TSFS06 Diagnos och overvakning, 6hpForelasning 1 - Kursformalia och introduktion

Erik Frisk

Institutionen for systemteknikLinkopings universiteterik.frisk@liu.se

2020-03-31

1

Larare i kursen

Kursansvarig/lektion: Erik Frisk erik.frisk@liu.seLektion/Laboration: Sergii Voronov sergii.voronov@liu.se

Pavel Anistratov pavel.anistratov@liu.se

http://www.fs.isy.liu.se/Edu/Courses/TSFS06/

2

Denna forelasning - disposition

1 Kursformalia

2 Industriell motivering

3 Vad ar diagnos?Krama ut sa mycket information om felaktigt beteende som mojligtur observationerna via signalbehandling, matematiska modeller, samtlogiskt beslutsfattande.

4 Skissa pa ”hur man gor/tanker”

5 Arkitekturen for diagnossystem

6 Hur ser designprocessen ut for ett diagnossystem?

vilken typ av kurs ar det har: teori, forskningsfront, praktik/industriellrelevans

flera amnen: statistik, sannolikhetslara, signalbehandling, reglerteknik,logik

3

Kursformalia

4

Mal med kursen

veta varfor diagnos anvands inom olika industriella applikationer.

veta hur man kan analysera vilka fel i en komplex process sombehover overvakas for att uppna de overgripande malen.

fran en fallbeskrivning kunna strukturera problemet och ta framprincip och arkitektur for en komplett implementering av ettdiagnossystem.

givet en formell modellbeskrivning kunna valja lamplig matematiskmetod for att losa problemet.

veta for- och nackdelar med de metoder som ingar i kursen.

kunna tillampa matematiska verktyg och metoder fran ett brettspektrum av tidigare kurser for att losa diagnosproblem.

kunna vardera och verifiera funktionalitet och prestanda hos ettdiagnossystem.

ha en fordjupad och bred teoretisk insikt i amnet, tillracklig for attkunna tillgodogora sig nya forskningsresultat i faltet.

5

Forelasningsplan

Fo1: Kursformalia, introduktion till diagnos

Fo2: Felisolering

Fo3: Linjar residualgenerering

Fo4: Detekterbarhet

Fo5: Design av teststorheter

Fo6: Troskling och analys av teststorheter

Fo7: Olinjar residualgenerering och observatorer

Fo8: Change Detection, sakerhetsarbete med FMEA/FTA

Fo9: Multipelfelisolering, AI

Fo10: Sannolikhetsbaserad diagnos

Fo11: Gastforelasning + ev. vetenskaplig presentation

6

Kursformalia

Kursmaterial: Kompendium, raknehafte samt utdrag ur tva bocker.Finns aven en del hjalpdokument infor laborationer att ladda ned frankurshemsidan.

Elektroniska versioner: Text och lektionskompendium (PDF) kanladdas hem elektroniskt.

Forelasningar.

Lektioner/rakneovningar: 2 lektionsgrupp

Laborationer: 3 laborationer(2 rapporter/1 examineras pa plats 3 rapporter).

1 Lab 1 - Linjar residualgenerering, inkliusive dugga2 Lab 2 - Diagnos av ett branslesystem3 Lab 3 - Olinjar residualgenerering

Alla rapporter lamnas in elektroniskt via lisam.

Examination:

Tenta Hemtenta (sannolikt) (U,3,4,5) 4,5hpLabkurs (U,G) 1,5hp (tva personer/grupp)

7

Industriell motivering till diagnos

8

Lite industriella motiveringar for diagnos

9

Lite industriella motiveringar for diagnos

Autonomi, autonoma gruvor

Utan forare sa forsvinner enviktig sensor och hurfordonet anvands spelar storroll for livslangden

Man vill inte att ett fordonblir staende langst ned i engruvgang

Metoder for att vaga inmodeller och data kravs

10

Kostnadskalkyler

11 12

13

Miljo – vattenlackageEn stor del av varldens dricksvatten gar forlorat pa grund av vattenlackage

Genom att snabbt lokalisera lackor gar det att minska forlusterna, menocksa minska riskarna for annan skada, exempelvis slukhal.

14

Diagnos, data analytics

100.000+

15

Varfor diagnos i fordon?

