Lärare i kursen. TSFS06 Diagnos och övervakning, 6hp Föreläsning 1 - Kursformalia och introduktion. Denna föreläsning - disposition.

Transkript

1 Lärare i kursen TSFS6 Diagnos och övervakning, 6hp Föreläsning - Kursformalia och introduktion Erik Frisk Institutionen för systemteknik Linköpings universitet erik.frisk@liu.se Kursansvarig/lektion: Erik Frisk erik.frisk@liu.se Lektion/laboration: Sergii Voronov sergii.voronov@liu.se Laboration: Pavel Anistratov pavel.anistratov@liu.se Denna föreläsning - disposition Kursformalia Industriell motivering 3 Vad är diagnos? Krama ut så mycket information om felaktigt beteende som möjligt ur observationerna via signalbehandling, matematiska modeller, samt logiskt beslutsfattande. 4 Skissa på hur man gör/tänker Arkitekturen för diagnossystem 6 Hur ser designprocessen ut för ett diagnossystem? Kursformalia vilken typ av kurs är det här: teori, forskningsfront, praktik/industriell relevans flera ämnen: statistik, sannolikhetslära, signalbehandling, reglerteknik, logik 3 4

2 Mål med kursen veta varför diagnos används inom olika industriella applikationer. veta hur man kan analysera vilka fel i en komplex process som behöver övervakas för att uppnå de övergripande målen. från en fallbeskrivning kunna strukturera problemet och ta fram princip och arkitektur för en komplett implementering av ett diagnossystem. givet en formell modellbeskrivning kunna välja lämplig matematisk metod för att lösa problemet. veta för- och nackdelar med de metoder som ingår i kursen. kunna tillämpa matematiska verktyg och metoder från ett brett spektrum av tidigare kurser för att lösa diagnosproblem. kunna värdera och verifiera funktionalitet och prestanda hos ett diagnossystem. ha en fördjupad och bred teoretisk insikt i ämnet, tillräcklig för att kunna tillgodogöra sig nya forskningsresultat i fältet. Föreläsningsplan Fö: Kursformalia, introduktion till diagnos Fö: Felisolering Fö3: Linjär residualgenerering Fö4: Detekterbarhet Fö: Design av teststorheter Fö6: Tröskling och analys av teststorheter Fö7: Olinjär residualgenerering och observatörer Fö8: Change Detection, säkerhetsarbete med FMEA/FTA Fö9: Multipelfelisolering, AI Fö: Sannolikhetsbaserad diagnos Fö: Gästföreläsning + ev. vetenskaplig presentation 6 Gästföreläsare 7? 6 Saab Aerosystems Forskningspresentation 4 Volvo Cars 3 Volvo Cars Saab Aerosystems Scania Saab Automobile Powertrain AB 9 Saab Aerosystems 8 Siemens Industrial Turbomachinery 7 ABB Corporate Research 6 Sörman Information and Media ABB Corporate Research 4 Saab Aerosystems 3 Scania Scania Kursformalia Kursmaterial: Kompendium, räknehäfte samt utdrag ur två böcker. Finns även en del hjälpdokument inför laborationer att ladda ned från kurshemsidan. Elektroniska versioner: Text och lektionskompendium (PDF) kan laddas hem elektroniskt. Föreläsningar. Lektioner/räkneövningar: lektionsgrupp Laborationer: 3 laborationer ( rapporter/ examineras på plats). Lab - Linjär residualgenerering (6/4, dugga 3 /4) Lab - Diagnos av ett bränslesystem (7/4, rapport /) 3 Lab 3 - Olinjär residualgenerering (/, rapport 4/) Alla rapporter lämnas in elektroniskt via epost till laborationsansvarig. Examination: Tenta (U,3,4,) 4,hp Labkurs (U,G),hp (två personer/grupp) 7 8

3 Lite industriella motiveringar för diagnos Industriell motivering till diagnos 9 Kostnadskalkyler

4 Diagnos, data analytics.+ 3G 4G G 3 4 Varför diagnos i fordon? Konsekvenser av (kraftig) misständning (misfire) / Huvudsakliga drivande kraften är emissionsrelaterade lagkrav OBD - On-board diagnostics OBD/OBD-II Carb (California Air Resource Board) EOBD för Europa Motsvarande för tunga fordon bild från 6

