Análisis de residuos en el diagnóstico de fallos basado en modelos utilizando redes neuronales y estimaciones de probabilidades a posteriori

Resumen

En este trabajo se presenta una aproximación probabilística basada en redes neuronales para la implementación del módulo de decisión en los sistemas de diagnóstico de fallos basados en modelos. Es un método válido para cualquiera de las técnicas de diagnosis badadas en modelos, tanto cuantitativos como cualitativos, que permite encontrar la relación de de pendencia entre los residuos (discrepancias entre las salidas reales y las estimadas por el modelo) y las situaciones de fallo o condiciones normales de funcionamiento en el sistema. Las redes neuronales utilizadas ( una para la detección del fallo y la otra para la identificación del mismo) se entrenan por minimización de una función de coste SSB (Strict Sense Bayesian) proporcionando en sus salidas estimaciones de probabilidad de fallo. El hecho de disponer de estas estimaciones de probabilidad nos permite fijar un umbral que garantiza mínimo riesgo en la decisión tomada en función de los costes asociados a una falsa alarma (Pfa) y a la no detección del fallo (Pm). Además, se muestra igualmente, cómo puede estimarse de forma totalmente no supervisada la Pfa y Pm, permitiendo conocer el rendimiento del módulo de decisión