Huvudsakliga drivande kraften ar emissionsrelaterade lagkrav

OBD - On-board diagnostics

OBD/OBD-II Carb (California Air Resource Board)

http://www.arb.ca.gov/msprog/obdprog/obdregs.htm

EOBD for Europa

Motsvarande for tunga fordon

16

Konsekvenser av (kraftig) misstandning (misfire) 1/2

bild fran http://www.pawlikautomotive.com/

17

Konsekvenser av (kraftig) misstandning (misfire) 2/2

bild fran http://www.pawlikautomotive.com/

18

Varfor diagnos i fordon?

Co

pyr

ight

© S

örm

an I

nfo

rmatio

n A

B.

All

rig

hts

reserv

ed.

Development and Control of After-sales Information

UpTime for Solving the Information Problem

Th

e P

rob

lem

Th

e S

olu

tio

n

Only Relevant, Correct and

Applicable Information Easily

Accessable

19

Modellbaserad diagnos - bakgrund

20

Akademiskt mycket aktivt falt

Scopus-fraga: fault AND (diagnosis OR detection) (2020)

21

Lite olika perspektiv pa diagnos och overvakning

Modellbaserad diagnos

Expertsystem

Verkstad

Vibrationsanalys

Feltolerantreglering

Funktions-övervakning

Diagnoson-line

Diagnosoff-line

Prognostik

Flera olikaperspektiv/tillampningarmojliga

Delvis overlappande

Man kan tanka sigfler/andra ”ringar” ochnarbeslaktade ord

Har: Framst modellbaseratmed kontinuerliga modeller

22

Generella diagnosprinciper

Jamfor observerat beteende med forvantat beteende

Traditionellt: bilmekaniker/expert som lyssnar, kanner, anvanderhistoriska erfarenheter

Modellbaserad diagnos: fanga dessa egenskaper i en matematiskfomrulering for att automatisera diagnostiken

System

Modelx = g(x, u)

y = h(x, u)

+

faults f(t)

actuators u(t)observation y(t)

prediction y(t)

residual r(t)

�

0 5 10 15 20 25 30 35 40 45−1

−0.5

0

0.5

23

Varfor diagnos?

Sakerhet Flyg, karnkraftverk, . . .

Miljoskydd Avgasreningssystem i bilar (lagkrav), kemisk industri, . . .

Maskinskydd Hitta fel sa tidigt som mojligt innan storre skadautvecklats

Tillganglighet och flexibelt underhall Undvik oforutsedda avbrott.Industrirobotar, lastbilar, elkraftverk

Varfor nu?

Lagkrav

Snabba utvecklingen av datortekniken, processorkraft over till diagnos.

Konstruktion av system vs. komponenter

Integrerade system

24

Ett svart problem

Nagot som ofta gors efterat, i “man av tid”, vill man nu goraparallellt med ovrig konstruktion.

Konstruktion for diagnos (ex.vis sensorplacering, val av sensorer etc.)

En ansenlig del av styrsystemskoden kan vara diagnoskod. I tillexempel bilsammanhang sa ar en siffra som ibland namns 50% avkoden i styrenheten diagnosrelaterad.

Vid utveckling av en produkt sa har man normalt mycket kunskap omprocessen som skulle kunna anvandas for overvakning. Men hur?

Metodik kravs for att kunna gora detta effektivt.

25

Diagnosproblemet

26

Begrepp att kunna

Diagnosproblemet

Observation

Mod/fel

Diagnos

Diagnossystem

27

Diagnos

I systemtekniska sammanhang betyder verbet diagnos att automatiskt, ochhelst under normal drift,

detektera fel, dvs upptacka att nagot hant.

(ibland)isolera fel, dvs peka ut vilken komponent som ar trasig.

28

Diagnosproblemet - Lite mer formellt.

Diagnosis

System

Plant

control inputs

disturbances

faults

observations

diagnosis

statement

Systemet kan vara i olika moder, dvs vara felfri eller ha olika mojliga fel.

For att avgora hur systemet ”mar” anvands kanda styrsignaler ochmatsignaler en sa kallad observation.

Diagnos

En forklaring, dvs de moder/fel, som stammer med de observeradesignalerna kallas for en diagnos.

Ex: Vi observerar att personen ar snuvig, da ar forkyld en diagnos ochallergisk en annan diagnos. Det finns ofta flera mojliga diagnoser.

29

Diagnosproblemet - Lite mer formellt.