5 The Solution Copyright Sörman Information AB. All rights reserved. The Problem UpTime for Solving the Information Problem Konsekvenser av (kraftig) misständning (misfire) / Varför diagnos i fordon? bild från Akademiskt mycket aktivt fält Scopus-fråga: fault AND (diagnosis OR detection) (7) Modellbaserad diagnos - bakgrund Development and Control of After-sales Information Only Relevant, Correct and Applicable Information Easily Accessable 9

6 Lite olika perspektiv på diagnos och övervakning Varför diagnos? Verkstad Expertsystem Modellbaserad diagnos Diagnos off-line Funktionsövervakning Vibrationsanalys Diagnos on-line Prognostik Feltolerant reglering Flera olika perspektiv/tillämpningar möjliga Delvis överlappande Man kan tänka sig fler/andra ringar och närbesläktade ord Här: Främst modellbaserat med kontinuerliga modeller Säkerhet Flyg, kärnkraftverk,... Miljöskydd Avgasreningssystem i bilar (lagkrav), kemisk industri,... Maskinskydd Hitta fel så tidigt som möjligt innan större skada utvecklats Tillgänglighet och flexibelt underhåll Undvik oförutsedda avbrott. Industrirobotar, lastbilar, elkraftverk Varför nu? Lagkrav Snabba utvecklingen av datortekniken, processorkraft över till diagnos. Konstruktion av system vs. komponenter Integrerade system Ett svårt problem Något som ofta görs efteråt, i mån av tid, vill man nu göra parallellt med övrig konstruktion. Konstruktion för diagnos (ex.vis sensorplacering, val av sensorer etc.) En ansenlig del av styrsystemskoden kan vara diagnoskod. I till exempel bilsammanhang så är en siffra som ibland nämns % av koden i styrenheten diagnosrelaterad. Vid utveckling av en produkt så har man normalt mycket kunskap om processen som skulle kunna användas för övervakning. Men hur? Metodik krävs för att kunna göra detta effektivt. Diagnosproblemet 3 4

7 Begrepp att kunna Diagnos Diagnosproblemet Observation Mod/fel Diagnos Diagnossystem I systemtekniska sammanhang betyder verbet diagnos att automatiskt, och helst under normal drift, detektera fel, dvs upptäcka att något hänt. (ibland)isolera fel, dvs peka ut vilken komponent som är trasig. 6 Diagnosproblemet - Lite mer formellt. Diagnosproblemet - Lite mer formellt. control inputs control inputs disturbances Plant observations Diagnosis System diagnosis statement disturbances Plant observations Diagnosis System diagnosis statement faults faults Systemet kan vara i olika moder, dvs vara felfri eller ha olika möjliga fel. För att avgöra hur systemet mår används kända styrsignaler och mätsignaler en så kallad observation. Diagnos En förklaring, dvs de moder/fel, som stämmer med de observerade signalerna kallas för en diagnos. Ex: Vi observerar att personen är snuvig, då är förkyld en diagnos och allergisk en annan diagnos. Det finns ofta flera möjliga diagnoser. 7 Diagnosproblemet Givet en observation: Hitta alla diagnoser alla diagnoser = f (observation) Kontrollerat beslutsfattande: gissningar kan vara alltför riskfyllt. Varianter: hitta de mest sannolika/enklaste diagnoserna. Ett system som realiserar funktionen f är ett diagnossystem. Genom att inkludera tillräckligt mycket kunskap om systemet i f kan detektion och isolation uppnås. 8

