Resumen

Este trabajo presenta una nueva técnica de IED para la detección y el aislamiento de fallos en sistemas no lineales desconocidos. El objetivo de la investigación es construir y analizar los residuos mediante métodos de inteligencia artificial y probabilísticos. En primer lugar, se utilizan redes neuronales artificiales para los problemas de modelado. Los modelos de redes neuronales se diseñan para el aprendizaje de los comportamientos sin fallos y con fallos de los sistemas considerados. Una vez generados los residuos, se les aplica una evaluación con criterios probabilísticos para determinar cuál es el fallo más probable entre un conjunto de fallos candidatos. El estudio también incluye una comparación entre las aportaciones de estas herramientas y sus limitaciones, en particular mediante el establecimiento de indicadores cuantitativos para evaluar su rendimiento. Según el cálculo de un factor de confianza, el método propuesto es adecuado para evaluar la fiabilidad de la decisión del IED. El enfoque se aplica para detectar y aislar 19 candidatos a fallo en el benchmark DAMADICS. Los resultados obtenidos con el esquema propuesto se comparan con los obtenidos según un método de umbralización habitual.

• Materias:Algoritmos (Matemáticas) Ingeniería del transporte Neurociencias Seguridad del transporte Ingeniería ferroviaria
• Subjects:Agorithms (Math) Transport engineering Neurosciences Transport safety Railway engineering
• Palabras claves:modelo de red neuronal, sistema no lineal desconocido, nuevas técnicas de fdi, métodos habituales de umbralización, conjunto de candidatos, red neuronal artificial, problemas de modelado, detección de fallos, resultados, indicadores cuantitativos
• Keywords:neural network model, unknown nonlinear system, new fdi techniques, usual thresholding methods, set of candidate, artificial neural network, modeling issues, fault detection, results, quantitative indicators