Diagnosis

System

Plant

control inputs

disturbances

faults

observations

diagnosis

statement

Diagnosproblemet

Givet en observation: Hitta alla diagnoser

alla diagnoser = f (observation)

Kontrollerat beslutsfattande: “gissningar” kan vara alltfor riskfyllt.

Varianter: hitta de mest sannolika/enklaste diagnoserna.

Ett system som realiserar funktionen f ar ett diagnossystem.

Genom att inkludera tillrackligt mycket kunskap om systemet i f kandetektion och isolation uppnas.

30

Exemplifiering av diagnosproblemet

B

L

S

Mojliga fel: Strombrytaren fastnar i oppet lage, fastnar i stangt lage, ochtrasig lampa.

Insignal: Onskat lage hos strombrytaren {oppen, stangd}

Observationer: onskat lage hos strombrytaren, lyser lampan eller inte

31

Exemplifiering av diagnosproblemet, forts

onskad po-sition hosstrombrytare

lamp-observation

diagnoser

oppen ej tand OK, S fastnat oppen, L trasig, Sfastnat oppen och L trasig, S fast-nat sluten och L trasig”

oppen tand S fastnat slutenstangd ej tand S fastnat oppen, L trasig, S fast-

nat oppen och L trasig, S fastnatsluten och L trasig

stangd tand OK, S fastnat sluten

Ovanstaende tabell representerar ett enkelt diagnossystem.

diagnoser = f (observationer)

32

Exemplifiering av diagnosproblemet, forts

Vad blir svaret av: <oppen, ej tand> samt <stangd, ej tand>?Hur gor vi i mer komplicerade fall?

ObsBara for att ett system uppfor sig normalt sa kan vi normalt inte draslutsatsen: felfritt.

Vanligt att det kravs vissa arbetspunkter/yttre omstandigheter for att manska kunna unikt peka ut vilken komponent som felat.

Kom ihag, kontrollerat beslutsfattande.

33

Redundans

34

Nar kan man utfora diagnos?

For att kunna detektera felaktigt beteende kravs extra, ofta kalladredundant (egentligen ej ett bra ord), kunskap.

Ingenjoren jamfor sina observationer med sin expertkunskap

For att kunna automatisera diagnos i en dator maste expertkunskapenformaliseras.

Redundans kan tillhandahallas av till exempel:

Extra hardvara, exempelvis flera sensorer som mater samma storhet

Modeller i form av

analytiska/logiska ekvationer, tillstandsautomater, etc.Modeller i form av expertkunskap och erfarenhet

For att inte bara kunna detektera utan ocksa isolera fel sa kravs tillrackligtmed redundans och ocksa ratt sorts redundans.

35

“Traditionell” diagnos och modellbaserad diagnos

hardvaruredundans

troskling av matsignaler (limit-checking)

hastighetsbegransning av fysikaliska storheter (rate-limit)

ofta olika begransningar i olika arbetsomraden

Traditionell diagnos ar pa satt och vis modellbaserad diagnos. Bara medvaldigt enkla modeller.

⇒ for samma diagnosprestanda, modellbaserad diagnos behover intenodvandigtvis vara berakningsmassigt mer kravande eller mer komplext antraditionella ansatser. Men det kan ocksa vara det, allt beroende pasituation.

Men, att anvanda mer avancerade modeller sa kan man okadiagnosprestandan: snabbare detektion, mer exakt felisolering, farrefalsklarm.

36

Traditionell diagnos: hardvaruredundansMontera tva sensorer att mata samma storhet

X

Sensor A

Sensor B

Detektera fel genom att jamfora sensorvardena

r = Sensor A− Sensor B

Palitligt

Dyrt

Inte alltid mojligt

Vilken av sensorerna ar det fel pa?

37

Redundans via matematiska modeller: principAntag att vi inte har rad med den dar extra sensorn

Sensor C

X

Y

Sensor A

Sensor B

istallet har vi

en sensor C som mater en annan storhet Y

en matematisk modell mellan storheterna X och Y

X = Modell(Y )

vilket ger mojligheten

r = Sensor A−Modell(Sensor C)

38

Analytisk redundans/modellbaserad diagnos

Enkelt uttryckt: analytisk redundans existerar om vi kan bestamma enstorhet pa mer an ett satt.

Kopplar till overbestamdhet i modellen

Antag tva sensorer mater en variabel x enligt

y1 = x ∧ y2 =√x

Fel kan upptackas hos bada givarna genom att testa om relationen

y1 − y22 = 0

galler.

