Un grupo de estrategias de monitoreo utilizan modelos explícitos del proceso para diagnóstico de fallas, siendo los más utilizados los del tipo entrada-salida y en variables de estado. Si se detectan inconsistencias entre el comportamiento esperado del proceso y el real, se emplean patrones de estados de fallas para determinar su origen.
Watanabe y col. (1985) desarrollaron una técnica para DRS dedicadas a monitorear el proceso empleando un observador lineal de orden reducido. Este permite estimar todas las variables de estado de un sistema no lineal que presenta algunos parámetros que son desconocidos debido a la existencia de una falla. El observador se formula usando un sistema de ecuaciones diferenciales lineales variables en el tiempo. La RS de mínimo costo que permite estimar todas las variables de estado del sistema se determina analizando todas las combinaciones de posibles sensores.
En su metodología de diseño Watanabe y col. (1985) asumieron que: el número de posibles mediciones es superior al de variables de estado; cada variable sólo puede ser medida por un solo sensor con un costo determinado, y todas las fallas del sistema
pueden detectarse verificando si las variables de estado se encuentran en su rango de operación normal o no. Para el diagnóstico de las fallas se emplea una técnica de identificación de parámetros desconocidos, que requiere la formulación de diferentes observadores. Cada uno de ellos considera que un parámetro (o un conjunto de ellos) se ha desviado respecto de su valor normal.
Por su parte, Chang y col. (1993) abordaron la detección de cambios en las variables de estado y/o parámetros del modelo matemático implementando técnicas de identificación de sistemas. El diagnóstico de los orígenes de las fallas se realizó mediante la interpretación física de estos cambios y/o un análisis estructural del modelo. Solo se consideraron fallas asociadas a variaciones en los parámetros, por lo tanto las fallas de sensores y aquellas que pueden cambiar la estructura del modelo no se incluyen en el análisis.
Los autores previamente citados adoptaron un método de estimación de parámetros en paralelo basado en el filtro de Kalman Extendido para identificación de fallas. La estrategia consiste en formular un problema de estimación por cada evento anormal y analizar los resultados obtenidos para determinar cuál es la falla que ocurrió. Aún cuando se postula la ocurrencia de una falla por vez, se pueden obtener conclusiones inconsistentes para diferentes conjuntos de mediciones. Un tipo de error puede eliminarse mediante una redistribución de sensores o la instalación de otros instrumentos en la red. Esto se produce cuando los efectos de la falla verdadera sobre las mediciones pueden reemplazarse por los de la falla postulada. Existen otros errores que no pueden reducirse. Por tal motivo, estos autores analizaron sistemas de monitoreo alternativos, mediante un procedimiento de búsqueda exhaustiva, que emplea una tabla de diagnóstico elaborada en base a simulaciones del proceso. El diseño asegura la
observabilidad de las fallas y maximiza la resolución de las mismas cuando se aplica el filtro de Kalman Extendido en paralelo como estrategia de monitoreo.
Gerkens y Heyen (2008) propusieron una metodología de DRS basada en la técnica de monitoreo en línea presentada por Ragot y Maquin (2006), quienes emplearon la sensitividad de los residuos de las ecuaciones de balance con respecto a las fallas con propósitos de detección e identificación.
En esta metodología se analizan las contribuciones del ruido de las mediciones y de la magnitud de las fallas a los residuos. Se considera que la j-ésima falla se detecta si su contribución supera a la contribución del ruido en al menos un residuo. Por otra parte, para que dos fallas diferentes puedan aislarse, el conjunto de residuos para los cuales se verifica la condición anterior debe ser diferente para ambas fallas.
En el trabajo de Gerkens y Heyen (2008) se consideran medidos todos los caudales y niveles de un sistema de distribución de agua y, solo se selecciona el tipo de caudalímetro o sensor de nivel a partir de un conjunto de instrumentos con diferentes precisiones y costos. Las magnitudes de falla para cada variable se obtienen por simulación. El problema de optimización resultante se resuelve aplicando Algoritmos Genéticos.
Por su parte, Orantes y col. (2008) desarrollaron una metodología de diseño para plantas químicas complejas que consta de cuatro etapas. Inicialmente se determina la relación causa-efecto entre las variables de proceso y las fallas. Con tal fin se realizan simulaciones dinámicas para distintas perturbaciones en las variables de entrada al proceso con el programa HYSYS. Luego se aplican los conceptos de Entropía y Ganancia de la Información para cuantificar la calidad de cada variable para discriminar
la ocurrencia de las fallas, y se selecciona el mínimo número de sensores cuya instalación permite detectar e identificar la ocurrencia de todas las fallas.
La tercera etapa de la técnica consiste en generar el modelo del comportamiento del proceso, que se utiliza como referencia para la detección de eventos anormales. