Process Monitoring
4.4 Proprietà di un sistema diagnostico
modelli matematici accurati che consentono di effettuare in modo efficiente sia la rilevazione sia la diagnosi dei guasti; tuttavia, la complessità derivata dall’uso dei modelli rende fattibile l’impiego di questi metodi solamente in sistemi di piccole dimensioni. I secondi sono più facili da implementare perché considerano solamen-te i dati raccolti dal processo; di conseguenza, essi possono trovare applicazione anche in sistemi complessi con un numero elevato di variabili. La mancanza di una descrizione strutturale del sistema rende però più complicato eseguire l’identifica-zione del fault. Yoon e MacGregor [51] esaminano in modo approfondito i pregi ed i difetti dei due approcci. Gli autori osservano che le due strategie hanno delle caratteristiche complementari e quindi auspicano si possa trovare una procedura adeguata per combinare i due metodi e sfruttare così i punti forza di entrambi. Nel-la tabelNel-la 4.1 vengono riassunte le caratteristiche principali degli approcci
model-based e data-driven. In questa tesi, si è deciso di implementare il monitoraggio dei
sistemi di refrigerazione senza considerare alcun modello matematico; così facen-do, la metodologia diagnostica proposta può trovare applicazione in uno spettro più ampio di macchine con caratteristiche tecniche differenti. In particolare, vengono sfruttate le potenzialità dei contribution plot ricostruiti che garantiscono un miglior isolamento del fault rispetto a quelli tradizionali, senza utilizzare dati aggiuntivi sui diversi guasti.
4.4 Proprietà di un sistema diagnostico
Per mettere a confronto i diversi metodi del process monitoring, descritti nel prece-dente paragrafo, è utile tener conto di alcune proprietà che caratterizzino un buon sistema diagnostico. Queste proprietà possono essere impiegate come metro di giu-dizio per valutare le diverse tecniche in termini di affidabilità, efficienza, onerosità computazionale, dipendenza parametrica ma soprattutto completezza e sensibilità. Quando un evento anomalo si manifesta nel processo, il sistema diagnostico forni-sce alcune ipotesi sulle possibili cause all’origine del comportamento anomalo; la completezza di un sistema diagnostico richiede che tra i fault individuati compaia anche quello realmente presente nel processo. La sensibilità, invece, richiede che l’insieme dei possibili fault diagnosticati sia il più piccolo possibile. Solo giungendo ad un compromesso tra completezza e sensibilità si possono ottenere delle diagnosi accurate. Le proprietà che un buon sistema diagnostico dovrebbe avere sono:
Tabella 4.1: Approcci model-based e statistical data-driven per il process monitoring
Metodi basati sul modello Metodi basati sui dati Modelli e dati a. Modelli matematici identificati in modo sperimentale. b. Modelli esprimono le relazioni ingresso-uscita.
a. Dati raccolti durante il funzionamento normale. b. Studiare la struttura di
covarianza tra le variabili misurate.
Tecniche
a. Stimatori dello stato, filtri di Kalman, relazioni di parità, osservatori. b. Stima parametrica. c. Analisi dei residui.
a. Analisi multivariata dei dati (PCA/PLS). b. Analisi statistica (indici
SP E, Hotelling T2) c. Contribution plot
Applicazioni
a. Numero limitato di variabili.
b. Processi ben definiti, tipicamente elettrici e meccanici.
a. Numero elevato di variabili.
b. Processi mal definiti, tipicamente chimici, semi-conduttori, etc. Fault detection a. Eseguita facilmente. b. Verificare se i fault rompono le relazioni di parità. a. Eseguita facilmente. b. Verificare se i fault rompono la struttura di covarianza dei dati.
Fault diagnosis
a. L’uso dei modelli consente di isolare direttamente i diversi fault.
b. Possibilità di isolare fault multipli.
a. Contribution plot isolano fault singoli ma non guasti multipli.
b. Utilizzare nuovi dati per descrivere i fault (FDA).