39

Olinjara dynamiska system och observatorer

En vanlig typ av reglerteknisk modell ar tillstandsformen

x = g(x , u)

y = h(x)

Denna modell har redundans, varfor?

Observatorer ar ett vanligt satt att avgora om y och u ar konsistenta medmodellen. Detta gors genom att skatta tillstandet x och jamfora y medh(x), dvs.

˙x = g(x , u) + K (y − h(x))

r = y − h(x)

Bra for detektion, men racker inte rakt av for isolering.

40

Exempel: Diagnos pa en produktionsmotor

Turbo

Intercooler

manifold leak

boost leak

pbpm

q

Whfm

n

T

WcylWth

Lite olika typer av fel, kraver olika typer av modeller och darmed olikatyper av signalbehandling.

41

Analytisk redundans

air mass-flow

manifold pressure

engine speed

throttle

Fysikaliska samband mellan fysikaliska storheter ger analytisk redundans.

p = k(Win(α, p)−Wut(p, n))

Antag vi mater de ingaende variablerna, yp = p, yα = α och yn = n.

r = yp − k(Win(yα, yp)−Wut(yp, yn))

42

Signalbehandling och troskling

43

TrosklingDen enklaste principen att detektera ar direkt troskling av residualer.

Ett fel ar detekterat nar residualen avviker fran nominellt vardeTroskel; avvagning sannolikhet for falsklarm och missad detektion

TrosklingDen enklaste principen att detektera fel ar att troskla residualerna.

Ett fel ar detekterat nar residualen avviker fran nominellt varde.Troskeln valjs sa att sannolikheter for falsklarm och missad detektionuppfyller stallda krav.

2 4 6 8 10 12-2

0

2

4r1: MSO 1650 (*)

2 4 6 8 10 12-2

0

2

4r2: MSO 4012 (*)

2 4 6 8 10 12-1

0

1r3: MSO 4017 (*)

2 4 6 8 10 12-1

0

1r4: MSO 4018

2 4 6 8 10 12t [min]

-5

0

5r5: MSO 4067 (*)

2 4 6 8 10 12t [min]

-1

0

1r6: MSO 4075

2 4 6 8 10 12t [min]

-1

0

1r7: MSO 4478

Residuals, dataset: fyw_af

4144

Var byter matsignalen niva?

0 50 100 150 200 250 300 350 400 450 500−4

−2

0

2

4

0 50 100 150 200 250 300 350 400 450 5000

5

10

15

20

45

Var byter matsignalen intensitet/varians?

0 50 100 150 200 250 300 350 400 450 500−4

−2

0

2

4

0 50 100 150 200 250 300 350 400 450 5000

2

4

6

8

10

12

46

Matsignal for att detektera misstandning(misfire)

Hall-effekt, sensor

Svanghjul

Stansade hal

47

Exempel pa misstandningar

Varm motor

0 50 100 150 200 2504450

4500

4550

4600

4650

4700

4750

4800

Sample

µs

Misfire

Speed ≈ 1310 rpmLoad ≈ 0.4 g/rev

Kall motor och lag last

0 50 100 150 200 2503060

3080

3100

3120

3140

3160

3180

3200

3220

3240

3260

Sample

µs

Misfire

Speed ≈ 1580 rpmLoad ≈ 1.1 g/rev

48

Troskling av residualer, adaptiva trosklarFor att avgora nar en residual ar skild fran 0 behovs en troskel.

Perfekt modell ⇒ J = ε > 0, brus och modellfel ger hogre troskel.

Konstant/adaptiv troskel? Troskelniva ger avvagningfalsklarm/detekteringsformaga.

Om man tex. vet att man har battre modell for statiska forlopp an idynamiska passager ⇒ adaptiv troskel

Uppmatta data fran en ventil i luftsystemet i Gripen:

Time [s]

R3

Solid: residual; Dashed: thresholds

30 35 40 45 50 55−3

−2

−1

0

1

2

3

49

Felisolering

50

Felisolering

Hittills har vi bara betraktat detektion

Hur kan vi isolera felande komponent, dvs. peka ut var i systemet vimisstanker fel

Finns manga metoder, men vi kommer i den har kursen fokusera paen metod fran konsistensbaserad diagnos.

