ES3071192T3 - Method for determining a fault for a set of sensors - Google Patents

Abstract

Un método para determinar una falla en un conjunto de sensores (10), que comprende: - obtener datos, dichos datos comprenden una pluralidad de mediciones devueltas respectivamente por los sensores (A, B, C) y una pluralidad de estimaciones determinadas respectivamente por una pluralidad de estimadores (D, E) tomando diferentes subconjuntos de dichas mediciones como entrada, al menos uno de los estimadores (E) comprende una red neuronal artificial; - calcular residuos (30) representativos de la diferencia entre datos que representan una misma cantidad física; - determinar (40) si hay una falla en al menos uno de los sensores (A, B, C) basándose en los residuos calculados sobre la base de los datos obtenidos de las mediciones devueltas por dicho sensor. (Traducción automática con Google Translate, sin valor legal)

Description

[0001] DESCRIPCIÓN

[0002] Procedimiento de determinación de fallos para un conjunto de sensores

[0003] Sector de la técnica

[0004] La presente divulgación se refiere al ámbito de la validación de datos adquiridos en un sistema mediante sensores y, más concretamente, a un procedimiento de determinación de fallos para un conjunto de sensores. Dicho procedimiento encuentra su aplicación en numerosos ámbitos industriales, por ejemplo, la supervisión en tiempo real o en diferido de sistemas aeronáuticos o espaciales.

[0005] Antecedentes de la invención

[0006] Un sistema físico puede ser supervisado mediante sensores con el fin de proporcionar información sobre su funcionamiento, por ejemplo, con el objetivo de mejorar su fiabilidad o detectar un mal funcionamiento del sistema. Cuando el sistema en cuestión es un sistema crítico, como la regulación de un motor de cohete en vuelo, es posible prever una redundancia material de los sensores: varios sensores recogen los mismos datos o datos similares, de modo que, en caso de fallo de uno de ellos, siempre sea posible supervisar el sistema de forma precisa y eficaz sin comprometer el funcionamiento. Por otra parte, los documentos US 2015/233730 y FR 3 013 834 describen procedimientos de fusión de datos de sensores.

[0007] No obstante, la redundancia de hardware resulta onerosa, especialmente en lo que respecta al coste de los sensores y su mantenimiento, para la realización de una función determinada. Por el contrario, reducir la redundancia material plantea la cuestión de la fiabilidad asociada a la validez de las mediciones restantes: si un dato solo lo envía un único sensor, ¿cómo garantizar que este dato es fiable?

[0008] Por tanto, existe la necesidad de un nuevo tipo de procedimiento de determinación de fallos para un conjunto de sensores.

[0009] Explicación de la invención

[0010] A tal efecto, la presente divulgación se refiere a un procedimiento de determinación de fallos para un conjunto de sensores según la reivindicación 1.

[0011] Un conjunto de sensores comprende varios sensores (al menos dos, o incluso al menos tres) y el procedimiento tiene por objeto determinar si existe un fallo en al menos uno de estos sensores. Los sensores envían mediciones tomadas en el sistema físico supervisado (en lo sucesivo, el sistema). Los sensores están montados preferiblemente para supervisar un mismo sistema.

[0012] Paralelamente, el sistema también es supervisado por una pluralidad de estimadores (al menos dos estimadores, o incluso al menos tres). Un estimador determina (proporciona como salida) una estimación de una magnitud física del sistema en cuestión. Un estimador toma como entrada una señal electrónica (por ejemplo, informática o lógica), mientras que un sensor toma como entrada directamente un fenómeno físico. Cada estimador puede tomar como entrada una o varias mediciones enviadas por los sensores, directa o indirectamente: por ejemplo, un primer estimador puede tomar como entrada tres mediciones; un segundo estimador puede tomar como entrada una medición y la estimación proporcionada por el primer estimador, que a su vez se basa en tres mediciones: se considera entonces que el segundo estimador toma como entrada, en última instancia, un subconjunto formado por dicha medición y dichas tres mediciones (pudiendo confundirse dicha medición con una de dichas tres mediciones).

[0013] En el sentido de la presente divulgación y salvo indicación contraria, la mención de un “primer” elemento, como un primer estimador, no implica necesariamente la existencia de un “segundo” elemento ni, llegado el caso, de una relación de orden entre el primer elemento y el segundo elemento. Los calificativos ordinales se emplean, en este contexto, únicamente con fines de claridad e identificación, sin prejuzgar características particulares. Del mismo modo, y a la inversa, la mención de un elemento de rango superior (tercero, etc.) no implica en modo alguno que existan elementos de rango inferior, como un posible segundo elemento, ni que estos posean las características que se hayan podido presentar en otros contextos.

[0014] Algunos estimadores pueden tomar como entrada los mismos subconjuntos de mediciones. Por ejemplo, puede preverse un tercer estimador que tome como entrada la estimación proporcionada por el segundo estimador. En definitiva, la información básica que tiene en cuenta el tercer estimador será, por tanto, la misma que la que tiene en cuenta el segundo estimador. No obstante, entre los estimadores considerados, existe una pluralidad que toman como entrada subconjuntos diferentes de las mediciones: cada estimador de esta pluralidad toma como entrada, directa o indirectamente, un subconjunto de mediciones que difiere del subconjunto de mediciones tomado como entrada por los demás estimadores. Dos subconjuntos difieren si su intersección no es igual a su unión. El término “subconjunto” debe entenderse en sentido amplio, en el sentido de que un estimador puede tomar como entrada el conjunto de mediciones, es decir, todas las mediciones devueltas por todos los sensores.

[0015] En lo sucesivo, en aras de la concisión, se considerará que un estimador permite determinar una estimación. Sin embargo, esto no excluye los casos en los que un estimador proporciona varias estimaciones, por ejemplo, de magnitudes físicas diferentes pero opcionalmente relacionadas entre sí.

