Diagnóstico de Fallas en Centrales Termoeléctricas Utilizando Modelado Neuronal y Lógica Difusa

Transcripción

1 Diagnóstico de Fallas en Centrales Termoeléctricas Utilizando Modelado Neronal y Lógica Difsa Nemecio Tlalolini Ramos 1, José A. Rz Hernández 2, Dionisio A. Sárez Cerda 3, Alfredo Sánchez López 3, Agstín Qintero Reyes 3 1 Demar Instaladora y Constrctora S. A. de C. V., Calle 5 Sr, Mz. Q, Lote 9, Col. Perto Indstrial y Pesqero Lagna Azl, C. P , Cd. del Carmen, Campeche. ntlalolini@demar.com.mx 2 Universidad Atónoma del Carmen, Av. 56 #4 Esq. Av. Concordia, Col. Aviación, C.P , Cd. del Carmen, Campeche jrz@pampano.nacar.mx 3 Institto de Investigaciones Eléctricas, Calle Reforma # 113, Col. Palmira, C. P , Cernavaca, Morelos {sarez, jasl, aqr}@iie.org.mx Resmen En este artíclo se describe n sistema de diagnóstico de fallas para el generador de vapor de na central termoeléctrica, tilizando modelado neronal y lógica difsa. El sistema consta de dos componentes; la primera, consiste en la generación de residos mediante la diferencia qe existe entre las mediciones actales de la planta y las estimaciones qe se obtienen con n predictor neronal; la segnda, es n módlo difso qe se tiliza para evalar los residos y realizar el diagnóstico de la falla correspondiente. Los datos saldables con los qe se entrenan las redes neronales qe integran el predictor y la base de datos qe corresponden a las principales fallas qe se presentan en este tipo de centrales se obtienen de n simlador de alcance total. La metodología propesta pede aplicarse en los casos en qe la lógica difsa actando de manera individal no es sficiente para hacer n diagnóstico adecado de las fallas. Palabras clave: Detección y diagnóstico de fallas, lógica difsa, redes neronales, simlador de alcance total, generador de vapor, centrales termoeléctricas. I. INTRODUCCIÓN En este trabajo se propone na estrategia de diagnóstico de fallas en el generador de vapor de na central termoeléctrica. En este tipo de centrales, es frecente qe cando se presenta na pertrbación inesperada en el proceso, el operador se enfrente a la incertidmbre de qe la información llege my rápido, en gran cantidad y sin indicar con claridad la casa ni el origen del problema. Además, el operador centa con poco tiempo para responder adecadamente. De aqí la importancia del desarrollo de técnicas basadas en inteligencia comptacional para el diagnóstico de fallas, de tal modo qe sean el medio para tener la información casante del problema de manera temprana y precisa. Esto permitirá al operador realizar las acciones necesarias para impedir el mal fncionamiento o n paro no programado de la nidad, bscando minimizar los períodos de tiempo en qe la nidad sale de servicio en caso de qe esto sea inevitable. La importancia del diagnóstico oportno de fallas en las nidades termoeléctricas es na valiosa herramienta en la operación, en el entendido de qe toda falla lleva n costo asociado qe se incrementa a medida qe la falla evolciona y no es atendida. En sentido opesto, na falla detectada y atendida con oportnidad, tendrá n costo mínimo (Rz et al., 2005). En las últimas tres décadas, el diagnóstico de fallas qe tilizan técnicas de inteligencia comptacional tales como los sistemas difsos, redes neronales y algoritmos genéticos se ha incrementado (Korbicz et al., 2004). Una red neronal tiene el potencial de aprendizaje tilizando patrones obtenidos desde la información de entradas y salidas del sistema. Con la red es posible constrir n modelo útil para la generación de residos y detectar la aparición de fallas (Rz et al., 2006). Por otro lado, los sistemas difsos son capaces de reprodcir el razonamiento herístico el cal es trasladado a reglas lingüísticas qe representan el conocimiento y la experiencia hmana (Frank y Marc, 2001). El objetivo principal del diagnóstico de fallas es detectar y aislar la falla, ofreciendo la información acerca de s magnitd 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 n simlador de alcance total (González, 1981). Una arqitectra y sficientes datos de entrenamiento permiten qe las redes neronales sean útiles para representar el comportamiento dinámico de sistemas no lineales complejos (Norgaard, 2000). Así se proporcionarán estimaciones my precisas de la salida del sistema a partir de las entradas evalando los residos generados por medio del bloqe difso. La metodología propesta se tiliza para el caso en el qe el patrón de evolción del conjnto de variables clave asociado a cada falla no pede ser determinístico para la detección y consecente diagnóstico de la falla.