51

Felisolering, trippelredundansTre givare mater samma storhet (trippelredundans):

y1 =x

y2 =x

y3 =x

Tre residualer kan bildas genom parvis jamforelse av givarsignaler:

r1 = y1 − y2

r2 = y1 − y3

r3 = y2 − y3

Alla ar 0 da ekvationerna ar uppfyllda, dvs. processen uppfor sig somforvantat.

De tre residualerna reagerar olika pa fel i givarna.

⇒ Isolationsmojligheter

52

Isolationsexempel

Lat Fi beteckna fel i givare yi .

Residualerna

r1 = y1 − y2

r2 = y1 − y3

r3 = y2 − y3

reagerar pa felen enligt:

NF F1 F2 F3

r1 0 X X 0r2 0 X 0 Xr3 0 0 X X

Test i larmar typiskt da absolutbeloppet av residual ri ar storre an engiven troskel: |ri | > Ji

53

Isolationsexempel, forts.

NF F1 F2 F3

r1 0 X X 0r2 0 X 0 Xr3 0 0 X X

Antag att test 1 och 2 larmar.

|r1| > J1 ⇒ F1 eller F2

|r2| > J2 ⇒ F1 eller F3

Antag enkelfel.

Slutsatsen i det har fallet blir att den enda mojliga moden ar F1, dvs F1 arden enda diagnosen.

54

Isolering med strukturerade hypotestester

Isoleringsstrategin kan illustreras med en tabell dar X pa plats i , j betyderatt fel j kan paverka residual i .

NF F1 F2 F3

r1 0 X X 0r2 0 X 0 Xr3 0 0 X X

Vi drar ingen slutsats av att test inte larmar. Det kan vara OK men detkan ocksa vara sma fel som inte syns i residualerna.

Om t ex test 1 larmar ar det fel i givare 1 eller 2, dvs F1 ∨ F2.

55

Felisoleringsexempel – fel i tryckgivareIsolering med strukturerade hypotestester

200 400 600

Time

-2

0

2

r2

200 400 600

Time

0

10

20

r19

200 400 600

Time

-5

0

5

10

r26

200 400 600

Time

0

5

10

r27

200 400 600

Time

-2

0

2

r29

200 400 600

Time

-5

0

5

10

r30

Residual fWaf fpim fpic fTic

r2 X Xr19 X Xr26 X Xr27 X Xr29 Xr30 X

51

fWAF fpim fpic fTicr2 X Xr19 X Xr26 X Xr27 X Xr29 Xr30 X

56

Felisoleringsexempel – fel i massflodesgivareIsolering med strukturerade hypotestester

200 400 600

Time

0

5

10

r2

200 400 600

Time

-4

-2

0

2

4

r19

200 400 600

Time

0

5

10

r26

200 400 600

Time

-2

0

2

4

r27

200 400 600

Time

-2

0

2

4

6

8

r29

200 400 600

Time

-5

0

5

10

r30

Residual fWaf fpim fpic fTic

r2 X Xr19 X Xr26 X Xr27 X Xr29 Xr30 X

52

fWAF fpim fpic fTicr2 X Xr19 X Xr26 X Xr27 X Xr29 Xr30 X

57

Felmodellering

58

Exempel pa felmodellering

For att kunna isolera fel sa ar det lampligt att modellera hur en felaktigprocess fungerar.Manga olika typer av modeller kan tankas:

Signaler

Forandringar i konstanta parametrar

Abrupta forandringar

Intermittenta fel

59

Modellera fel med signaler

x = Ax + Bu

y1 = C1x

y2 = C2x

Additivt fel pa sensor 1 f1 och pa styrsignalen u betecknas med f2 blir

x = Ax + B(u + f2)

y1 = C1x + f1

y2 = C2x

Har ar det viktigt att skilja pa sensorsignalen och den variabel som manvill mata.