[0017] Al menos uno de los estimadores comprende una red de neuronas artificiales. Una red de neuronas artificiales (RNA) es un modelo de cálculo que comprende una o varias neuronas, estando cada neurona dotada de una función de transferencia. Por tanto, la RNA posee una función de transferencia global que permite calcular al menos una salida en función de al menos una entrada. Las funciones de transferencia de cada neurona o los pesos relativos de las neuronas en la red pueden ponderarse mediante coeficientes denominados pesos sinápticos (o simplemente pesos) y sesgos. Los pesos pueden modularse en función del aprendizaje de la RNA. En principio, el aprendizaje consiste en proporcionar a la RNA un conjunto de situaciones en las que se conocen las entradas y las salidas (u objetivos de salida). Durante el aprendizaje, la RNA adapta sus pesos sinápticos y sesgos para que se ajusten a las situaciones aprendidas, en última instancia con cierta tolerancia. Las RNA son, por tanto, un ejemplo de expresiones matemáticas cuyos coeficientes se adaptan de forma iterativa en función del aprendizaje. Los pesos y sesgos, una vez determinados al terminar la fase de aprendizaje, pueden entonces permanecer constantes o no durante la fase de aprovechamiento. Por lo general, el aprendizaje puede llevarse a cabo al menos antes de la implementación del procedimiento de determinación de fallos, y en última instancia de forma concomitante.

[0019] Por tanto, la RNA es capaz de modelar de forma inteligente una relación entre magnitudes físicas aprendiendo a partir del comportamiento real de dichas magnitudes en el sistema, sin necesidad de conocer las leyes teóricas que lo rigen. En consecuencia, la RNA no está necesariamente limitada por las relaciones de causalidad que vinculan las diferentes magnitudes físicas entre sí. Así, por ejemplo, un caudal es la consecuencia física de una diferencia entre una presión de entrada y una presión de salida. En un sistema cuasiestático, una RNA será capaz, a diferencia de un modelo clásico basado en las leyes de la física (en adelante, “modelo físico” o “modelo multifísico”), de determinar, tras un aprendizaje, la presión aguas arriba en función de la presión aguas abajo y del caudal. En otras palabras, una RNA es capaz de intercambiar las entradas y las salidas en comparación con los modelos físicos o multifísicos clásicos. Se habla entonces de relaciones inversas.

[0021] Además, la RNA posee una capacidad de generalización (también denominada “inferencia”), es decir, es capaz de determinar los valores de salida de una situación para la que se le proporcionan los datos de entrada, incluso si dicha situación no se ha aprendido durante la fase de aprendizaje, siempre que las entradas se encuentren dentro de un dominio de validez (en otras palabras, se garantiza que los valores de entrada de la situación a calcular se encuentren entre los valores de entrada extremos que se utilizaron para el aprendizaje o sean próximos a los mismos). Esto resulta especialmente útil para sistemas que presentan una amplia gama de puntos de funcionamiento y para los que resulta industrialmente inviable parametrizar explícitamente todas las situaciones posibles. Para una mayor precisión, debe verificarse que las situaciones de aprendizaje constituyan una malla suficientemente refinada del dominio de funcionamiento. Además, la RNA es un sistema fácilmente modulable. Estas ventajas son igualmente válidas en el caso de otros tipos de expresiones matemáticas con coeficientes evaluados iterativamente.

[0023] Además, una RNA entrenada generalmente es más rápida al proporcionar una estimación que un modelo físico o multifísico, especialmente cuando el modelo es no lineal. Esto resulta particularmente ventajoso para aplicaciones del procedimiento en tiempo real, ya que la construcción y/o el entrenamiento de la RNA pueden realizarse previamente. Por último, dado que una RNA no tiene restricciones internas dictadas por la física, se adapta bien a los sistemas denominados “híbridos”, que combinan magnitudes continuas y magnitudes discretas.

[0025] Gracias a los sensores y a los estimadores, para al menos una magnitud física del sistema, existen al menos dos datos obtenidos de forma diferente: ya sea mediante varios sensores, mediante varios estimadores o mediante una combinación de al menos un sensor y al menos un estimador. Para al menos algunas magnitudes físicas, los datos se obtienen total o parcialmente mediante estimadores, lo que garantiza una redundancia de software y permite un ahorro de costes en comparación con una redundancia puramente material.

[0027] Para una magnitud física dada, para la cual se han obtenido al menos dos datos, el procedimiento comprende el cálculo de residuos representativos de la desviación entre los datos que representan dicha magnitud física. Por ejemplo, se toman datos que representan dicha magnitud física y se calculan, como residuos, las desviaciones que separan dichos datos tomados de dos en dos. La desviación puede ser una simple diferencia escalar o, más generalmente, una distancia en un espacio adecuado.

[0029] La determinación de que existe un fallo en al menos uno de los sensores puede realizarse mediante una función de transferencia que toma como entrada los residuos, opcionalmente todos los residuos, y devuelve, como salida, un indicador de fallo para al menos un sensor que haya devuelto una medición en la que se basan, al menos en parte, los residuos. Por tanto, el fallo se determina a partir de residuos, calculados a su vez a partir de datos, que son mediciones o estimaciones determinadas a partir de mediciones, siendo estas últimas a su vez devueltas por los sensores; de este modo, se determina un posible fallo en uno de dichos sensores. Por el contrario, con este procedimiento, no se puede identificar un fallo en los sensores que no hayan proporcionado ninguna medición que dé lugar al cálculo de los residuos.

[0030] La función de transferencia puede ser, por ejemplo, una matriz, en particular determinada analítica o numéricamente, una o varias RNA, u otros.

[0031] El hecho de que los estimadores tomen como entrada subconjuntos diferentes de dichas mediciones permite que los residuos sean representativos de las desviaciones entre datos procedentes de mediciones diferentes, de modo que el examen de los residuos permita remontarse a la medición errónea y, por tanto, al sensor que falla. Además, el hecho de que al menos un estimador comprenda una RNA aporta mayor robustez a la determinación de los residuos. Así, el presente procedimiento de determinación de fallos permite utilizar una redundancia, al menos en parte, relacionada con software, con las ventajas en cuanto a coste y peso asociadas, al tiempo que ofrece una evaluación robusta de la validez de los datos obtenidos.

[0032] Además, al menos algunos de los residuos son representativos de la desviación entre una medición y una estimación, o entre dos estimaciones. Esto garantiza una redundancia de software.

