia de fallo. Cuando se produzca un fallo no
habrá ninguna neurona en la red que represente de manera
adecuada a la entrada, por lo tanto, el error de cuantificación
tendrá un valor anormalmente elevado. Será necesario
adoptar un umbral que sirva para decidir si el error de cuantificación
es demasiado grande.
Igual que se tiene el
error de cuantificación descrito, se tiene el error
de cuantificación parcial, que se calcula de igual
manera, pero componente a componente. Este error de cuantificación
parcial nos permite la localización del fallo pues,
ante un fallo, sólo el error asociado a las entradas
involucradas tendrá un valor mayor de lo normal.
La otra vertiente del
sistema de detección de fallos se basa en el seguimiento
de la trayectoria sobre el plano transformado. Una trayectoria
es lo que resulta de unir las neuronas ganadoras ante una
serie de entradas temporalmente consecutivas.
La detección de
fallos es diferente según se entrene la red con datos
de fallo o sin datos de fallo. Cuando se dispone de datos
de fallo, surgirán en el mapa regiones correspondientes
a dichos fallos. Cuando a la red se la presente una entrada
correspondiente a un fallo, la trayectoria se desviará
hacia la región del mapa relacionada con dicho fallo.
Si no se dispone de datos
de fallo, lo que ocurrirá ante un fallo es que la trayectoria
se desviará del camino que tendría si no hubiese
fallo. El problema surge al intentar determinar en todo momento
cuál es el camino esperado. Para resolver esta cuestión
puede utilizarse una red neuronal del tipo perceptrón
multicapa. Esta red proporciona como salida la neurona que
ha de excitarse en el instante t. Las entradas que
necesita son valores pasados de la trayectoria y del error
de cuantificación.
La técnica del
seguimiento de las trayectorias permite la detección
de fallos, pero la localización es difícil si
no se dispone de datos correspondientes a situación
de fallo.
- APLICACIÓN A UN GRUPO HIDROELÉCTRICO
- Grupos hidroeléctricos
Un grupo hidroeléctrico
consta, principalmente, de un alternador y una turbina. El
alternador está constituido por varios elementos funcionales:
rótor, que unido al eje de la máquina y accionado
por la turbina genera un campo magnético rotatorio;
estator, conjunto de bobinados alojados en las paredes del
alternador y sobre los que se induce la corriente que se suministrará
a la red eléctrica después de la adecuada transformación;
sistema de excitación, cuya misión es suministrar
una corriente eléctrica al rotor para que se cree un
campo magnético; y sistema de refrigeración,
formado por un intercambiador de calor. La turbina también
está formada por diversos elementos: rodete, sobre
el que actúa el agua y que diferencia a las turbinas
Francis de las Kaplan; distribuidor, sistema de palas móviles
cuya misión es permitir de manera gradual el paso de
agua al rodete, según sea su apertura; y junta de sellado,
cuya misión es impedir la salida del agua al exterior
de la turbina. Además, hay otros elementos de extraordinaria
importancia para el funcionamiento del grupo, que son los
cojinetes. Éstos se dividen en cojinetes guía
y soporte. Los dos grupos que se han estudiado tienen un cojinete
soporte, cuya finalidad es soportar el peso de todo el conjunto
a la vez que posibilitan el giro del sistema. Los cojinetes
guía garantizan que el eje de giro de los grupos permanezca
constante, y además facilitan el giro libre del mismo.
Las dos turbinas estudiadas disponen de uno de estos mecanismos.
Los alternadores pueden tener uno o dos.
3.2 Entrenamiento de
las redes neuronales
Para entrenar las redes
que se utilizan en el sistema de detección y localización
de fallos se ha dividido el grupo en varias unidades funcionales:
Cojinete de empuje, cojinetes guía, alternador, sistema
de refrigeración del alternador y turbina.
Para cada una de estas
partes se ha entrenado una red neuronal. Esto se ha hecho
así porque los entrenamientos son menos costosos desde
un punto de vista computacional y porque se simplifica la
tarea de la localización de fallos.