60

Forandringar i konstanta parametrar

Typiska fel som modelleras pa detta satt: forandringar i fysikaliskakonstanter, forstarkningsfel, offsets (tex bias i sensorer), andringar ivarianser,Exempel: forstarkare

y(t) = gu(t) + v(t) v(t) ∼ N(0, σ2)

g =

{1 felfritt

c 6= 1 fel, σ =

{1 felfritt

c >> 1 fel

Roterande massa: (µ friktionskoefficient)

Jω = −µω + M

µ =

{1 felfritt

c >> 1 fel

61

Felaktig massflodesensor i Mercedes E-klass

101

102

103

−5

0

5

10

15

20

25

30

35

air−mass flow [kg/h]

devia

tion [%

]

62

Procedur for design av diagnossystem

63

En procedur for design av diagnossystem

1 Ta fram krav pa vilka fel som maste diagnostiseras. Kan baseras palagkrav, sakerhetskrav, . . . (FMEA)

2 Bygg en modell av processen for det felfria fallet

3 Bygg felmodeller, dvs. utoka modellen for det felfria systemet medmodeller for hur de olika felen paverkar systemet.

4 Med hjalp av modellen, konstruera residualer/teststorheter som goratt felen kan detekteras och isoleras. Detta ar ett svart steg ochamnet for den har kursen.

5 Testa systemet i simuleringsmiljo och, om mojligt, i verkligheten.

6 Implementera

Denna kurs behandlar steg 4 (och i viss man steg 1 och 3). Notera att deandra stegen kan vara minst lika svara!

64

Design av diagnossystem

Givet: modell for det felfria fallet

1 Definiera beteendemoder

2 Definiera felmodeller

3 Analysera modellredundans

4 Skapa residualer/teststorheter

5 Bestam trosklar

6 Avgor testens felkanslighet och skapa beslutsstrukturen.

65

Design av diagnossystem - exempel

Givet: modell for det felfria fallet

x = u

y1 = 2x

y2 = 4x + 1

dar u ar en kand styrsignal, yi tva kanda givaresignaler och x ar en okandvariabel.

Det kan bli fel pa stalldonet och de tva givarna.

Uppgift: Designa ett diagnossystem for enkelfel.

66

Design av diagnossystem - definiera beteendemoder

Felfri modell:

x = u

y1 = 2x

y2 = 4x + 1

Det kan bli fel pa stalldonet och de tva givarna.

Infor beteckningar for felfri mod samt for enkelfel

NF: (No-Fault) varken givare eller stalldon ar felF1: fel pa bara y1

F2: fel pa bara y2

F3: fel pa bara u

67

Design av diagnossystem - definiera felmodeller

Felfri modell:

x = u

y1 = 2x

y2 = 4x + 1

Modell med inforda additiva felsignaler:

x = u + f3

y1 = 2x + f1

y2 = 4x + 1 + f2

Notera:

u den styrsignal som vi applicerar.

u + f3 indikerar den faktiska paverkan pa systemet.

Beteendemoder:

NF: No-fault fi = 0F1: fel pa bara y1 f1 6= 0, f2 = f3 = 0F2: fel pa bara y2 f2 6= 0, f1 = f3 = 0F3: fel pa bara u f3 6= 0, f1 = f2 = 0

68

Design av diagnossystem - analysera modellredundans

Sok redundans i modellen for felfritt beteende, dvs da fi = 0.

Det finns redundans, ty x kan beraknas pa fler an ett satt.

Felfri modell:

x = u (1)

y1 = 2x (2)

y2 = 4x + 1 (3)

Eliminering av x ger t ex konsistensrelationerna:

(1), (2)⇒ 0 = y1 − 2u

(1), (3)⇒ 0 = y2 − 4u − 1

Detta visar att den modellen for felfritt beteende har statisk redundans.

69

Design av diagnossystem - residualer/teststorheterKonsistensrelationerna ger residualerna:

r1 = y1 − 2u

r2 = y2 − 4u − 1

Residualernas felkanslighet kan beraknas genom att anvanda modellen

x = u + f3

y1 = 2x + f1

y2 = 4x + 1 + f2

for att eliminera de kanda variablerna i residualen som foljer:

r1 = y1 − 2u = (2x + f1)− 2(x − f3) = f1 + 2f3

r2 = y2 − 4u − 1 = (4x + 1 + f2)− 4(x − f3)− 1 = f2 + 4f3

Detta kallas for den interna formen.

