Tesis para optar al grado de Magíster en Ciencias de la Ingeniería, Mención Eléctrica / Memoria para optar al título de Ingeniero Civil Eléctrico / 12/11/2023

Ingeniero Civil Mecánico / La búsqueda por una energía renovable prácticamente ilimitada ha sido uno de los focos principales de la motivación en la investigación de energía nuclear por fusión atómica. Sin embargo, uno de los principales problemas con la energía por fusión es ser capaz de mantenerla estable con una energía suficiente para conservar la reacción en cadena. Esto se pensaba que solo se podría lograr energizando un gas a tal nivel que se convierte en plasma y lograr que se mantenga estable. Sin embargo, hay otras aproximaciones que dan por sentado que el plasma colapsa y se intenta explotar esta fragilidad. El Dense Plasma Focus permite generar un plasma ascendente que dura centenas de nanosegundos antes de colapsar. Es de sumo interés para estudiar el comportamiento de este plasma en los equipos DPF en diversos aspectos. Debido a esto es imprescindible el estudio del comportamiento del plasma, por lo que se deben realizar experimentos para determinar las restricciones, condiciones necesarias y emisiones de energía que son propias del cuarto estado de la materia. Dentro de la CCHEN existe un departamento dedicado al estudio de las propiedades físicas del plasma, en función de los parámetros de los equipos usados para generarlas. Además, es de interés comprender las aplicaciones que puede tener el plasma en la ciencia de materiales, biología y eliminación de deshechos, entre otros. Sin embargo fallas en estos equipos son comunes e impiden que se puedan realizar los experimentos en el momento esperado, causando problemas posteriores en varios sentidos. El análisis realizado por el memorista comprende un estudio integral del funcionamiento del sistema de los equipos de generación de plasma del tipo Dense Plasma Focus. Para lograr esto, en este análisis se determinan elementos críticos, se realizan diagramas de sistema y planos de equipo, además se obtienen parámetros que permiten evidenciar un avance en el deterioro del sistema, teniendo en cuenta las distribuciones de probabilidades correspondientes. Finalmente, se plantean propuestas de rediseño del sistema, con el objetivo de mejorar la confiabilidad y disponibilidad de este. Junto con esto, se proponen protocolos de mantenimiento y recomendaciones sobre monitoreo de variables clave en la detección de fallas del sistema. De la presente memoria se concluye que manteniendo un monitoreo del crecimiento porcentual de Kurtosis, Shape Indicator, Clearance Indicator, Crest Indicator y Amortiguamiento de las señales características del sistema se puede estimar la cantidad de disparos desde el inicio de un experimento. Por otro lado, se concluye que distinguir los datos que presenten instancia de Dip permite establecer la probabilidad de ocurrencia como una distribución de Weibull. Distinguir datos que posean Dip de los que no puede ser realizado mediante un pre-tratamiento de las señales y posterior entrenamiento de una red neuronal de clasificación. El clasificador permite identificar con una asertividad del 93.25% para datos del mismo tipo y 83.3% para datos diferentes. / Memoria realizada en conjunto con el Departamento de Plasmas TermoNucleares (DPTN) de la Comisión Chilena de Energía Nuclear (CCHEN)