2 II. DESCRIPCIÓN DEL PROBLEMA En los operadores de las centrales termoeléctricas recae la responsabilidad de monitorear, identificar y atender los problemas qe eventalmente se presentan en el proceso de generación eléctrica. De presentarse na falla y no ser atendida a tiempo en principio ocasiona degradación del eqipo, fallas en el servicio, pérdidas económicas pero principalmente peligro para la integridad del operador. Es por esto qe además del conocimiento experto del operador se reqiere de n diagnóstico adecado qe le permita tomar las decisiones acertadas para mantener la correcta operación de la central termoeléctrica. La Figra 1 mestra el diagrama de na central termoeléctrica. Las fallas qe generalmente se presentan en este tipo de centrales peden clasificarse en los sigientes grpos: fallas relacionadas con el control de temperatra de vapor sobrecalentado y recalentado, fallas relacionadas con el control de nivel del domo y fallas relacionadas con el control de combstión. Figra 2. Diagrama simplificado sistema aire/gases Combstible. Una de las fallas de este grpo es la del filtro scio en la scción de bombas de alta presión de aceite combstible a qemadores (falla 1). Un ensciamiento del filtro se presenta normalmente de acerdo a la calidad del combstible, teniendo como posible casa a la existencia en gran escala de partíclas contenidas en el combstible. En otras ocasiones se debe a la operación con niveles my bajos en el tanqe de almacenamiento con el consecente arrastre de sedimentos (CFE, 1997). Cando se presenta el ensciamiento de este filtro, el fljo de combstible no es sficiente para mantener la demanda de carga de la nidad, la presión del combstible en la descarga de las bombas se abatirá, la presión del vapor principal disminirá de s valor nominal y por consigiente el fljo de vapor hacia la trbina también disminirá. III. ESQUEMA DE DIAGNÓSTICO El esqema propesto en este artíclo posee dos componentes: la generación de residos y la clasificación de fallas (Figra 3). Figra 1. Diagrama de na central termoeléctrica Este último grpo es el qe se analiza de manera particlar en este trabajo. Para comprender mejor la operación de este grpo de fallas es necesario explicar el diagrama simplificado del sistema aire / gases-combstible qe se mestra en la Figra 2. El control de combstión tiene la fnción de controlar la mezcla de aire-combstible en el hogar en forma segra y eficiente, manteniendo el eqilibrio entre el calor generado y la demanda de vapor para obtener na salida de presión de vapor controlada. Una alta eficiencia de la combstión se logra con exceso de aire adecado para qemar la cantidad de combstible para cada qemador, con n diámetro mínimo de las partíclas de combstible y na longitd de flama adecada en el generador de vapor. Figra 3. Esqema de detección y diagnóstico de fallas La primera componente consiste en la comparación entre las mediciones de la planta y los valores proporcionados por

3 n predictor basado en redes neronales. Las diferencias entre estos valores se conocen como residos y constityen n ben indicador para la detección de fallas. De acerdo con lo anterior, el vector de residos se calcla como: r( ) ( ) ˆ i k = xi k xi(, i = 1,2,..., n. (1) donde x i ( corresponde a las mediciones de la planta y xˆ i ( a las predicciones. Los residos generados en esta forma son independientes del estado de operación del sistema bajo condiciones de operación nominal de la planta pesto qe el predictor se entrena con datos saldables del proceso. En asencia de fallas, los residos reflejan solamente rido y dinámicas no modeladas. Cando ocrre na falla, los residos se desvían de cero sigiendo trayectorias