70

Design av diagnossystem - beslutsstruktur

Antag att modellosakerheter och brus gor att vi larmar om endast ombeloppet av residualerna ar storre an troskeln J = 1, dvs

larmi = |ri | > J

Beslutsstrukturen blir for residualerna

r1 = f1 + 2f3

r2 = f2 + 4f3

blirNF F1 F2 F3

r1 0 X 0 Xr2 0 0 X X

71

Design av diagnossystem - beslutsstruktur

NF F1 F2 F3

r1 0 X 0 Xr2 0 0 X X

Om r1 inte larmar, kan det vara frestande att dra slutsatsen det inte ar F1

eller F3, dvs det maste vara NF eller F2.Men detta ar ofta ingen bra slutsats

Ex: Om r1 inte larmar sa ar vad som helst vara mojligt, t ex fel F1:

F1: f1 = 0.5, f2 = f3 = 0⇒ |r1| = 0.5 < 1⇒ inget larm

72

Berakna diagnoser givet observationerGivet en observation:

1 Berakna residualerna ri2 Berakna testresultaten genom att troskla residualerna,

larmi = |ri | > Ji3 Anvand isoleringslogiken for att berakna diagnoserna

Fault Isolation

Diagnostic

Test

Diagnostic

Test

Diagnostic

Test

Diagnostic

Test

Diagnostic

Test

Observations

Diagnosis Statement

73

Hur reagerar vart diagnossystem pa ett injicerat fel?

Antag att vi styr systemet med insignalen u = 0 och att vi injicerar ett feli aktuatorn (F3) sa att f3 = 1.

Givarna visar:

x = u + f3 = 0 + 1 = 1

y1 = 2x = 2

y2 = 4x + 1 = 5

Insignalerna till diagnossystemet blir observationerna:u = 0, y1 = 2, y2 = 5

74

Hur reagerar vart diagnossystem pa ett injicerat fel?Antag att vi styr systemet med insignalen u = 0 och att vi injicerar ett feli aktuatorn (F3) sa att f3 = 1.

Insignalerna till diagnossystemet blir observationerna:u = 0, y1 = 2, y2 = 5

Det ger residualerna och larmen:

|r1| = |y1 − 2u| = 2 > 1⇒ larm

|r2| = |y2 − 4u − 1| = 4 > 1⇒ larm

Enligt beslutsstrukturen blir diagnosen:

NF F1 F2 F3

r1 0 X 0 Xr2 0 0 X X

+utfall

r1 1r2 1

⇒ F3 ar enda diagnosen

Diagnossystemet bade detekterar och isolerar felet korrekt.75

Ett lite storre system – branslecell

76

21stMarch2016,LinkopingUniversity,SE.

2sensors:stackvoltageandtemperature7consideredsystemfaults(5BOP,2stack)

2sensorfaults

6EfficiencyreducHon

LesshumidificaHon

Ohmicresistanceincrease

T

p

p

p

p

T

T

Humidifier

Humidifier

Airblower

Anode

Membrane

Cathode

Inletairflow

PEMFC

P

ṁ

T

V

1

2

5

3Valveclogging

Leakage 4

Cathodeexhaust

Anodeexhaust

ECSAreducHon

7Valveclogging

PEMFuelCellSystem

Hydrogentank

8

9Temperaturesensorfault

Voltagesensorfault

1/55

9faultvariables108algebraicequaHons11differenHalconstrains

( ) ( ) QVITETEdtdTK FCoutinin

FCFC −−−= !!

Energybalance

jicongenjioutjiinji mmm

dtdm

,,/,,,,, !!! ±−=

Massbalance],,,[

],,,[ 2222

smansmcaancajOHHNOi

=

=

[ ]⎟⎟⎟

⎠

⎞

⎜⎜⎜

⎝

⎛

+Δ

−=OH

OHfc

fcf

ppp

RTFTg

E2

22

21

ln2

⎟⎟⎠

⎞⎜⎜⎝

⎛

−=

iiiiTE fcdifflim

limln~ω

ilEmem

memohm σ

=

⎟⎟⎠

⎞⎜⎜⎝

⎛=

0

lnii

FTR

E fcact

( )caOfc

cam

effNO xT

tVFD

i ,

823.05.1

lim 2

22 1ln273

2−⎟⎟

⎠

⎞⎜⎜⎝

⎛−=

ε

( )⎟⎟

⎠

⎞

⎜⎜

⎝

⎛

⎟⎟⎠

⎞⎜⎜⎝

⎛−−=

fcmem T

13031350exp00326.0005139.0 λσ

ECSAii Pt0

0 =

Electrochemicalmodel

0

5

10

15

0

5

10

15-2

-1

0

1

2

3

x 10-5

λca

[-]

Δp = 0.1 [bar]; current density = 0.21 [A/cm2];

λan

[-]

net w

ater

flow

[mol

/s]

0

5

10

15

0

5

10

150

5

10

15

λca

[-]

Δp = 0.1 [bar]; current density = 0.21 [A/cm2];

λan

[-]

λm

em [-

]

Membranemodel [ ]pi caan Δ,,, λλ

memOHW ,2 λ

21stMarch2016,LinkopingUniversity,SE.