8 Exemplifiering av diagnosproblemet B Möjliga fel: Strömbrytaren fastnar i öppet läge, fastnar i stängt läge, och trasig lampa. Insignal: Önskat läge hos strömbrytaren {öppen, stängd} Observationer: önskat läge hos strömbrytaren, lyser lampan eller inte S L Exemplifiering av diagnosproblemet, forts önskad position lamp- diagnoser hos observation strömbrytare öppen ej tänd OK, S fastnat öppen, L trasig, S fastnat öppen och L trasig, S fastnat sluten och L trasig öppen tänd S fastnat sluten stängd ej tänd S fastnat öppen, L trasig, S fastnat öppen och L trasig, S fastnat sluten och L trasig stängd tänd OK, S fastnat sluten Ovanstående tabell representerar ett enkelt diagnossystem. diagnoser = f (observationer) 9 3 Exemplifiering av diagnosproblemet, forts Vad blir svaret av: <öppen, ej tänd> samt <stängd, ej tänd>? Hur gör vi i mer komplicerade fall? Obs Bara för att ett system uppför sig normalt så kan vi normalt inte dra slutsatsen: felfritt. Vanligt att det krävs vissa arbetspunkter/yttre omständigheter för att man ska kunna unikt peka ut vilken komponent som felat. Kom ihåg, kontrollerat beslutsfattande. Redundans 3 3

9 När kan man utföra diagnos? För att kunna detektera felaktigt beteende krävs extra, ofta kallad redundant (egentligen ej ett bra ord), kunskap. Ingenjören jämför sina observationer med sin expertkunskap För att kunna automatisera diagnos i en dator måste expertkunskapen formaliseras. Redundans kan tillhandahållas av till exempel: Extra hårdvara, exempelvis flera sensorer som mäter samma storhet Modeller i form av analytiska/logiska ekvationer, tillståndsautomater, etc. Modeller i form av expertkunskap och erfarenhet För att inte bara kunna detektera utan också isolera fel så krävs tillräckligt med redundans och också rätt sorts redundans. 33 Traditionell diagnos och modellbaserad diagnos hårdvaruredundans tröskling av mätsignaler (limit-checking) hastighetsbegränsning av fysikaliska storheter (rate-limit) ofta olika begränsningar i olika arbetsområden Traditionell diagnos är på sätt och vis modellbaserad diagnos. Bara med väldigt enkla modeller. för samma diagnosprestanda, modellbaserad diagnos behöver inte nödvändigtvis vara beräkningsmässigt mer krävande eller mer komplext än traditionella ansatser. Men det kan också vara det, allt beroende på situation. Men, att använda mer avancerade modeller så kan man öka diagnosprestandan: snabbare detektion, mer exakt felisolering, färre falsklarm. 34 Traditionell diagnos: hårdvaruredundans Montera två sensorer att mäta samma storhet Sensor A Redundans via matematiska modeller: princip Antag att vi inte har råd med den där extra sensorn Sensor A X X Sensor B Sensor B Y Detektera fel genom att jämföra sensorvärdena Sensor C r = Sensor A Sensor B Pålitligt Dyrt Inte alltid möjligt Vilken av sensorerna är det fel på? istället har vi en sensor C som mäter en annan storhet Y en matematisk modell mellan storheterna X och Y vilket ger möjligheten X = Modell(Y ) r = Sensor A Modell(Sensor C) 3 36

10 Analytisk redundans/modellbaserad diagnos Olinjära dynamiska system och observatörer Enkelt uttryckt: analytisk redundans existerar om vi kan bestämma en storhet på mer än ett sätt. Kopplar till överbestämdhet i modellen Antag två sensorer mäter en variabel x enligt y = x y = x Fel kan upptäckas hos båda givarna genom att testa om relationen gäller. y y = En vanlig typ av reglerteknisk modell är tillståndsformen ẋ = g(x, u) y = h(x) Denna modell har redundans, varför? Observatörer är ett vanligt sätt att avgöra om y och u är konsistenta med modellen. Detta görs genom att skatta tillståndet x och jämföra y med h(ˆx), dvs. ˆx = g(ˆx, u) + K(y h(ˆx)) r = y h(ˆx) Bra för detektion, men räcker inte rakt av för isolering Exempel: Diagnos på en produktionsmotor Analytisk redundans boost leak Intercooler Whfm throttle Wth T manifold leak Wcyl Turbo air mass-flow manifold pressure engine speed pb q pm Fysikaliska samband mellan fysikaliska storheter ger analytisk redundans. n Lite olika typer av fel, kräver olika typer av modeller och därmed olika typer av signalbehandling. ṗ = k(w in (α, p) W ut (p, n)) Antag vi mäter de ingående variablerna, y p = p, y α = α och y n = n. r = ẏ p k(w in (y α, y p ) W ut (y p, y n )) 39 4