[0033] En algunas realizaciones, el cálculo de los residuos se lleva a cabo entre todos los pares de datos que representan una misma magnitud física. Por ejemplo, se toman todos los datos que representan una misma magnitud física y se emparejan estos datos de dos en dos para formar todos los pares posibles. Así, con tres datos que representan una misma magnitud, se obtendrán tres pares: (1, 2), (2, 3) y (1, 3). A continuación, el cálculo de los residuos puede realizarse para cada par, por ejemplo, mediante la diferencia entre los dos datos del par.

[0034] En algunas realizaciones, el conjunto de sensores comprende como máximo un sensor por magnitud física. Esto evita la redundancia de hardware y aumenta aún más el ahorro en costes y peso.

[0035] En algunas realizaciones, la pluralidad de estimadores comprende al menos un estimador para proporcionar una estimación de una magnitud física medida por uno de los sensores. Existe, por tanto, una redundancia de software entre dicho sensor y dicho estimador. Preferiblemente, dicho estimador no toma como entrada la medición devuelta por dicho sensor. De manera más general, dicho estimador puede tomar como entrada mediciones distintas de la medición devuelta por dicho sensor. La detección de fallos se hace más precisa mediante el aprovechamiento de las relaciones entre diferentes mediciones dentro del mismo sistema físico supervisado.

[0036] En algunas realizaciones, la red de neuronas artificiales está configurada para determinar una estimación de una primera magnitud física que interviene aguas arriba de al menos una segunda magnitud física, cuya medición es tomada como entrada por la red de neuronas artificiales.

[0037] Como se ha explicado anteriormente, puede existir una relación física de causa y efecto entre la primera magnitud (causa) y la segunda magnitud (efecto), por lo que se dice que la primera magnitud se encuentra aguas arriba de la segunda magnitud: la segunda magnitud física es normalmente una consecuencia de la primera magnitud física. La RNA se basa en una relación inversa que le permite tomar como entrada el efecto (la segunda magnitud) y determinar, como salida, una estimación de la causa (primera magnitud). Dicha determinación, imposible con un modelo multifísico, aumenta la flexibilidad para la determinación de los residuos y, por tanto, en última instancia, la fiabilidad de la detección de fallos.

[0038] En algunas realizaciones, al determinar que existe un fallo, los residuos se introducen como entrada en al menos una red de neuronas artificiales configurada para devolver, para al menos uno de los sensores, un indicador de la existencia y, opcionalmente, de la gravedad de un fallo en dicho sensor.

[0039] En estas realizaciones, la función de transferencia mencionada anteriormente comprende una RNA que toma como entrada los residuos y devuelve, como salida, al menos un indicador de fallo. La RNA puede devolver un indicador por sensor y/o un indicador por fallo, o bien un indicador único para todos los sensores y todos los fallos (por ejemplo, un número en el que cada cifra se refiere a un sensor determinado), o incluso cualquier situación intermedia. Del mismo modo, la existencia y la gravedad de un fallo pueden reflejarse mediante el mismo indicador (por ejemplo: 0 para la ausencia de fallo y un número positivo para la presencia de fallo, que aumenta en función de la gravedad) o mediante indicadores diferentes, o incluso cualquier situación intermedia.

[0040] La presente divulgación también se refiere a un sistema de determinación de fallos para un conjunto de sensores según la reivindicación 8.

[0041] Este sistema de determinación de fallos puede ser adecuado para la implementación del procedimiento de detección de fallos tal como se ha descrito anteriormente.

[0042] En algunas realizaciones, las diferentes etapas del procedimiento de determinación de fallos se determinan mediante instrucciones de programas informáticos.

[0043] En consecuencia, la presente divulgación también se refiere a un programa en un soporte de información, siendo dicho programa susceptible de implementarse en un sistema de determinación de fallos o, más generalmente, en un ordenador, comprendiendo dicho programa instrucciones adaptadas para la implementación de las etapas de un procedimiento de determinación de fallos tal como se ha descrito anteriormente.

[0044] Este programa puede utilizar cualquier lenguaje de programación y presentarse en forma de código fuente, código objeto o código intermedio entre el código fuente y el código objeto, como por ejemplo en una forma parcialmente compilada, o en cualquier otra forma deseable.

[0045] La presente divulgación también se refiere a un soporte de información legible por un ordenador o por un microprocesador, y que contiene instrucciones de un programa tal como se ha mencionado anteriormente.

[0046] El soporte de información puede ser cualquier entidad o dispositivo capaz de almacenar el programa. Por ejemplo, el soporte puede incluir un medio de almacenamiento, como una ROM, por ejemplo un CD-ROM o una ROM de circuito microelectrónico, o incluso un medio de grabación magnética, por ejemplo un disquete (floppy disc) o un disco duro. Por otra parte, el soporte de información puede ser un soporte transmisible, como una señal eléctrica u óptica, que puede transmitirse a través de un cable eléctrico u óptico, por radio o por otros medios. El programa según la presente divulgación puede descargarse, en particular, a través de una red de tipo Internet.

[0047] La presente divulgación se refiere asimismo a un procedimiento de estimación de una magnitud física a partir de un conjunto de sensores, que comprende la determinación de fallos en dicho conjunto de sensores según cualquiera de las realizaciones descritas anteriormente, y la generación de una estimación de la magnitud física a partir de los sensores que miden dicha magnitud física y de los estimadores que determinan una estimación de dicha magnitud física, ignorando los sensores defectuosos para los que se ha determinado la existencia de un fallo, y tomando los estimadores como entrada las mediciones devueltas por dichos sensores defectuosos. Al ignorar los sensores defectuosos y los estimadores basados, directa o indirectamente, en dichos sensores, la estimación de la magnitud física puede realizarse en base a datos fiables. La redundancia puede estructurarse de manera que siempre queden datos fiables, incluso en caso de avería de un determinado número de sensores, pudiendo dimensionarse dicho número en función de las necesidades y de la criticidad del sistema supervisado.