diferentes (Rz, 2005). A. Generación de residos Para la generación de residos, n predictor neronal reemplaza al modelo analítico qe generalmente describe al proceso bajo condiciones de operación normal, saldable o libre de fallas. La obtención del predictor mediante redes neronales se basa en la teoría de identificación para sistemas dinámicos con estrctras no lineales. Para lograr la identificación se reqiere la adqisición de datos experimentales qe se obtienen de n simlador de alcance total. El aprendizaje de las redes se realiza con el esqema serie-paralelo. Cando el proceso de entrenamiento de la red o de las redes qe integran el predictor neronal conclye, este último se tiliza para generar residos (Figra. 4). Una vez qe el aprendizaje finaliza, se fijan los pesos de la red o de las redes qe sean necesarias en el predictor y se emplean en simlación o en paralelo con la planta para efectar la predicción. k ( 1) Planta q -1 x( Red Neronal Entrenamiento de la red Planta q -1 Predictor Neronal Generación de residos x ( k ) x() k k ( 1) x() k r( Figra 4. Esqema de entrenamiento y generación de residos. El predictor se diseñó sando cinco modelos basados en redes neronales. Las redes se entrenaron mediante el Algoritmo de Levenberg-Marqardt. Cada red es del tipo perceptrón mlticapa. Tienen na capa oclta de neronas cyas fnciones de activación son tangentes hiperbólicas y na sola nerona con fnción de activación lineal en la capa de salida. Los modelos se obtienen empleando la herramienta NNSYSID de Matlab. Además, poseen na estrctra NNARX de 8 entradas y na salida: xˆ 1( = F1 [ W1, x1 ( x1( k 6), k 6),..., k 6)] (2) xˆ 2( = F2 [ W2, x2( x2( k 6), ( k 6),..., k 6)] (3) xˆ 3( = F3 [ W3, x3( x3( k 2), ( k 2),..., ( ( k 2)] (4) xˆ 4( = F4 [ W4, x4( x4( k 2), ( k 2),..., ( ( k 2)] (5) xˆ 5( = F5 [ W5, x5 x5 ( k 2), ( k 2),..., ( k 2)] (6) xˆ 6( = F6 [ W6, x6( x6( k 3), k 3),..., k 3)] (7) xˆ 7( = F7 [ W7, x7 ( x7 ( k 3), k 6),..., k 6)] xˆ 8( = F8 [ W8, x8 x8 ( k 3), ( k 6),..., k 1),..., ( k 6)] (9) xˆ 9( = F9 [ W9, x9( x9( k 6), k 6),..., k 6)] (10) xˆ 10( = F10[ W10, x10( x10( k 3), k 6),..., k 6)] (11) donde las variables de entrada son: (.) 1 = Fljo de combstible (%) 2 (.) = Fljo de aire (%) 3(.) = Fljo de aga de condensado (Litros/min.) (.) 4 = Fljo de aga de atemperación (Kg/s) 5 (.) = Fljo de aga de alimentación (T/H) 6 (.) = Fljo de repesto al condensador (Litros/s) 7 (.) = Fljo de vapor de aga (Litros/min.) (.) 8 = Ánglo de inclinación de qemadores (Grados) y las variables de salida son: x (.) 1 = Carga de la nidad (MW) x (.) 2 = Presión del hogar (Pa) x (.) 3 = Nivel del domo (m) x (.) 4 = Temperatra de vapor sobrecalentado ( o K) x (.) 5 = Temperatra de vapor recalentado ( o K) (8)

4 x 6 (.) = Presión de vapor recalentado (Pa) x 7 (.) = Presión del domo (Pa) x 8 (.) = Presión diferencial (vapor de atomización aceite combstible (%) x 9 (.) = Temperatra de aceite combstible ( o K) x10 (.) = Temperatra de aga de alimentación ( o K) Wi representa los pesos de cada red neronal. La estrctra con retardos de cada modelo neronal se selecciona tilizando el criterio dado en (Norgaard, 2000). Este criterio esta basado en los cocientes de Lipschitz. El esqema de generación residal se aplica fera de línea para na falla qe ocrre en las centrales termoeléctricas: filtro scio en la scción de bombas de alta presión, a la qe nos referimos como falla 1. Se adqirieron datos de la falla con la ayda del simlador de alcance total (Figra 5), para n 75% de carga inicial de la nidad; las tendencias de los residos qe se tilizarán para el diagnóstico de ésta falla son mostradas en la Figra 6. B. Clasificación de Fallas Con el