27 Analizador de fallos PLC universal, pantalla de diagnóstico completo informando la causa del fallo de la máquina. 28 Analizador de fallos PLC universal, pantalla con diagnóstico completado informando la causa del fallo de la máquina. 8 Tabla de resultados de la prueba preliminar para verificar mejora en tiempos de diagnóstico del método humano.
INTRODUCCIÓN
ANTECEDENTES
- Métodos para identificar fallas en máquinas
- Características deseables del sistema de diagnóstico de fallas
- Transformación de las mediciones en un sistema de diagnóstico…
- Clasificación de los algoritmos para el diagnóstico
- Sistemas basados en conocimiento histórico del proceso
- Estado del Arte
- Estadística de la línea base
Para este tipo de abordaje, el correctivo, no existe en el mercado un sistema electrónico o informático para diagnosticar fallas del PLC y en ausencia de uno la empresa depende de la habilidad del técnico. El sistema de diagnóstico debe responder rápidamente al detectar y diagnosticar un proceso multifuncional. El sistema es robusto si es capaz de realizar un diagnóstico a pesar de la presencia de ruido o incertidumbres.
En la Figura 4 se muestra un diagrama de la clasificación de algoritmos para diagnóstico, aquí se puede ver el método que se utilizará para este proyecto, el que se basa en la Historia de Procesos con un enfoque cuantitativo utilizando Redes Neuronales Probabilísticas. Los valores de los pesos de la neurona se actualizan en cada ciclo buscando reducir el valor de la función de pérdida.
DEFINICIÓN DEL PROBLEMA DE INVESTIGACIÓN
- Justificación
- Pregunta de investigación
- Hipótesis
- Objetivos
H0 Una base de datos de estado de datos de aprendizaje automático no reduce el tiempo de diagnóstico de fallas en los sistemas PLC industriales. Ha Una base de datos de estado de datos de aprendizaje automático reduce el tiempo de diagnóstico de fallas en sistemas PLC industriales. El marco de prueba de hipótesis se crea utilizando el término hipótesis nula, denotado por H.
Reduce el tiempo de diagnóstico de fallas basado en PLC en máquinas caídas en más de un 30%. Diseñar un nuevo software de diagnóstico automático para detectar fuentes de fallas. Entrena la red neuronal para detectar entradas erróneas con una eficiencia superior al 93,3%.
METODOLOGÍA
Desarrollo
Comparar los estados aprendidos con los estados de diagnóstico es el primer paso para automatizar la interpretación del origen del fallo. Consiste en el desarrollo del sistema final, que a diferencia del prototipo, indicará de forma gráfica, pero también descriptiva, el origen del fallo. El proceso de entrenamiento de la red se genera durante el aprendizaje en el modo de operación normal, y el diagnóstico se realiza durante el aprendizaje cuando la máquina no está operando, ambos procesos de aprendizaje generan una matriz de características de comportamiento y finalmente una matriz de decisión.
El principio básico de comparación establece un peso, que representa la correspondencia de los estados de salida con los estados de entrada dentro de la red neuronal. Se logra calculando las varianzas de toda la población de variables recopiladas en la fase normal del aprendizaje automático. Un valor de cero en la varianza indica que no hay cambios en su valor durante el tiempo de funcionamiento de la máquina, por lo que dicha variable debe omitirse en cálculos posteriores.
La segmentación consiste en dividir o clasificar la información creando capas identificativas de características propias, y luego se pueden crear valores cuantitativos representativos del comportamiento de la red. Estas capas se dividen en pares causa-efecto (entrada-salida), es decir , entradas digitales relevantes y salidas digitales C relevantes para cada estado de la máquina. Simplificando la base de datos de estados de la máquina, obteniendo las matrices Xe y Ce a) Volver al paso 4.1.2.2 para tomar otra muestra de medición. Se crea una matriz Y para cada dependencia de estado de la matriz Xp, es decir Se crean las matrices Y1, Y2, Y3…Yp.
La interpretación es el diagnóstico de la falla en sí, se encuentra la fuente de la falla, es decir, la entrada X, cuyo valor no corresponde al valor esperado en la matriz D.
Validación
Máquinas simples: con varias operaciones simultáneas cada una con sus propios estados de máquina, especialmente dos tipos de máquinas, calibradora y clasificadora. Máquinas complejas: Con operaciones realizadas simultáneamente y cada operación con sus propios modos de máquina, especialmente la denominada máquina analógica, combina las operaciones de calibrador, enfriamiento y clasificación en una única estación automatizada.
Estadística
94 Datos del tiempo de diagnóstico de “Fallo del Sensor” correspondientes a la población de un mes para el caso humano diagnosticado actual, recopilados de datos históricos de fábrica en formatos 80-20, obteniendo un promedio poblacional de µ. Aplicando el programa desarrollado Universal PLC Failure Analyzer, se identificó la causa de falla del equipo defectuoso en 36 casos de “Fallas de sensores” durante un mes. Para utilizar la estadística de prueba t pareada, se buscaron 36 fallas de la misma familia y tipo de equipo en el historial de 80-20 archivos de la planta para cada una de las fallas diagnosticadas en el mes de febrero de 2020.
Al comparar las medias poblacionales de los dos grupos, diagnóstico humano versus diagnóstico automatizado (μ..H), el modelo ideal para la prueba de hipótesis es el modelo estadístico de prueba t pareada. Resumen del proceso estadístico y verificación de hipótesis para las muestras poblacionales del sistema humano tradicional H y del nuevo sistema automatizado A.