11 Var byter mätsignalen nivå? 4 Signalbehandling och tröskling Var byter mätsignalen intensitet/varians? Mätsignal för att detektera misständning(misfire) 4 Hall-effekt, sensor Svänghjul Stansade hål

12 Exempel på misständningar µs Misfire Varm motor 44 Sample Kall motor och låg last Speed 3 rpm Load.4 g/rev Tröskling av residualer, adaptiva trösklar För att avgöra när en residual är skild från behövs en tröskel. Perfekt modell J = ɛ >, brus och modellfel ger högre tröskel. Konstant/adaptiv tröskel? Tröskelnivå ger avvägning falsklarm/detekteringsförmåga. Om man tex. vet att man har bättre modell för statiska förlopp än i dynamiska passager adaptiv tröskel Uppmätta data från en ventil i luftsystemet i Gripen: 3 Solid: residual; Dashed: thresholds 3 3 R 3 38 Misfire µs Sample Speed 8 rpm Load. g/rev Time [s] 46 Felisolering Felisolering Hittills har vi bara betraktat detektion Hur kan vi isolera felande komponent, dvs. peka ut var i systemet vi misstänker fel Finns många metoder, men vi kommer i den här kursen fokusera på en metod från konsistensbaserad diagnos

13 Felisolering, trippelredundans Tre givare mäter samma storhet (trippelredundans): y =x y =x y 3 =x Tre residualer kan bildas genom parvis jämförelse av givarsignaler: r = y y r = y y 3 Isolationsexempel Låt F i beteckna fel i givare y i. Residualerna reagerar på felen enligt: r = y y r = y y 3 r 3 = y y 3 r 3 = y y 3 Alla är då ekvationerna är uppfyllda, dvs. processen uppför sig som förväntat. De tre residualerna reagerar olika på fel i givarna. Isolationsmöjligheter NF F F F 3 r X X r X X r 3 X X Test i larmar typiskt då absolutbeloppet av residual r i är större än en given tröskel: r i > J i 49 Isolationsexempel, forts. Isolering med strukturerade hypotestester Antag att test och larmar. Antag enkelfel. NF F F F 3 r X X r X X r 3 X X r > J F eller F r > J F eller F 3 Isoleringsstrategin kan illustreras med en tabell där X på plats i, j betyder att fel j kan påverka residual i. NF F F F 3 r X X r X X r 3 X X Vi drar ingen slutsats av att test inte larmar. Det kan vara OK men det kan också vara små fel som inte syns i residualerna. Om t ex test larmar är det fel i givare eller, dvs F F. Slutsatsen i det här fallet blir att den enda möjliga moden är F, dvs F är den enda diagnosen.

14 Exempel på felmodellering Felmodellering För att kunna isolera fel så är det lämpligt att modellera hur en felaktig process fungerar. Många olika typer av modeller kan tänkas: Signaler Förändringar i konstanta parametrar Abrupta förändringar Intermittenta fel 3 4 Modellera fel med signaler ẋ = Ax + Bu y = C x y = C x Additivt fel på sensor f och på styrsignalen u betecknas med f blir ẋ = Ax + B(u + f ) y = C x + f y = C x Här är det viktigt att skilja på sensorsignalen och den variabel som man vill mäta. Förändringar i konstanta parametrar Typiska fel som modelleras på detta sätt: förändringar i fysikaliska konstanter, förstärkningsfel, offsets (tex bias i sensorer), ändringar i varianser, Exempel: förstärkare y(t) = gu(t) + v(t) v(t) N(, σ ) { { g = felfritt felfritt, σ = c fel c >> fel Roterande massa: (µ friktionskoefficient) J ω = µω + M { felfritt µ = c >> fel 6