vector de residos obtenidos en la sección anterior, se tienen las entradas para el sistema difso en el qe se realizará la evalación y clasificación de la falla. Cada resido representa na entrada para el sistema difso, para el caso de la falla 1, se tienen 3 residos qe la determinan: r 1 (Temperatra de vapor sobrecalentado), r 2 (Presión de vapor recalentado) y, r 3 (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 combstible a qemadores y Fljo de combstible total) indicadas en la Figra 7, en las qe se observan oscilaciones por lo qe en estos casos no es posible aplicar la lógica difsa de manera aislada para la detección y diagnóstico de fallas debido a la dificltad para discriminar entre n valor saldable y no en falla. Figra 7. Tendencias de presión de aceite combstible a qemadores y fljo de combstible para la falla1 Figra 5. Simlador de alcance total Figra 6. Residos del predictor neronal Un sistema lógico difso (SLD) tiene la propiedad principal de ser capaz de manejar simltáneamente datos nméricos y conocimiento lingüístico. En otras palabras, los (SLD) son sistemas basados en conocimiento qe consisten en reglas lingüísticas IF-THEN qe peden diseñarse sando el conocimiento de expertos. Los (SLD) realizan de manera determinística n mapeo de los datos del vector de entrada a salidas escalares. El esferzo comptacional de n sistema basado en reglas difsas incrementa fertemente si el número de sistemas difsos y el número de reglas crece. En el caso del análisis de la falla 1 al tilizar solamente la lógica difsa, como las variables del proceso no son my representativas al presentarse la falla, se tiene la necesidad de incrementar el número de entradas al sistema difso para poder discriminarla. Debido a esto, el número de fnciones de membresía, el número de intervalos difsos y por consigiente el número de reglas difsas se incrementa considerablemente. De acerdo con lo anterior, se propone el so de los residos obtenidos con el predictor neronal y s evalación difsa para el diagnóstico de fallas en el generador de vapor. La arqitectra general se indica en la Figra 8.

5 Figra 8 Arqitectra general para diagnóstico de fallas Para diagnosticar la falla 1, las variables de entrada al modelo difso corresponden a la de los residos r 1, r 2, y r 3, respectivamente. Se tiene na sola salida tilizando el modelo de Mamdani. Para cada entrada se definen dos fnciones de membresía tipo gassianas na llamada PREC qe está asociada al valor de resido qe anqe ya es diferente de cero todavía no rompe el mbral de falla confirmada, la otra fnción de membresía se llama OF qe indica cando el resido correspondiente ya sobrepasó el límite del mbral indicando operación en falla (Figra 9). De manera similar en la salida se tienen dos fnciones de membresía llamadas PRECAUCIÓN y FALLA. Esto se mestra en la Figra 10. c) Figra 9. Fnciones de membresía para: a) entrada r 1, b) entrada r 2, c) entrada r 3. De manera similar en la salida se tienen dos fnciones de membresía llamadas PRECAUCIÓN y FALLA. Esto se mestra en la Figra 10. Figra 10 Fnciones de membresía para la salida (y) Las reglas para el modelo difso qe permiten diagnosticar la falla 1 son: a) 1.- SI r 1 es OF y r 2 es PREC y r 3 es PREC ENTONCES 2.- SI r 1 es PREC y r 2 es OF y r 3 es PREC ENTONCES 3.- SI r 1 es PREC y r 2 es PREC y r 3 es OF ENTONCES 4.- SI r 1 es OF y r 2 es OF y r 3 es PREC ENTONCES y es PRECAUCION. 5.- SI r 1 es PREC y r 2 es OF y r 3 es OF ENTONCES 6.- SI r 1 es OF y r 2 es PREC y r 3 es OF ENTONCES 7.- SI r 1 es OF y r 2 es OF y r 3 es OF ENTONCES y es FALLA. IV. RESULTADOS DEL DIAGNÓSTICO b) Para la implementación del sistema se tilizó el toolbox de Matlab-Simlink, en la Figra 11 se mestra el diagrama