Osservazioni
a. Detection e diagnosis eseguite insieme.
a. Detection e diagnosis eseguite in sequenza.
4.4. Proprietà di un sistema diagnostico 57
1. Prontezza. Il rilevamento e la diagnosi dei guasti devono poter essere imple-mentate molto velocemente per impedire ad eventuali fault bruschi di com-promettere seriamente il funzionamento del sistema. Tuttavia, velocizzare eccessivamente la risposta alle sollecitazioni anomale può rendere il sistema meno performante; in tal caso, la diagnosi risulterebbe influenzata dalle com-ponenti di alta frequenza e dai rumori che possono causare un aumento dei falsi allarmi durante il funzionamento normale. Si deve trovare pertanto un giusto compromesso tra prontezza e prestazioni.
2. Robustezza. Per isolare correttamente le varie tipologie di guasto, il sistema diagnostico deve essere robusto al rumore ed alle incertezze presenti nel mo-dello del processo. La robustezza consente alla fault detection di confrontare i valori dei residui o di altre feature che rilevano i comportamenti anomali del processo, con soglie prossime allo zero; se i residui superano queste soglie allora viene indicata la presenza di un malfunzionamento. Pertanto, un siste-ma diagnostico robusto riesce ad individuare nel processo anche i fault meno severi, distinguendoli dai rumori o altri disturbi.
3. Capacità di identificare nuovi fault. Uno dei requisiti di un sistema diagnostico è quello di essere in grado di verificare se il processo sta funzionando nor-malmente o in modo anomalo ed in quest’ultimo caso, di capire se la causa del malfunzionamento è un fault noto oppure un guasto sconosciuto che si sta manifestando per la prima volta. Non sempre sono disponibili i dati per modellizzare tutte le possibili anomalie, di conseguenza la capacità di indi-viduare una nuovo fault può divenire in certi casi di difficile realizzazione; naturalmente, se si dispongono di modelli dinamici accurati è sempre possi-bile generare questi dati e risolvere il problema. In ogni caso, anche nelle condizioni più difficili, un buon sistema diagnostico dovrebbe essere in grado di riconoscere la presenza di una nuova anomalia, distinguendola dai fault noti o dalle condizioni operative normali.
4. Adattabilità. In generale, i sistemi ingegneristici evolvono nel tempo e cam-biano il loro stato operativo sotto l’influenza di sollecitazioni esterne o di retroazioni provenienti dai sistemi di controllo; le condizioni operative non vengono modificate solamente dai disturbi e dai malfunzionamenti. Il siste-ma diagnostico deve pertanto adattarsi a tali cambiamenti, aggiornando il
modello che descrive il funzionamento normale del processo ogni qualvolta emergano delle informazioni su nuove condizioni operative.
5. Capacità di spiegare il guasto. Un buon sistema diagnostico non solo identi-fica la causa all’origine del malfunzionamento ma, auspicabilmente, fornisce anche delle precisazioni su come il fault abbia avuto origine e su come si sia sviluppato fino alla situazione attuale, indicando se possibile una soluzione al problema. Questo permette all’operatore di valutare quali azioni sia op-portuno intraprendere per riparare il guasto, tenendo conto dei suggerimenti proposti dal sistema diagnostico e della propria esperienza personale.
6. Capacità di identificare fault multipli. La possibilità di diagnosticare più fault contemporaneamente nello stesso processo è il requisito più difficile da im-plementare in un sistema diagnostico. La principale difficoltà risiede nel fatto che guasti diversi possono interagire tra loro rendendo complicato eseguire la diagnosi; in effetti, questa si basa sull’uso di un singolo modello per ciascun tipo di guasto e non tiene conto delle possibili combinazioni tra fault. D’altra parte, sarebbe troppo oneroso considerare tutte le combinazioni, soprattutto in sistemi di grandi dimensioni.