[0048] La presente divulgación también se refiere a un procedimiento de aprendizaje de una red de neuronas artificiales para un sistema de determinación de fallos en un conjunto de sensores según la reivindicación 9.

[0049] Tras el aprendizaje, la red de neuronas artificiales puede utilizarse para determinar que existe un fallo en al menos uno de los sensores en un procedimiento o en el sistema de determinación de fallos según cualquiera de las realizaciones descritas anteriormente.

[0050] El principio del procedimiento de aprendizaje es generar una base de aprendizaje que comprenda datos en los que se han introducido errores conocidos, los defectos, y llevar a cabo el aprendizaje de la RNA tomando como entrada los residuos calculados a partir de dichos datos y como objetivo de salida los indicadores de fallo establecidos para corresponder a los errores conocidos introducidos. A partir de los mismos datos que representan una pluralidad de mediciones, es posible crear una base de aprendizaje que comprenda diferentes ejemplares de los datos, generando defectos que difieran, entre los ejemplares, por su intensidad, por el sensor o los sensores a los que se refieren, etc. Así, un defecto puede caracterizarse por al menos un sensor y al menos una amplitud. Los sensores y las amplitudes pueden seleccionarse opcionalmente los unos y/o los otros de forma aleatoria para generar fácilmente una amplia base de aprendizaje.

[0051] Las estimaciones son determinadas por los estimadores tras la generación de los defectos, de modo que tengan en cuenta los defectos de forma coherente con las mediciones, tal como ocurriría en un sistema físico real en caso de avería de un sensor.

[0052] El aprendizaje en sentido estricto de la RNA, dada una entrada (un primer conjunto de datos) y un objetivo de salida (un segundo conjunto de datos), es una operación conocida en sí misma por el experto en la materia, que utiliza, por ejemplo, una función de pérdida cuyo objetivo es hacer converger la estimación (tercer conjunto de datos), proporcionada por la RNA en base al primer conjunto de datos, hacia el segundo conjunto de datos.

[0053] En algunas realizaciones, la generación de un indicador de fallo comprende comparar el defecto correspondiente con un umbral asociado al sensor que proporciona la medición en cuestión, y en emitir un nivel de gravedad del fallo para dicho sensor basándose en dicha comparación. El defecto correspondiente es el defecto introducido en la medición en cuestión y para el que se ha generado el indicador de fallo.

[0054] Por ejemplo, el fallo puede considerarse más grave si el defecto supera un umbral determinado, por ejemplo, en términos de amplitud de la magnitud física medida. También es posible establecer varios umbrales sucesivos, pudiendo considerarse el fallo tanto más grave cuanto mayor sea el número de umbrales superados.

[0055] Breve descripción de los dibujos

[0056] Otras características y ventajas del objeto de la presente divulgación se desprenderán de la siguiente descripción de las realizaciones, que se proporcionan a modo de ejemplos no limitativos, haciendo referencia a las figuras adjuntas.

[0057] [Fig. 1] La figura 1 representa esquemáticamente un sistema de detección de fallos para un conjunto de sensores, según una realización.

[0058] [Fig.2] La figura 2 representa esquemáticamente un procedimiento de aprendizaje de una red de neuronas artificiales para un sistema de determinación de fallos para un conjunto de sensores, según una realización.

[0059] Realización preferente de la invención

[0060] Se describirá un procedimiento de determinación de fallos para un conjunto de sensores con referencia a la figura 1. En este ejemplo, un conjunto 10 de sensores comprende tres sensores A, B, C. No obstante, podría preverse cualquier número de sensores, preferiblemente superior o igual a dos, en el conjunto 10 de sensores. El conjunto 10 de sensores está destinado a montarse en un sistema físico a supervisar, no ilustrado, por ejemplo, un motor cohete. Las magnitudes físicas a supervisar en el sistema y los tipos de sensores adecuados para hacerlo pueden ser elegidos por el experto en la materia que conozca el sistema en cuestión, en función de sus necesidades de supervisión. En caso de un motor cohete, las magnitudes consideradas pueden seleccionarse entre una presión, un caudal, una temperatura, en particular de un fluido o de un componente sólido, una velocidad de rotación, una posición de válvula, una vibración, etc.

[0061] En este caso, un primer sensor A está configurado para medir una primera magnitud Y1 física. El primer sensor A devuelve una medición XA, que es igual a la suma de la primera magnitud Y1 y de un sesgo de medición ZA: XA = Y1 ZA.

[0062] Un segundo sensor B está configurado para medir una segunda magnitud Y2 física. El segundo sensor B devuelve una medición XB, que es igual a la suma de la segunda magnitud Y2 y de un sesgo de medición ZB: XB = Y2 ZB. Un tercer sensor C está configurado para medir una tercera magnitud Y3 física. El tercer sensor C devuelve una medición XC, que es igual a la suma de la tercera magnitud Y3 y de un sesgo de medición ZC:

[0065]

[0067] En este ejemplo, se supone que las magnitudes Y1, Y2 y Y3 son diferentes, pero es posible prever varios sensores que midan una misma magnitud (en última instancia con un desfase insignificante).

[0068] Dado que las magnitudes Y1, Y2 y Y3 son diferentes, el conjunto de sensores comprende, en este ejemplo, como máximo un sensor por magnitud física. Así, esta realización carece de redundancia material.

[0069] En este ejemplo, se considera que la tercera magnitud Y3 es una magnitud física que interviene aguas arriba de la primera magnitud Y1: así, teniendo en cuenta las leyes físicas que rigen el sistema, la primera magnitud Y1 es una consecuencia de la tercera magnitud Y3. Por ejemplo, la tercera magnitud Y3 puede ser una presión en un depósito de combustible, y la primera magnitud Y1 puede ser un caudal en una tubería que parte de dicho depósito de combustible.

[0070] Las mediciones XA, XB, XC pueden ser puntuales, en última instancia repetidas en el tiempo, o extenderse a lo largo de un cierto periodo.