6 a bloqes tilizado, en el cal se tiene n bloqe constante qe corresponde al mbral específico qe se ajstará para cada falla. En al caso de la falla 1 éste mbral es de integran el predictor se tilizan en paralelo con la planta. Dada la natraleza no lineal del predictor neronal, los residos generados se desvían de s valor nominal para detectar la presencia de fallas; en caso contrario, los residos nos indican qe la planta opera en condiciones normales. Los modelos difsos empleados para el diagnóstico aprovechan las características de los residos para determinar la falla qe se está presentando mediante na base de reglas. En corto tiempo, se pretenden realizar prebas en línea tilizando como planta al simlador de alcance total de centrales termoeléctricas. Así mismo, se ampliará el niverso de las fallas a detectar y diagnosticar. VI. AGRADECIMIENTOS Figra 11 Diagrama a bloqes en Simlink. En la figra 12 se mestran el resltado del diagnóstico de la falla 1 con la metodología propesta al configrar en el simlador de alcance total los sigientes parámetros: 75% de carga inicial de la nidad (225 MW), n porcentaje de severidad del 15%, n retardo de 2 mín., n tiempo de evolción de 3 mín. y n tiempo de simlación de 15 min. Los atores agradecen al Institto de Investigaciones Eléctricas (IIE) y en particlar a la Gerencia de Control de Procesos (GSP), s apoyo y las facilidades otorgadas para el so del simlador de alcance total de centrales termoeléctricas. El primer ator agradece a la empresa Demar, Instaladora y Constrctora por proporcionarle el tiempo necesario para realizar estancias en el IIE. El segndo ator agradece a la Universidad Atónoma del Carmen (UNACAR) y al Promep el apoyo a través de los proyectos PR/60/2006 y P/-CA , respectivamente. REFERENCIAS Figra 12 Salida del modelo difso para la falla 1. V. CONCLUSIONES El sistema de detección y diagnóstico propesto en este artíclo permitió obtener resltados alentadores mediante s aplicación fera de línea a tres de las fallas qe comúnmente ocrren en las centrales termoeléctricas. Por cestiones de espacio, aqí solo se presentaron los resltados correspondientes a la detección y diagnóstico de la falla denominada filtro scio en la scción de bombas de alta presión de aceite combstible a qemadores. Las redes neronales qe constityen el predictor se entrenan con datos saldables obtenidos de n simlador de alcance total qe reprodce fielmente el conocimiento del proceso. Una vez qe finaliza el entrenamiento, los pesos se fijan y a diferencia de los observadores, las redes qe Comisión Federal de Electricidad (1997). Manal del Centro de Adiestramiento de Operadores Ixtapantongo, Módlo III, Unidad 1, México. Frank P. M., T.Marc (2001). Fzzy Techniqes in Falt Detection Isolation and Diagnosis, Gerhard Mercator University of Disbrg, Department of Measrement and Control. González Santaló J. (1981), Desarrollo de n Simlador de Centrales Termoeléctricas, Boletín IIE, Vol. 5, Nm. 2, pp Korbicz J., J.M. Koscienly, Z. Kowalczk, W. Cholewa (2004). Falt Diagnosis models, Artificial Intelligence, Applications, Springler-Verlag Berlin Heidelberg. Norgaard M., O. Ravn, N.K.. Polsen and L. K. Hansen (2000). Neral Networks for Modelling and Control of Dynamics Systems, Springler Verlag, London, Great Britain. Rz J. A., E.N. Sánchez, D.A. Sárez y A. Qintero R. (2006). Avances en línea de investigación de diagnóstico de fallas en centrales termoeléctricas, Boletín IIE, pp Rz J. A., E.N. Sánchez y D.A. Sárez (2005) Esqema neronal para diagnóstico de fallas en centrales termoeléctricas, Congreso Nacional de la Asociación de México de Control Atomático.