15 Felaktig massflödesensor i Mercedes E-klass 3 3 Procedur för design av diagnossystem deviation [%] 3 air mass flow [kg/h] 7 8 En procedur för design av diagnossystem Design av diagnossystem Ta fram krav på vilka fel som måste diagnostiseras. Kan baseras på lagkrav, säkerhetskrav,... (FMEA) Bygg en modell av processen för det felfria fallet 3 Bygg felmodeller, dvs. utöka modellen för det felfria systemet med modeller för hur de olika felen påverkar systemet. 4 Med hjälp av modellen, konstruera residualer/teststorheter som gör att felen kan detekteras och isoleras. Detta är ett svårt steg och ämnet för den här kursen. Testa systemet i simuleringsmiljö och, om möjligt, i verkligheten. 6 Implementera Givet: modell för det felfria fallet Definiera beteendemoder Definiera felmodeller 3 Analysera modellredundans 4 Skapa residualer/teststorheter Bestäm trösklar 6 Avgör testens felkänslighet och skapa beslutsstrukturen. Denna kurs behandlar steg 4 (och i viss mån steg och 3). Notera att de andra stegen kan vara minst lika svåra! 9 6

16 Design av diagnossystem - exempel Givet: modell för det felfria fallet x = u y = x y = 4x + där u är en känd styrsignal, y i två kända givaresignaler och x är en okänd variabel. Det kan bli fel på ställdonet och de två givarna. Uppgift: Designa ett diagnossystem för enkelfel. Design av diagnossystem - definiera beteendemoder Felfri modell: x = u y = x y = 4x + Det kan bli fel på ställdonet och de två givarna. Inför beteckningar för felfri mod samt för enkelfel NF: (No-Fault) varken givare eller ställdon är fel F : fel på bara y F : fel på bara y F 3 : fel på bara u 6 6 Design av diagnossystem - definiera felmodeller Felfri modell: Notera: x = u y = x y = 4x + u den styrsignal som vi applicerar. Modell med införda additiva felsignaler: x = u + f 3 y = x + f y = 4x + + f u + f 3 indikerar den faktiska påverkan på systemet. Beteendemoder: NF: No-fault f i = F : fel på bara y f, f = f 3 = F : fel på bara y f, f = f 3 = F 3 : fel på bara u f 3, f = f = Design av diagnossystem - analysera modellredundans Sök redundans i modellen för felfritt beteende, dvs då f i =. Det finns redundans, ty x kan beräknas på fler än ett sätt. Felfri modell: x = u () y = x () y = 4x + (3) Eliminering av x ger t ex konsistensrelationerna: (), () = y u (), (3) = y 4u 63 Detta visar att den modellen för felfritt beteende har statisk redundans. 64

17 Design av diagnossystem - residualer/teststorheter Konsistensrelationerna ger residualerna: r = y u r = y 4u Residualernas felkänslighet kan beräknas genom att använda modellen x = u + f 3 y = x + f y = 4x + + f för att eliminera de kända variablerna i residualen som följer: r = y u = (x + f ) (x f 3 ) = f + f 3 r = y 4u = (4x + + f ) 4(x f 3 ) = f + 4f 3 Design av diagnossystem - beslutsstruktur Antag att modellosäkerheter och brus gör att vi larmar om endast om beloppet av residualerna är större än tröskeln J =, dvs larm i = r i > J Beslutsstrukturen blir för residualerna blir r = f + f 3 r = f + 4f 3 NF F F F 3 r X X r X X Detta kallas för den interna formen Design av diagnossystem - beslutsstruktur NF F F F 3 r X X r X X Om r inte larmar, kan det vara frestande att dra slutsatsen det inte är F eller F 3, dvs det måste vara NF eller F. Men detta är ofta ingen bra slutsats Ex: Om r inte larmar så är vad som helst vara möjligt, t ex fel F : Beräkna diagnoser givet observationer Givet en observation: Beräkna residualerna r i Beräkna testresultaten genom att tröskla residualerna, larm i = r i > J i 3 Använd isoleringslogiken för att beräkna diagnoserna Diagnosis Statement Fault Isolation F : f =., f = f 3 = r =. < inget larm Diagnostic Test Diagnostic Test Diagnostic Test Diagnostic Test Diagnostic Test 67 Observations 68