[0071] Por otra parte, puede preverse una pluralidad de estimadores 20, como complemento del conjunto 10 de sensores, para supervisar el sistema. En este caso, la pluralidad de estimadores 20 comprende dos estimadores D, E. No obstante, podría preverse cualquier número de estimadores, preferiblemente superior o igual a dos, en la pluralidad de estimadores 20. Las magnitudes físicas a estimar en el sistema y los estimadores adecuados para ello pueden ser seleccionados por un experto en la materia que conozca el sistema en cuestión, en función de sus necesidades de supervisión.

[0072] En este caso, un primer estimador D está configurado para determinar una estimación XD de la primera magnitud Y1 física, que es igual a la suma de la primera magnitud Y1 y de un sesgo de estimación ZD: XD = Y1 ZD. En esta realización, el primer estimador D puede ser un modelo físico, lineal o no, o cualquier otro estimador adecuado. Para determinar la estimación XD, el primer estimador D toma como entrada un subconjunto de las mediciones devueltas por los sensores, en este caso la medición XB devuelta por el segundo sensor B. No obstante, la estimación XD podría determinarse a partir de más de una medición.

[0073] Un segundo estimador E está configurado para determinar una estimación XE de la tercera magnitud Y3 física, que es igual a la suma de la tercera magnitud Y3 y un sesgo de estimación ZE: XE = Y3 ZE. En esta realización, el segundo estimador E comprende una RNA. Por ejemplo, la RNA puede comprender una o varias capas, en particular de una estructura denominada Feedforward Network (FF o FFNN) o Multi-Layer Perceptron (MLP). La RNA puede entrenarse a partir de datos procedentes de modelos físicos y/o de datos de ensayos. Para determinar la estimación XE, el segundo estimador E toma como entrada un subconjunto de las mediciones devueltas por los sensores, en este caso la medición XA devuelta por el primer sensor A. Al igual que la estimación XD, la estimación XE podría determinarse a partir de más de una medición. Por el contrario, el segundo estimador E, y en particular su RNA, podría devolver más de una estimación, es decir, tener varias salidas.

[0074] Así, los estimadores D y E toman como entrada subconjuntos diferentes de las mediciones XA, XB, XC devueltas por los sensores A, B, C.

[0075] Por otra parte, la pluralidad de estimadores 20 comprende, por tanto, al menos un estimador, en este caso, dos estimadores D y E, para proporcionar una estimación de una magnitud física medida por uno de los sensores, en este caso de la primera magnitud Y1 medida por el primer sensor A y de la tercera magnitud Y3 medida por el tercer sensor C, respectivamente.

[0076] Este ejemplo es meramente ilustrativo, ya que los tipos de estimadores pueden adaptarse según las necesidades del experto en la materia, teniendo en cuenta la presente divulgación. Por ejemplo, todos los estimadores pueden comprender RNA, o bien solo algunos de ellos, siempre que al menos uno de los estimadores comprenda una RNA. Cabe señalar que el estimador E, que toma como entrada la medición XA y determina la estimación XE, es tal que la RNA que comprende está configurada para determinar la estimación XE de una magnitud Y3 física que interviene aguas arriba de la magnitud Y1 física, cuya medición XA es tomada como entrada por la RNA. Así, el estimador E, y más concretamente su RNA, está configurado para determinar una estimación según una relación inversa.

[0077] Esto puede resultar especialmente útil para determinar estimaciones de magnitudes para las que no es posible una redundancia exacta. Por ejemplo, una velocidad de rotación (resultante de las fuerzas) es la resultante de la presencia de pares (compuestos por presión, temperatura, caudal) aplicados a la turbina y a la bomba (fuerzas de entrada). Es posible volver a subir la presión en la entrada de la turbina conociendo la velocidad y la presión a la salida de la bomba. Se denomina datos al conjunto formado por las mediciones XA, XB, XC y las estimaciones XD, XE. En esta realización, los datos presentan redundancia para la primera magnitud Y1, evaluada mediante la medición XA y la estimación XD, y para la tercera magnitud Y3, evaluada mediante la medición XC y la estimación XE. Por el contrario, la segunda magnitud Y2 no presenta redundancia alguna, ya que solo se mide mediante el segundo sensor B.

[0078] A partir de estos datos, se calculan los residuos (bloque 30 funcional). Los residuos representan la desviación entre los datos que representan una misma magnitud física. Por ejemplo, la primera magnitud Y1 está representada por los datos XA (medición) y XD (estimación). Un residuo R1 relativo a la primera magnitud Y1 puede calcularse como la diferencia entre XA y XD:

[0081]

[0083] Así, en este ejemplo, el residuo es igual a la diferencia entre los sesgos de medición o de estimación. En funcionamiento normal, esta diferencia debería ser muy pequeña, especialmente en comparación con Y1. Si el residuo R1 supera un umbral determinado, entonces existe una avería en el primer sensor A y/o en el primer estimador D, cuyo sesgo es demasiado grande.

[0084] En lugar de una simple diferencia escalar, puede calcularse otro tipo de desviación como residuo, en función de la naturaleza de la medición XA y de la estimación XD. Por ejemplo, en el caso de señales temporales, la desviación puede representarse mediante la integral del valor absoluto o del cuadrado de la diferencia entre las dos señales. El experto en la materia puede desarrollar otras desviaciones adecuadas, en particular una distancia en un espacio adecuado.

[0085] El residuo R1(A,D) es representativo de la desviación entre una medición XA y una estimación XD. Si otros sensores F y/u otros estimadores G proporcionaran una medición o una estimación de la magnitud Y1, sería posible calcular otros residuos, por ejemplo, tomando los datos de dos en dos: R1(A,F), R1(A,G), R1(D,F), R1(D,G), R1(F,G). Así, se obtendrían residuos representativos de la desviación entre dos mediciones (XA y XF), entre una medición y una estimación (XA y XD, XA y XG, XF y XD, XF y XG), o incluso entre dos estimaciones (XD y XG). Opcionalmente, el cálculo de los residuos puede realizarse, por tanto, entre todos los pares de datos que representan una misma magnitud física, en este caso Y1.

[0086] Si la detección de fallos se centra únicamente en el sensor o sensores relacionados directa o indirectamente con la magnitud Y1, no resulta útil calcular los residuos relativos a otras magnitudes. Sin embargo, en el presente caso, se lleva a cabo una detección más global, de modo que también se calcula el residuo R3 relativo a la tercera magnitud Y3. Así, de manera análoga: R3(C,E)=ZC-ZE.