AirBlower

0.46

0.48

0.5

0.5

0.5

0.52

0.52

0.52

0.54

0.54

0.54

0.54

0.56

0.56

0.56

0.56

0.58

0.58

0.58

0.58

0.58

0.6

0.6

0.6

0.6

0.6

0.62

0.62

0.62

0.62

0.62

0.620.

64

0.64

0.64

0.64

Compressor Efficiency [-]

Compressor Speed [rpm]

Pres

sure

Rat

io [-

]

0.4 0.6 0.8 1 1.2 1.4 1.6

x 104

1.4

1.5

1.6

1.7

1.8

1.9

2

1

1

1

2

2

2

33

3

44

45

55

66

67

77

88

89

99

1010

Compressor Mass Flow Rate [m3/min]

Compressor Speed [rpm]

Pre

ssur

e R

atio

[-]

0 1000 2000 3000 4000 5000 6000 7000 8000 9000 100001.2

1.3

1.4

1.5

1.6

1.7

1.8

1.9

2

( )cmpcmp nfm ,β=!

⎟⎟⎠

⎞⎜⎜⎝

⎛−=

−

11kk

cmpEMcmp

ambpcmpcmp

TcmP air β

ηη!

⎟⎟⎠

⎞⎜⎜⎝

⎛⎟⎟⎠

⎞⎜⎜⎝

⎛−+=

−

1111kk

cmpcmp

ambcmp TT βη

( )cmpcmp nf ,βη =

Nozzles

( )

⎪⎪⎪

⎩

⎪⎪⎪

⎨

⎧

⎟⎟⎠

⎞⎜⎜⎝

⎛

+≤⎟⎟

⎠

⎞⎜⎜⎝

⎛

+

⎟⎟⎠

⎞⎜⎜⎝

⎛

+>

⎥⎥⎥

⎦

⎤

⎢⎢⎢

⎣

⎡

⎟⎟⎠

⎞⎜⎜⎝

⎛−

−⎟⎟⎠

⎞⎜⎜⎝

⎛

=−−

+

−−

1

,

121

,

,

1

,

1

,

1

,,

,

/,

12

12

121

12

γγ

γγ

γγ

γγ

γ

γγ

γγ

γγ

γγ

exhy

y

exhyy

exhyND

exhy

y

exhy

y

exhy

y

exhyy

exhyND

outiny

pp

forTRpAC

pp

forpp

pp

TRpAC

W

3statesatcathodeside2statesatanodeside3statesatcathodes.m.2statesatanodes.m.

PEMFCsystemmodel

Humidifiers

inj

desjOHinj

jOH

mm

τ,

,2

2=! ( )jdes

jj

OHjdesjOH RHRH

RTMV

m −= 2

2 ,

1state(temperature)

2/55

21stMarch2016,LinkopingUniversity,SE.

IsolabilityAnalysis

f_cmp f_inj f_leak f_vin f_ohm f_ecsa f_vout f_vsens f_tsens

f_cmp

f_inj

f_leak

f_vin

f_ohm

f_ecsa

f_vout

f_vsens

f_tsens

Isolability matrix for 'PEM Fuel Cell, sensored'

Allthefaultsbutthetwoofthestackcanbe

univocallyisolatedwithMixedCausality

3/55

Att ta med sig fran denna forsta forelasning

Modellbaserad diagnos ar att med hjalp av observationer och enmatematisk modell av en process dra slutsatser om eventuella fel somkan finnas i systemet.

Lite grovt kan man saga; Diagnossystem:

alla diagnoser = f (data)

Ett av malen med den har kursen: ”krama” ut sa mycket informationsom mojligt ur modellen och kondensera in i funktionen f (·) ovan.

Enkelt uttryckt: ett diagnossystem bestar av ett antal detektorer medspecifika egenskaper foljt av felisoleringslogik

80

TSFS06 Diagnos och overvakning, 6hpForelasning 1 - Kursformalia och introduktion

Erik Frisk

Institutionen for systemteknikLinkopings universiteterik.frisk@liu.se

2020-03-31

81