Sistema de detección de fallas para un motor DC mediante filtros de Kalman

• Autor: Dubois Farfán, Jan-André
• Formato: tesis de grado
• Fecha de Publicación: 2011
• Institución: Pontificia Universidad Católica del Perú
• Repositorio: PUCP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.pucp.edu.pe:20.500.14657/163518
• Enlace del recurso: http://hdl.handle.net/20.500.12404/817
• Nivel de acceso: acceso abierto
• Materia: Motores eléctricos de corriente continua; Filtración Kalman; https://purl.org/pe-repo/ocde/ford#2.02.01

Las metodologías para la determinación e identificación de fallas en procesos industriales viene siendo desarrollada e investigada desde hace 30 años, en los cuales se han elaborado una gran variedad de metodologías de detección y de aplicaciones a sistemas reales. Debido al aumento de la complejidad y cantidad de los procesos que necesitan ser controlados, surgen teorías para la detección e identificación de fallas como solución a problemas de repercusión no solo económica, sino también ecológica, productiva y de seguridad. En la presente tesis se ha desarrollado un método de detección e identificación basado en una innovación proveniente del filtro de Kalman, la cual provee condiciones suficientes y necesarias para la detección de fallas aditivas bajo influencia de ruido gaussiano blanco. Esta metodología de detección se aplica a un motor de corriente contínua de excitación independiente, cuya función de transferencia tipo SISO ha sido obtenida experimentalmente. Posteriormente un análisis estadístico de la innovación obtenida del filtro de Kalman, ha permitido diagnosticar la presencia e instante de la falla aditiva generada en el sensor del sistema. Lo anterior ha generado un sistema capaz de detectar fallas aditivas idealizadas como modelos tipo escalones y rampas en un sistema lineal e invariante en el tiempo. El sistema desarrollado, permite la correcta detección e identificación de las fallas aditivas presentes en el sensor del modelo del motor de corriente continua, basándose en el análisis estadístico del parámetro innovación proveniente del Filtro de Kalman.