[0087] A partir de los residuos así calculados, se realiza la determinación 40 de que existe un fallo en al menos uno de los sensores A, B o C, en función de los residuos R1(A,D) y R3(C,E) calculados a partir de los datos obtenidos de las mediciones devueltas por dicho sensor. Cabe recordar que el primer estimador D toma como entrada la medición XB; así, el residuo R1(A,D) se calcula a partir de los datos obtenidos de las mediciones XA y XB devueltas por los sensores A y B. Del mismo modo, el segundo estimador E toma como entrada la medición XA; así, el residuo R3(C,E) se calcula a partir de los datos obtenidos de las mediciones XA y XC devueltas por los sensores A y C.

[0088] Así, se comprende que si solo el residuo R1 supera un umbral, mientras que el residuo R3 no lo supera, entonces puede concluirse razonablemente que el segundo sensor B es defectuoso. Si solo el residuo R3 supera un umbral, mientras que el residuo R1 no lo supera, entonces puede concluirse razonablemente que el tercer sensor C es defectuoso. Si los dos residuos R1 y R3 superan los umbrales, entonces puede concluirse razonablemente que el primer sensor A, cuya medición XA entra en el cálculo de ambos residuos, es defectuoso.

[0089] Este sencillo caso permite ilustrar claramente cómo el hecho de que los estimadores tomen como entrada subconjuntos diferentes de las mediciones, en particular para la evaluación de una misma magnitud física, permite determinar, en función de los residuos, que existe un fallo en al menos uno de los sensores. En rigor, se podría deducir de unos residuos R1 y R3 elevados que los sensores B y C, o incluso A, B y C, son defectuosos, aunque los fallos simultáneos son menos probables que un simple fallo en el primer sensor A. No obstante, el hecho de multiplicar los sensores y los estimadores, en comparación con la presente realización, permite establecer con mayor precisión la relación entre un residuo que supera un umbral y la localización de un fallo en uno de los sensores.

[0090] Así, en el caso real de un motor cohete cuyas condiciones de vuelo son supervisadas por unos cincuenta sensores, que miden algunas de las magnitudes enumeradas anteriormente, el presente procedimiento permite reducir el número de sensores físicos a unos treinta, sustituyéndose los demás sensores por uno o varios estimadores sin que ello degrade la detección de fallos y, por tanto, la fiabilidad y la precisión globales del sistema. De ello se deriva un ahorro significativo de peso y coste, sin pérdida de rendimiento.

[0091] Anteriormente, el criterio descrito para identificar un fallo en un sensor era el hecho de que un residuo superara un umbral. No obstante, son posibles otros criterios, por ejemplo, una variación importante del residuo a lo largo del tiempo, etc. Más generalmente, una función de transferencia 40 de determinación toma como entrada los residuos y determina que existe un fallo en al menos uno de los sensores en función de los residuos calculados a partir de los datos obtenidos de las mediciones devueltas por dicho sensor.

[0092] Como se ha indicado anteriormente, la función de transferencia 40 de determinación puede comprender al menos una RNA que toma como entrada los residuos y está configurada para devolver, para al menos uno de los sensores, un indicador de la existencia y, opcionalmente, de la gravedad de un fallo en dicho sensor. En caso de pluralidad de RNA, cada RNA puede estar configurada para identificar un fallo en un sensor en particular. A continuación se describirá un ejemplo de aprendizaje de la RNA.

[0093] Alternativamente, la función de transferencia 40 de determinación puede ser una función determinada analítica o numéricamente, por ejemplo, una matriz que toma como entrada un vector de residuos y devuelve un vector de indicadores.

[0094] La determinación 40 puede proporcionar la indicación de fallo en forma de uno o varios indicadores, o de un vector 50 de indicadores. Por ejemplo, haciendo referencia a la presente realización, el indicador 50 puede ser un número de tres cifras, correspondiendo cada cifra a un sensor. Por ejemplo, un indicador con el valor 010 indica un fallo leve en el segundo sensor B y ningún fallo en los otros dos sensores, mientras que un indicador con el valor 200 indica un fallo grave en el primer sensor A y ningún fallo en los otros dos sensores. Los indicadores pueden ser numéricos, como en el presente ejemplo, o adoptar cualquier otra forma deseada (una señal, un carácter alfabético, una forma, un color, etc.).

[0095] Opcionalmente, los datos XA a XE y el indicador 50 pueden ser tomados como entradas por un sintetizador 60 que realiza su síntesis con el fin de tener en cuenta los fallos reflejados por el indicador 50 para mejorar la estimación de las magnitudes Y1 a Y3 físicas.

[0096] En esta realización, el sintetizador 60 está configurado para producir una estimación de una magnitud física, por ejemplo Y1, a partir del primer sensor A que mide dicha magnitud física y del primer estimador D que determina una estimación de dicha magnitud física, ignorando los sensores defectuosos para los que se ha determinado la existencia de un fallo, y los estimadores que toman como entrada las mediciones devueltas por dichos sensores defectuosos. Así, si el indicador 50 señala que se ha detectado un fallo en el primer sensor A, el sintetizador 60 podrá ignorar la medición XA y devolver como estimación de la magnitud Y1 la estimación XD.

[0097] Si el indicador 50 indica que se ha detectado un fallo en el segundo sensor B, entonces es probable que la estimación XD, determinada por el primer estimador D a partir de la medición XB, sea errónea; entonces, el sintetizador 60 podrá ignorar la estimación XD y devolver como estimación de la magnitud Y1 la medición XA.

[0098] Por último, si el indicador 50 indica que no se ha detectado ningún fallo, o que se ha detectado un fallo en el tercer sensor C cuya medición XC no afecta a la estimación de la primera magnitud Y1, entonces el sintetizador 60 podrá tener en cuenta tanto la medición XA como la estimación XD para proporcionar una estimación de la primera magnitud Y1. Por ejemplo, el sintetizador 60 puede calcular una media entre XA y XD. Son posibles otras combinaciones, según la elección del experto en la materia. Por otra parte, los datos pueden ponderarse en la elaboración de la estimación, por ejemplo, en función del grado de fallo y/o del nivel de precisión asociado a cada sensor/estimador.

