Fusión de sensores para la detección de fallos en plantas: un caso práctico de un electrolizador PEM
DOI:
https://doi.org/10.17979/ja-cea.2025.46.12137Palabras clave:
Fusión de sensores, Detección de fallos, Lógica borrosaResumen
Los sistemas de control suelen estar equipados con subsistemas de detección de fallos que utilizan las señales de los sensores para detectar anomalías en la planta. Sin embargo, cuando el propio sensor falla, el fallo puede pasar desapercibido y producirse la avería. Para resolver este problema, se puede utilizar el concepto de fusión de datos de sensores para fusionar las señales de un sensor con otro dentro del sistema y utilizar la fusión resultante para la detección de fallos. La fusión de señales diferentes pero correlacionadas puede dar mejor información sobre un posible fallo, que si utilizara la señal de un solo sensor de la planta. Esta situación garantiza la detección de fallos incluso cuando un sensor genera error. Las ventajas de la solución propuesta se demuestran en un caso real con un electrolizador de tipo PEM con ritmo de producción de 1 Nm3/h de H2.
Referencias
Abiola, A., Manzano, F.S., Andújar, J.M., 2023. A Novel Deep Reinforcement Learning (DRL) Algorithm to Apply Artificial Intelligence-Based Maintenance in Electrolysers. Algorithms 16. https://doi.org/10.3390/a16120541
Bessarabov, D., Millet, P., 2018. Fundamentals of Water Electrolysis. PEM Water Electrolysis. Elsevier, 43–73. https://doi.org/10.1016/b978-0-12-811145-1.00003-4
Caparrós, J.J., Vivas, F.J., Segura, F., Andújar, J.M., 2021. Optimized Balance of Plant for a Medium-size PEM Electrolyzer. SNE Simulation Notes Europe 31, 133–141. https://doi.org/10.11128/sne.31.tn.10574
Galar, D., Kumar, U., 2017. Sensors and Data Acquisition. EMaintenance. Elsevier, 1–72. https://doi.org/10.1016/b978-0-12-811153-6.00001-4
Kheirrouz, M., Melino, F., Ancona, M.A., 2022. Fault detection and diagnosis methods for green hydrogen production: A review., International Journal of Hydrogen Energy. https://doi.org/10.1016/j.ijhydene.2022.06.115
Masali, M.H., I, R.B., Zargarzadeh, H., 2024. Sensor Fusion for Incipient Hydrogen Detection Using Deep Learning. International Journal of Research Publication and Reviews 5. https://doi.org/10.55248/gengpi.5.0924.2419
Mouzakitis, A., 2013. Classification of fault diagnosis methods for control systems. Measurement and Control (United Kingdom) 46, 303–308. https://doi.org/10.1177/0020294013510471
Ross, E.A., Wagterveld, R.M., Stigter, J.D., Mayer, M.J.J., Keesman, K.J., 2023. Sensor data fusion in electrochemical applications: An overview and its application to electrochlorination monitoring., Computers and Chemical Engineering. https://doi.org/10.1016/j.compchemeng.2022.108128
Vélez, M.Á., Sánchez, O., Romero, S., Andújar, J.M., 2010. A new methodology to improve interpretability in neuro-fuzzy TSK models. Applied Soft Computing Journal 10, 578–591. https://doi.org/10.1016/j.asoc.2009.08.027
Wang, J., Yang, Z., Chen, K., Zhou, D., 2017. Practices of detecting and removing nuisance alarms for alarm overloading in thermal power plants. Control Engineering Practice 67, 21–30. https://doi.org/10.1016/j.conengprac.2017.07.003
Zhong, Y., Yang, Y., Diao, L., Song, K., Li, R., Yao, N., Ma, T., Lin, W., 2024. Design of multi-sensor fusion water state observer for proton exchange membrane fuel cell based on particle filter. Energy Conversion and Management 320. https://doi.org/10.1016/j.enconman.2024.118978
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Abiodun Abiola, Francisca Segura, José Manuel Andújar, Javier Barragán
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