18 Hur reagerar vårt diagnossystem på ett injicerat fel? Antag att vi styr systemet med insignalen u = och att vi injicerar ett fel i aktuatorn (F 3 ) så att f 3 =. Givarna visar: x = u + f 3 = + = y = x = y = 4x + = Insignalerna till diagnossystemet blir observationerna: u =, y =, y = Hur reagerar vårt diagnossystem på ett injicerat fel? Antag att vi styr systemet med insignalen u = och att vi injicerar ett fel i aktuatorn (F 3 ) så att f 3 =. Insignalerna till diagnossystemet blir observationerna: u =, y =, y = Det ger residualerna och larmen: r = y u = > larm r = y 4u = 4 > larm Enligt beslutsstrukturen blir diagnosen: NF F F F 3 r X X r X X + utfall r r F 3 är enda diagnosen 69 Diagnossystemet både detekterar och isolerar felet korrekt. 7 Ett lite större system bränslecell 7 PEM Fuel Cell System P Hydrogen tank Efficiency reduchon Air blower ṁ Inlet air flow T Less humidificahon Humidifier Humidifier Valve clogging Leakage Voltage sensor fault sensors: stack voltage and temperature 7 considered system faults ( BOP, stack) sensor faults p p T T st March 6, Linkoping University, SE. PEMFC Anode Membrane Cathode T V p p Ohmic resistance increase ECSA reduchon Anode exhaust Valve clogging Cathode exhaust Temperatur e sensor fault 9 fault variables 8 algebraic equahons differenhal constrains /

19 PEMFC system model Isolability Analysis Air Blower Compressor Mass Flow Rate [m3/min] Compressor Efficiency [-] Compressor Speed [rpm] c p Tamb η cmpη EM air..4 kk β cmp Tcmp = Tamb + η cmp Membrane model Δ =. [bar]; current density =. [A/cm]; p W y,in / out kk β cmp WH O,mem Δg f [T fc ] λ Eohm = mem [-] - λ net water flow [mol/s] E= p 3 F lmem i σ mem ph po + RT fc ln ph O σ mem - λ an [-] λ ca [-] λ an [-] RT j (RH des j RH j ) f_cmp for for py p y,exh py p y,exh γ > γ + γ γ + γ γ λ ca 3 states at cathode side states at anode side 3 states at cathode s.m. states at anode s.m. [-] Mass balance dmi, j γ f_vin dt f_ohm Eact = ilim = i = [O, N, H, H O] R T fc i ln i = ipt ECSA F i FDO N ε eff. T fc Vmtca 73 f_ecsa f_vout.83 f_vsens ln ( xo,ca ) f_tsens Energy balance state (temperature) j = [ca, an, smca, sman] = m! in,i, j m! out,i, j ± m! gen / con,i, j univocally isolated with Mixed Causality f_leak = (.39λ.36 )exp 3 33 T fc i Ediff = ω~ T fc i ln lim ilim i All the faults but the two of the stack can be f_inj γ Electrochemical model [i, λan, λca, Δp] - V j M H O γ γ γ CD AN p y,exh p y γ p y p p γ R T y,exh y y,exh y,exh = γ + CD AN p y,exh (γ ) γ R yty,exh γ + 4 x Δ =. [bar]; current density =. [A/cm]; x mhdeso, j = Nozzles.6 η cmp = f (β, ncmp ) m! cmp = f (β, ncmp ) Pcmp = m! cmp Compressor Speed [rpm] Isolability matrix for 'PEM Fuel Cell, sensored' Humidifiers mhdeso, j m! HinjO, j = τ inj Pressure Ratio [-] Pressure Ratio [-] K FC f_cmp dtfc! = Ein (Tin ) E! out (TFC ) VI Q dt st March 6, Linkoping University, SE. / f_inj f_leak f_vin f_ohm f_ecsa f_vout f_vsens f_tsens st March 6, Linkoping University, SE. 3/ Att ta med sig fra n denna fo rsta fo rela sning Modellbaserad diagnos a r att med hja lp av observationer och en matematisk modell av en process dra slutsatser om eventuella fel som kan finnas i systemet. TSFS6 Diagnos och o vervakning, 6hp Fo rela sning - Kursformalia och introduktion Lite grovt kan man sa ga; Diagnossystem: alla diagnoser = f (data) Erik Frisk Ett av ma len med den ha r kursen: krama ut sa mycket information som mo jligt ur modellen och kondensera in i funktionen f ( ) ovan. Institutionen fo r systemteknik Linko pings universitet erik.frisk@liu.se Enkelt uttryckt: ett diagnossystem besta r av ett antal detektorer med specifika egenskaper fo ljt av felisoleringslogik