[0099] A continuación se describe un procedimiento de aprendizaje de una red de neuronas artificiales para un sistema de determinación de fallos para un conjunto de sensores, según una realización, con referencia a la figura 2. Tal RNA puede emplearse para la determinación 40 presentada anteriormente.

[0100] El procedimiento de aprendizaje comprende una etapa S70 de obtención de datos que representan una pluralidad de mediciones devueltas respectivamente por los sensores. Los sensores pueden ser los sensores A, B, C descritos anteriormente. Es preferible que los sensores sean los mismos en los que la RNA deberá determinar fallos, a fin de tener en cuenta sus propios defectos.

[0101] Los datos pueden comprender directamente mediciones XA, XB, XC devueltas por los sensores A, B, C, por ejemplo, durante pruebas del sistema o registros de misiones anteriores, tal como se ilustra en la figura 2, y/o datos simulados que reproducen las mediciones devueltas por los sensores. En lo sucesivo, por motivos de concisión, se hará referencia a mediciones en los dos casos, independientemente de que estas sean adquiridas, simuladas u obtenidas de cualquier otra forma.

[0102] Estos datos se transmiten a la etapa S72 de generación de fallos en las mediciones. En esta etapa, por ejemplo, se replican los datos obtenidos en la etapa S70 y, en cada ejemplar, se genera un defecto conocido de una amplitud determinada en uno o varios sensores determinados. La elección de la amplitud del defecto y/o de los sensores afectados puede ser aleatoria, para cubrir rápidamente un gran número de defectos en un gran número de sensores. Los defectos pueden afectar a un solo sensor o a una combinación de sensores, con el fin de simular fallos simultáneos.

[0103] Así, a partir de las mediciones XA, XB, XC, se pueden generar, por ejemplo, dos ejemplares con fallos: XA’, XB, XC, con un defecto leve en el primer sensor A, y XA, XB”, XC’, con un defecto grave en el segundo sensor B y un defecto leve en el tercer sensor C.

[0104] Los ejemplares de los datos, tras la generación de los defectos, se transmiten a los estimadores D, E, que, para cada ejemplar de datos, determinan las estimaciones de las magnitudes basándose en las mediciones que, en última instancia, están distorsionadas. A continuación, las estimaciones se añaden a los datos representativos de las mediciones a partir de las cuales se han determinado, para formar datos completos. Así, basándose en el ejemplo anterior y en los estimadores D y E descritos anteriormente, se generan tres conjuntos de datos: (XA, XB, XC, XD, XE), (XA’, XB, XC, XD, XE’), (XA, XB”, XC’, XD”, XE). El primer conjunto de datos representa un funcionamiento normal del sistema, en el que todos los sensores funcionan con normalidad: por tanto, se espera que los estimadores determinen estimaciones correctas. En el segundo conjunto de datos, se espera que un defecto leve afecte a la estimación XE’, debido al defecto leve introducido en la medición XA’ tomada como entrada por el segundo estimador E. Si el segundo estimador E no es lineal, el defecto puede, por supuesto, amplificarse o atenuarse. Del mismo modo, aunque de forma independiente, en el tercer conjunto de datos se espera que un defecto grave afecte a la estimación XD”, debido al defecto grave introducido en la medición XB” tomada como entrada por el primer estimador D. El defecto leve en la medición XC’ no afecta a ningún estimador, en este ejemplo.

[0105] Los datos, que comprenden las mediciones con defectos generadas en la etapa S72 y las estimaciones con defectos determinadas en la etapa S74, permiten a continuación calcular los residuos en la etapa S76. Los residuos se calculan como se ha descrito anteriormente, para cada conjunto de datos. Así, en el ejemplo anterior, se obtienen tres conjuntos de residuos (R1, R3), (R1’, R3’), (R1”, R3”).

[0106] Paralelamente, en la etapa S78, independientemente de las estimaciones y los residuos, se generan indicadores de fallo en los sensores, correspondientes a los defectos generados en las mediciones de la etapa S72. De hecho, al conocerse los defectos, es posible caracterizar el posible fallo en cada sensor con el formato que se desee que proporcione como salida la RNA.

[0107] Por ejemplo, con indicadores numéricos de tres cifras como los descritos anteriormente, el primer conjunto de datos correspondería a un indicador 000 (ningún fallo en ningún sensor), el segundo conjunto de datos a un indicador 100 (defecto leve en el primer sensor A, ninguno en los demás sensores) y el tercer conjunto de datos a un indicador 021 (ningún defecto en el primer sensor A, defecto grave en el segundo sensor B, defecto leve en el tercer sensor C). En particular, la generación de un indicador de fallo para un sensor (por ejemplo, una cifra de los indicadores mencionados anteriormente) puede comprender la comparación del defecto correspondiente con un umbral asociado al sensor que devuelve la medición en cuestión, y la emisión de un nivel de gravedad del fallo para dicho sensor en base a dicha comparación. En el ejemplo anterior, el nivel de gravedad es 1 si el defecto tiene una amplitud comprendida entre el 2 % y el 5 %, y es 2 si el defecto tiene una amplitud superior al 5 %. Si la amplitud del defecto es inferior al 2 %, se considera que no hay fallo (el nivel de gravedad es 0, lo que también indica la ausencia de fallo). Por supuesto, estos umbrales son ilustrativos y pueden modificarse, en número y en valor, según la precisión y la fiabilidad de los sensores considerados, y ello para cada sensor de forma independiente. Normalmente, en lugar de los dos umbrales descritos anteriormente, puede establecerse un único umbral (presencia o ausencia de fallo) o bien tres umbrales o más.