Memoria para optar al título de Ingeniero Civil Mecánico / Dentro del área de mantenimiento, el monitorear un equipo puede ser de gran utilidad ya que permite advertir cualquier anomalía en el funcionamiento interno de éste, y así, se puede corregir cualquier desperfecto antes de que se produzca una falla de mayor gravedad. En data mining, detección de anomalías es el ejercicio de identificar elementos anómalos, es decir, aquellos elementos que difieren a lo común dentro de un set de datos. Detección de anomalías tiene aplicación en diferentes dominios, por ejemplo, hoy en día se utiliza en bancos para detectar compras fraudulentas y posibles estafas a través de un patrón de comportamiento del usuario, por ese motivo se necesitan abarcar grandes cantidades de datos por lo que su desarrollo en aprendizajes de máquinas probabilísticas es imprescindible. Cabe destacar que se ha desarrollado una variedad de algoritmos para encontrar anomalías, una de las más famosas es el Isolated Forest dentro de los árboles de decisión. Del algoritmo de Isolated Forest han derivado distintos trabajos que proponen mejoras para éste, como es el Robust Random Cut Forest el cual, por un lado permite mejorar la precisión para buscar anomalías y, también, entrega la ventaja de poder realizar un estudio dinámico de datos y buscar anomalías en tiempo real. Por otro lado, presenta la desventaja de que entre más atributos contengan los sets de datos más tiempo de cómputo tendrá para detectar una anomalía. Por ende, se utilizará un método de reducción de atributos, también conocido como reducción de dimensión, por último se estudiará como afectan tanto en efectividad y eficiencia al algoritmo sin reducir la dimensión de los datos. En esta memoria se analiza el algoritmo Robust Random Cut Forest para finalmente entregar una posible mejora a éste. Para poner en prueba el algoritmo se realiza un experimento de barras de acero, donde se obtienen como resultado sus vibraciones al ser excitado por un ruido blanco. Estos datos se procesan en tres escenarios distintos: Sin reducción de dimensiones, análisis de componentes principales(principal component analysis) y autoencoder. En base a esto, el primer escenario (sin reducción de dimensiones) servirá para establecer un punto de orientación, para ver como varían el escenario dos y tres en la detección de anomalía, en efectividad y eficiencia. %partida para detección de anomalía, luego se ver si esta mejora Luego, se realiza el estudio en el marco de tres escenarios para detectar puntos anómalos; En los resultados se observa una mejora al reducir las dimensiones en cuanto a tiempo de cómputo (eficiencia) y en precisión (efectividad) para encontrar una anomalía, finalmente los mejores resultados son con análisis de componentes principales (principal component analysis).

Magíster en Ciencias de la Ingeniería, Mención Eléctrica / El presente trabajo de investigación presenta una manera novedosa de detectar fallas de un proceso, usando la Transformada Wavelet Continua (TWC) sin necesidad de contar con un modelo explícito de la planta. El método desarrollado en esta Tesis, es más robusto en la detección de variaciones pequeñas en las señales de prueba producidas por alguna condición de falla, en comparación a otros métodos que utilizan la Transformada Wavelet para la extracción características de una señal. Se analizan dos tipos de fallas para una planta simple de primer orden con buenos resultados, a saber; falla por variación paramétrica y falla de sensor. La falla de sensor es más simple de identificar debido a que, por lo general, esta se manifiesta como un cambio brusco de referencia, y bastaría con tener conocimiento del valor medio de la señal para saber si ha ocurrido una falla de este tipo. La falla debido a variaciones paramétricas de un modelo, es más difícil de detectar y diagnosticar. También, el método de detección e identificación de fallas (DIF) presentado en esta Tesis fue aplicado a una planta de segundo orden con dos tipos de fallas debido a variaciones paramétricas así como también, se aplicó a un modelo de molienda y flotación (sistema MIMO), el cual presenta comportamientos no lineales, entregando buenos resultados. Sin embargo, cabe mencionar que una limitación importante del método propuesto, es que las señales de salida del sistema, deben cumplir a lo menos, la condición de ser estacionarias en sentido amplio, de lo contrario, no se garantiza que los vectores de características patrón o plantillas, pueda ser representativos de cada condición de operación. El método desarrollado en esta Tesis, para llevar a cabo el proceso de detección de una falla en una planta, consiste en la generación de un vector de características patrón, usando la promediación en el desplazamiento (o tiempo) de las varianzas de las TWC de varias realizaciones de las diversas señales de salida, para cada condición de operación de la planta o sistema, para luego compararlas con las varianza de la TWC de las señales de prueba que entrega el sistema y de esta manera, decidir bajo qué condiciones de operación está funcionando la planta. Esta decisión, se puede basar en cualquier método de comparación o clasificación existente tales como análisis discriminante lineal de Fisher (LDA), vecinos más cercanos (k-NN) o máquinas de soporte vectorial (SVM) por nombrar algunos. Finalmente, el método de comparación o clasificación que se decida utilizar, queda a criterio del usuario.