Università degli Studi di Bologna FDI/FTC - UNA INTRODUZIONE CLAUDIO BONIVENTO LORENZO MARCONI ANDREA PAOLI LAR-DEIS Università di Bologna UN SISTEMA DI CONTROLLO È VULNERABILE !!! GUASTI SU: • CONTROL UNIT • PLANT • ATTUATORI • SENSORI LAR-DEIS Università di Bologna ARCHITETTURA FAULT TOLERANT Architettura classica 2 livelli: • Livello di controllo basso. • Interfaccia utente. Architettura Fault Tolerant: Si introduce tra i due livelli un Livello di Supervisione LAR-DEIS Università di Bologna METODOLOGIA DI PROGETTO Passi Principali: ANALISI • Modellazione • FMEA • FPA, FPG • Selezione azioni SINTESI • FDI • Supervisore • Riconfigurazione LAR-DEIS Università di Bologna CLASSIFICAZIONE SISTEMI FAULT TOLERANT LAR-DEIS Università di Bologna Metodologia a Riconfigurazione On Line del controllore Riconfig. Diagnosi, isolamento stima del guasto FDD Ref. u - y PLANT Controller Controllo Nominale Azione di Riconfigurazione LAR-DEIS Università di Bologna Metodologia a Riconfigurazione On Line del controllore VANTAGGI: •Non occorrono conoscenze sul sistema danneggiato. •Puó far fronte ad un numero molto diversificato di situazioni. SVANTAGGI: • Appesantimento Computazionale. • Tempi Morti di riconfigurazione. Algoritmo in due Tempi: 1) pre-diagnosi + calcolo riconfigurazione 2) diagnosi + riconfigurazione LAR-DEIS Università di Bologna Metodologia Projection Based Scelta dell’azione di controllo Diagnosi e isolamento del guasto switch Ref. FDI C1 : : : : Cn u y PLANT LAR-DEIS Università di Bologna Metodologia Projection Based VANTAGGI: • Carico Computazionale meno pesante. • Velocitá di reazione. SVANTAGGI: • Necessitá conoscenza modello dopo il guasto. • Fa fronte solo ad un numero limitato di situazioni Scelta tra controllori ADATTATIVI: 1) Scelta del controllore. 2) Aggiustamento dei parametri. FDI - 3 DIVERSI METODI • model-free methods • model-based methods • knowledge-based methods Riferimenti generali • Survey papers: Willsky (1976), Gertler (1988), Basseville (1988, 1998), Frank (1990), Isermann (1993), Zhang Qinghua M. Basseville A. Benveniste (1998) • Books: Patton et al. (1989), Basseville and Nikiforov (1993) • Papers: M.Demetriou (1998), H.Wang S.Daley (1996, 1997) PROBLEMA GENERALE • 2 sottoproblemi : – generazione di residui – valutazione dei residui e decisione • 2 approcci tipici: – deterministico • parity checks • detection filters • osservatori IPOTESI – statistico: • likelihood ratio test • minimax techniques • Ipotesi sul sistema: – LTI – NL • Ipotesi sui guasti – additivi – non-additivi (NA) CASO NONLINEARE • Caso NL-NA difficile in termini globali • Approccio statistico (locale): – eliminazione di variabili – trasformazione del problema FDI in quello della rivelazione di variazioni di valor medio di un vettore Gaussiano – guasti di piccola entità o incipienti MODELLO DEL SISTEMA • DAE ossia equazioni differenzialialgebriche – fi (x, u, y, , p) = 0 – con fi polinomi negli argomenti • SSE ossia equazioni di stato – p(x) = f (x, u, ) , y = g (x, u, ) MODELLO DEI GUASTI • La soluzione dei problemi di FD e di FI è basata sui dati u e y e sulla conoscenza del modello (del sistema e dei guasti) • guasti come variazioni dei parametri del sistema • la parametrizzazione del modello deve avere significato fisico (ossia corrispondere a sensori, attuatori, ecc.) FD PROBLEM • PROBLEMA FD: – decidere tra due ipotesi • 0 : = 0 • 1 : 0 (safe mode) (faulty mode) FI PROBLEM • PROBLEMA FI: – dato un sottovettore (di ) corrispondente ad un certo specifico “guasto” – decidere tra due ipotesi • 0 : = 0 • 1 : 0 (assenza di quel guasto) (presenza di quel guasto) GENERAZIONE DI RESIDUI • Problema della presenza di variabili non misurate x : – stima • osservatori o filtri – eliminazione • parity check (nel caso LTI) • DAE Input/output forms (in generale) DATI CAMPIONATI • discretizzazione del modello DAE • scelta dell’ operatore “derivata” • filtraggio delle sequenze di dati originari FORME INPUT-OUTPUT • Modello DAE polinomiale: – fi (x, u, y, , p) = 0 i= 1, 2, …, r – l’insieme chiuso degli fi rispetto alle operazioni + è detto ideale differenziale F – F polinomiale = 0 è una DAE INSIEMI CARATTERISTICI • E’ sufficiente selezionare un subset finito di F (infinito) per specificare una soluzione, ossia una tripla u(), y (), per cui = 0. • Un tale subset è detto insieme caratteristico di F • Di insiemi carratteristici ce ne sono infiniti, tra loro equivalenti ALGORITMO DI