[0108] A continuación, en la etapa S80 se realiza el aprendizaje de la RNA tomando como entrada los residuos, calculados en la etapa S76, y como objetivo de salida los indicadores de fallo, generados en la etapa S78. Sobre esta base, el aprendizaje se realiza de manera convencional con el fin de que la RNA sea capaz, tal como se ilustra en la figura 1, de devolver indicadores 50 tras haber tomado como entrada los residuos calculados en el bloque 30 funcional: para cada conjunto de datos, de forma iterativa, la RNA toma como entrada los residuos, estima al menos un indicador y corrige sus pesos internos en función de la comparación entre el indicador estimado y el indicador proporcionado como objetivo de salida.

[0109] De nuevo, el ejemplo descrito anteriormente se ha basado en un número reducido de conjuntos de datos para aclarar la ilustración, pero el aprendizaje de la RNA será tanto más preciso cuanto más permitan los conjuntos de datos cubrir con detalle el ámbito de funcionamiento del sistema y los defectos susceptibles de producirse.

[0110] Aunque la presente divulgación se refiere a ejemplos de realización específicos, pueden introducirse modificaciones en dichos ejemplos sin salirse del alcance general de la invención tal como se define en las reivindicaciones.

Claims (10)

1. REIVINDICACIONES

1. Procedimiento de determinación de fallos para un conjunto (10) de sensores (A, B, C), que comprende:

- la obtención de datos, comprendiendo dichos datos una pluralidad de mediciones devueltas respectivamente por los sensores (A, B, C) y una pluralidad de estimaciones determinadas respectivamente por una pluralidad de estimadores (D, E) que toman como entrada subconjuntos diferentes de dichas mediciones, comprendiendo al menos uno de los estimadores (E) una red de neuronas artificiales;

- el cálculo de residuos (30) representativos de la desviación entre datos que representan una misma magnitud física, siendo al menos algunos de los residuos representativos de la desviación entre una medición y una estimación, o entre dos estimaciones, y comprendiendo al menos uno de los estimadores (E) que determina las estimaciones una red de neuronas artificiales;

- la determinación (40) de que existe un fallo en al menos uno de los sensores (A, B, C) en función de los residuos calculados en base a los datos obtenidos a partir de mediciones devueltas por dicho sensor.

2. Procedimiento de determinación de fallos según la reivindicación 1, en el que el cálculo de residuos se realiza entre todos los pares de datos que representan una misma magnitud física.

3. Procedimiento de determinación de fallos según cualquiera de las reivindicaciones 1 a 2, en el que el conjunto de sensores (10) comprende como máximo un sensor (A, B, C) por magnitud física.

4. Procedimiento de determinación de fallos según cualquiera de las reivindicaciones 1 a 3, en el que la pluralidad de estimadores comprende al menos un estimador (D, E) para proporcionar una estimación de una magnitud física medida por uno de los sensores (A, C).

5. Procedimiento de determinación según cualquiera de las reivindicaciones 1 a 4, en el que la red de neuronas artificiales está configurada para determinar una estimación de una primera magnitud física que interviene aguas arriba de al menos una segunda magnitud física cuya medición es tomada como entrada por la red de neuronas artificiales.

6. Procedimiento de determinación de fallos según cualquiera de las reivindicaciones 1 a 5, en el que, en la determinación (40) de que existe un fallo, los residuos se introducen como entrada en al menos una red de neuronas artificiales configurada para devolver, para al menos uno de los sensores (A, B, C), un indicador (50) de la existencia y, opcionalmente, de la gravedad de un fallo en dicho sensor.

7. Procedimiento de estimación de una magnitud física a partir de un conjunto de sensores, que comprende la determinación de fallos para dicho conjunto de sensores según cualquiera de las reivindicaciones 1 a 6, y la generación (60) de una estimación de la magnitud física a partir de los sensores (A, B, C) que miden dicha magnitud física y de los estimadores (D, E) que determinan una estimación de dicha magnitud física, ignorando los sensores defectuosos para los que se ha determinado la existencia de un fallo, y tomando los estimadores como entrada las mediciones devueltas por dichos sensores defectuosos.

8. Sistema de determinación de fallos para un conjunto (10) de sensores (A, B, C), que comprende:

- una unidad de obtención de datos, configurada para obtener datos que comprenden una pluralidad de mediciones devueltas respectivamente por los sensores (A, B, C) y una pluralidad de estimaciones determinadas respectivamente por una pluralidad de estimadores (D, E) que toman como entrada subconjuntos diferentes de dichas mediciones, comprendiendo al menos uno de los estimadores (E) una red de neuronas artificiales;

- una unidad (30) de cálculo de residuos representativos de la desviación entre datos que representan una misma magnitud física, siendo al menos algunos de los residuos representativos de la desviación entre una medición y una estimación, o entre dos estimaciones, comprendiendo al menos uno de los estimadores (E) que determina las estimaciones una red de neuronas artificiales 1

- una unidad (40) de determinación configurada para determinar que existe un fallo en al menos uno de los sensores (A, B, C) en función de los residuos calculados en base a los datos obtenidos a partir de mediciones devueltas por dicho sensor.

9. Procedimiento de aprendizaje de una red de neuronas artificiales para un sistema de determinación de fallos para un conjunto (10) de sensores (A, B, C), que comprende:

- la obtención (S70) de datos que representan una pluralidad de mediciones devueltas respectivamente por los sensores (A, B, C);

- la generación (S72) de defectos en las mediciones;

- la generación de indicadores de fallo (S78) en los sensores, correspondientes a los defectos;

- la adición (S74), a los datos, de una pluralidad de estimaciones determinadas respectivamente por una pluralidad de estimadores (D, E) que toman como entrada subconjuntos diferentes de mediciones, tras la generación de los defectos, comprendiendo al menos uno de los estimadores (E) una red de neuronas artificiales;

- el cálculo (S76) de residuos representativos de la desviación entre datos que representan una misma magnitud física; - el aprendizaje (S80) de la red de neuronas artificiales tomando como entrada los residuos y como objetivo de salida los indicadores de fallo.

10. Procedimiento de aprendizaje según la reivindicación 9, en el que la generación de un indicador de fallo (S78) comprende la comparación del defecto correspondiente con un umbral asociado al sensor que devuelve la medición considerada, y la emisión de un nivel de gravedad del fallo para dicho sensor en base a dicha comparación.