- RESULTADOS EN SIMULACIÓN
Dada la ausencia de datos
registrados correspondientes a situaciones de fallo, ha sido
preciso recurrir a la simulación de los mismos para
probar el rendimiento del sistema. Para simular los fallos
se ha recurrido a la información albergada en la base
de conocimiento de un sistema experto cuya misión es
la detección de averías en estos grupos.
Como muestra de los resultados
obtenidos en simulación se muestra la evolución
de los errores de cuantificación cuando se simula la
obstrucción de uno de los doce intercambiadores de
calor del sistema de refrigeración de un alternador
de 120 MW.
La figura 1 muestra la
evolución del error de cuantificación. Puede
verse como se viola el umbral, lo que es indicativo de una
avería en el sistema de refrigeración del alternador.
 La
figura 2 muestra los errores de cuantificación parciales
para este sistema. Hay un error de cuantificación por
cada entrada de la red.
 Figura
1: Error cuantificación
Figura 2: Errores de cuantificación
parciales
Puede observarse como
los errores de cuantificación asociados a las entradas
6 y 20 superan sus respectivos umbrales. Estas entradas son
la temperatura del aire frío del intercambiador número
2 y la diferencia de las temperaturas del agua de entrada
y salida del intercambiador 2. Esto indica que en el fallo
detectado en el sistema de refrigeración está
involucrado el intercambiador número 2. Que estén
relacionadas las señales mencionadas puede indicar
al operador que se trata de una obstrucción.
- CONCLUSIONES
Se ha presentado un sistema
basado en la red neuronal SOM para la detección y clasificación
de fallos en grupos hidroeléctricos. Dicho sistema
se ha desarrollado para su implantación en las centrales
Villalcampo 1 y Villalcampo 2.
La detección de
fallos puede llevarse a cabo de dos maneras diferentes: Mediante
el error de cuantificación o mediante el seguimiento
de las trayectorias sobre el mapa.
El método del error
de cuantificación se basa en el hecho de que este parámetro
toma un valor anormalmente alto cuando se produce un fallo.
El cálculo de este valor particularizado para cada
entrada, el error de cuantificación parcial, permite
la localización del componente en el que se ha producido
el fallo.
El método del seguimiento
de las trayectorias sobre el plano transformado tiene su fundamento
en que dicha trayectoria se aparta del camino esperado cuando
se produce un fallo. Para saber en todo momento cuál
es el camino esperado se ha recurrido a una red neuronal del
tipo perceptrón multicapa.
Los experimentos realizados
han mostrado que el método del error de cuantificación
es más fiable a la hora de detectar los fallos simulados
y que es mucho más sencillo de implementar.
- REFERENCIAS
Esa, A., Hollmén,
J., Simulla, O., Vesanto, J. Process Monitoring and Modeling
using the Self-Organizing Map, Integrated Computer-Aided
Engineering, Vol. 6, nro 1, pp. 3 – 14. 1999.
Haykin, S. Neural Networks,
a Comprehensive Foundation, Prentice Hall, 1999.
Iivarinen, J., Rauhamaa,
J., Visa, A. Unsupervised Segmentation of Surface Defects,
Workshop of Texture Analysis in Machine Vision, Oulu, Finland,
June 14-15, pp. 53 – 58. 1999.
Kohonen, T. Self-Organizing
Maps, Springer-Verlag. 1997.
Mataix, C. Turbomáquinas
hidráulicas: turbinas hidráulicas, bombas y
ventiladores, ICAI. 1975.
Saludes Rodil, S., Vargas
Alonso A., Perán González J.R. Aplicación
de la red neuronal SOM para la detección de fallos
desconocidos en un grupo hidroeléctrico. Primeras Jornadas
Técnicas de Diagnóstico. Valladolid, 2001.
- AGRADECIMIENTOS
Este proyecto está
siendo financiado a través del programa FEDER, proyecto
código 1FD97-0433.
- CORRESPONDENCIA
Para recabar más
información sobre el proyecto aquí expuesto, dirigirse
a:
Sergio Saludes Rodil
CARTIF
Parque Tecnológico
de Boecillo, P 205
47151 Boecillo (Valladolid)
España
Tel.: 983 42 51 90, Fax:
983 54 65 21
Correo electrónico:
sersal@cartif.es
|