RITT • In FDI interessano gli i. c. nella forma input-output , ossia indipendenti da x • Il punto è trovare tali insiemi: algoritmo di Ritt (1950) • Globale identificabilità (Ljung e Glad, 1994) di se e solo se esiste un i.c. del tipo Pj(u,y,p) j - Qj(u,y,p) j=1,2,…, n disaccoppiato per ogni componente. DISACCOPPIAMENTO • Apparente soluzione elegante per il problema di FI • Ma, completo disaccoppiamento implica in pratica elevato ordine di derivazione di u e di y • Si opta per forme g(u, y, , p) non disaccoppiate, meglio se lineari in : g(u, y, , p) = P(u,y,p) - Q(u,y,p) FDI - APPROCCIO LOCALE • Se esiste la forma lineare allora è globalmente identificabile • Se no, allora si ha solo la proprietà locale , ossia per il valore nominale = 0 RESIDUI PRIMARI • Incertezza (modello, misure) • Si assume g(uk, yk, , ) = k • Esiste in un intorno di θ 0 una funzione H (residuo primario) tale che E [ H(uk, yk, 0,, )] = 0 se = 0 E [ H(uk, yk, 0,, )] 0 se 0 • si assume che il residuo primario sia non polarizzato !? FDI vs IDENTIFICAZIONE • Generazione dei residui legata all’identificazione del parametro • il gradiente del criterio di identificazione può essere scelto come residuo primario • min k 2 H = ½ (g’g) / TIPI DI GUASTO • Schema dei tipi di guasto: Y = g (, U + i , Ws ) + 0 + Wo ove – 0 modella i guasti dei sensori – i modella i guasti dei attuatori – modella i guasti di sistema PROBLEMA FD locale • Dati {uk , yk : k = 1, 2, …, N} decidere tra le due ipotesi • 0 : = 0 (safe mode) • 1 : = 0 + /sqrt (N) (faulty mode) RESIDUI NORMALIZZATI • Dato un residuo primario H e un campione di dati di dimensione N si definisce residuo normalizzato N ( ) = sqrt (N) H (uk, yk, , ) • Sotto ipotesi generali, N ( ) converge a un vettore Gaussiano, per N CASO LINEARE IN • g P - Q = k – H = PTP PTQ = PT k – M(0) = E (PTP ) – se k sequenza indipendente con var. (0) = E (PT P) FD - VALUTAZIONE DEI RESIDUI • N ( ) (0) M M ( 0) • se per N grande Gauss, il GLR-test è un test 2 con d.o.f. = dim – 2g = T -1 M ( MT -1 M) -1 MT -1 0 centrale se vale 1 – centrale se vale – non è REGOLA DI DECISIONE • Il parametro di non-centralità è = T MT -1 M • se M è invertibile (eccitazione persistente) 2g = T -1 • fissata una la soglia legata alla probabilità di falso allarme 2g nessun guasto 2g guasto FI - ISOLAMENTO DEL GUASTO • FI è eseguita solo dopo un allarme FD • si assume N grande tale che = 0 + /sqrt (N) N (- M, ) • Il problema FI consiste nel testare quali componenti di sono nonzero FI LOCALE • Dato a selezione di componenti di decidere tra 0 : a = 0 1 : a 0 • sensitivity test • minmax test SENSITIVITY TEST • = ( a T b T )T M= ( M a , M b ) • il sensitivity test su a assume b = 0 • test d.o.f. • ove a2 = a T Fa -1 a Fa= Ma T -1 Ma con n a MINMAX TEST • F =M M con F a a F a b F b a F bb partizioni di F T -1 • a = Ma T • a -1 b = Mb T = a - F a b F bb b -1 -1 MINMAX TEST (cont.) • Il minmax test si riferisce a -1 T 2 a = a Fa a con n a d.o.f. • ove Fa = F a a - F a b F bb-1 F b a = cov ( a ) • in pratica è critico fissare le soglie APPLICAZIONI • Validazione del modello 0 con un nuovo campione di dati • rivelazione off-line di variazioni di • rivelazione on-line di variazioni di OSSERVATORI PER FDI • Osservatori tarati in condizioni “healthy” (“safe”) • l’errore di osservazione “rivela” rispetto ad una “soglia” specificata • la fase FI è la più critica • uso di osservatori “adattativi” per avere robustezza a errori di modello e disturbi (problema dei falsi allarmi) D-OSSERVATORI • Sistema: x Ax Bf (t )u n(t ) y g (t )Cx Df (t )u D-OSSERVATORI • Osservatore: g (t ) g H f (t ) f H x Ax Bf H u Ld y y y g H Cx Df H u A Ld g H C stabile ERRORE DI OSSERVAZIONE • Equazione errore ~ e A Ld g H C e B Ld g H D f (t )u 1 ~ L gg y n(t ) d ~ ~ e x x, e o y y , f f H f , g g H g NO FAULT • No fault: ~ ~ f g 0 e A Ld g H C e n(t ) e0 g H Ce DETECTION n(t ) 0 e0 (t ) max g H C ( j I A Ld g H C ) 1 0 e0 (t ) no fault fault OSSERVATORE ADATTATIVO x m Axm Bf (t )u L 1 g ym y y m g (t ) Cxm Df (t )u f (0) f H , g (0) g H ERRORI DI OSSERVAZIONE E DI USCITA ~ 1 1 Ce Df (t )u g g (t ) y ~ em ( A LC )em ( B LD) f (t )u 1 1 L g g (t ) y n(t ) DIAGNOSI f (t ) f costante f H g (t ) g costante g H Usare (t ), u (t ), y (t ) per ottenere le stime g (t ), f (t ) tali che : lim g (t ) g , lim f (t ) f t t PROBLEMI APERTI • • • • Riconfigurazione del controllo Estensione per sistemi nonlineari Osservatori robusti Caso discrete-time