Implementación…
Al utilizar la estación calibradora PA-1603 mencionada en la Tabla 8, la falla se disparó en cuatro señales de sensores, la existencia de la falla específica era desconocida para el técnico que la diagnosticó y luego se midió y se midió el tiempo transcurrido para encontrar la falla. comparado con el tiempo de diagnóstico de este nuevo sistema para la misma falla, obteniendo los datos que se muestran en la Tabla 8 y mostrados en las Figuras 32 y 33. La gráfica de los resultados muestra la diferencia en minutos desde la prueba hasta las mejoras en los tiempos de los humanos. diagnóstico del sistema al analizador de fallas de PLC universal. Para las mediciones de prueba de campo, los resultados se muestran en la Tabla 9 con sus correspondientes tiempos de diagnóstico cuando se utiliza el programa Universal PLC Failure Analyzer.
Los datos recopilados para la prueba t pareada se muestran en la Tabla 10, consisten en el tiempo de diagnóstico automático comparado con el tiempo de diagnóstico humano para el mismo tipo de máquina, y en la última columna se calcula el porcentaje de mejora de la diferencia. par con el fin de posteriormente calcular también el porcentaje de mejora efectiva del nuevo sistema. Utilizando una representación gráfica con Minitab se obtuvieron los porcentajes de mejoras en los tiempos de diagnóstico observados en la Tabla 10 y los resultados dados en la Figura 33. Los resultados de este análisis estadístico muestran los valores porcentuales de mejora en los tiempos de diagnóstico para el sistema automatizado versus el humano tradicional, lo que indica una media de 86,44% con un rango de 83,82% a 89,06% con un nivel de confianza del 95%.
También se realizó una presentación gráfica de las diferencias de tiempo de los pares en la Tabla 10 y se obtuvieron los resultados presentados en la Figura 34. Los resultados de este análisis estadístico muestran los valores de las diferencias en los tiempos de diagnóstico del sistema automatizado en comparación con los tradicionales, mostrando una media de 22,98 con un intervalo de 19.568 minutos a 26.401 minutos con un nivel de confianza del 95%. Para probar la hipótesis, se utilizaron estadísticos t pareados con Minitab para los pares de tiempos de diagnóstico presentados en la Tabla 10; los resultados se presentan en la Figura 35.
El estudio estadístico tuvo como objetivo evaluar la efectividad y rapidez de diagnóstico del programa desarrollado. Dado que no se demostró la hipótesis nula, se asumió que el programa desarrollado reduciría el tiempo de diagnóstico de fallas en sistemas industriales con PLC mediante el uso de una base de datos de estado de entrada con aprendizaje automático, superando el objetivo de reducción del 30%. Se dice entonces que el nuevo programa ha reducido el tiempo de diagnóstico de fallos en sistemas industriales con PLC mediante el uso de una base de datos de estado de entrada con aprendizaje automático.
Validar confiabilidad
Prueba preliminar, verificar reducción de tiempo de diagnóstico
Medición de condiciones reales en campo
Prueba de hipótesis
Tamaño de muestra, 35 pares de tiempos, automatizado versus humano, para el concepto de "Falla del sensor". El procedimiento de prueba con Minitab consiste en validar el estadístico de valor p para rechazar la hipótesis nula con la regla indicada en la tabla 11. Criterio de aceptación o rechazo de la hipótesis nula utilizando el estadístico de valor p de la prueba t pareada.
Debido a un valor p < 0,05, no se pudo detectar la hipótesis nula H0 y por lo tanto se asumió la hipótesis alternativa Ha. Los dos parámetros utilizados para la evaluación del sistema fueron la confiabilidad para detectar la fuente de error y el estadístico del Prueba t pareada para probar la hipótesis. Los errores que no fueron detectados por el sistema automatizado se debieron a que el sistema brindó más de una solución, aunque dentro de este grupo estuvo la respuesta y otro caso donde no se detectó el origen del error debido a la condición original para el diagnóstico del El equipo caído no era el correcto porque durante el proceso de diagnóstico se presionó un botón de reset no incluido en la fase de aprendizaje, provocando conflicto con el sistema y no pudiendo localizarlo dentro de los estados posibles.
H con α = 0.05 y debido al valor p < 0.05, no se pudo probar la hipótesis nula H0 y por lo tanto se consideró desarrollada la hipótesis alternativa Ha. El programa fue desarrollado con una base de datos de 42.114 registros de estado de máquinas para 64 entradas con aprendizaje automático utilizando una red neuronal de 4 capas que redujo el tiempo de diagnóstico de 26,42 minutos a 3,07 minutos, lo que supone una reducción, con una confiabilidad del 95%, de 19.568 minutos a 26.401 minutos e identifica una tasa de mejora del 83,82% sobre el 89,06 del tiempo requerido para el diagnóstico en máquinas industriales basadas en PLC, para los dos tipos de máquinas evaluadas: el primer tipo, simple, donde los estados son consecutivos y para el segundo tipo, complejo, donde se ejecutan varias secuencias simultáneamente. Sorprendentemente, el programa pudo diagnosticar fallas incluso en equipos cuyos estados de máquina no son consecutivos y con operaciones concurrentes, con una efectividad de detección del 93,33%.
Como implementación futura, también se pretende utilizar las variables de entrada y salida analógicas y memorias numéricas para poder diagnosticar errores no solo basados en parámetros físicos, sino también errores basados en valores de prueba fuera de especificación, manteniendo siempre el aprendizaje automático y Sin programación adicional del PLC, también queda mucho trabajo por hacer para tener una interfaz de usuario más amigable e intuitiva.
DISCUSION DE RESULTADOS
CONCLUSIONES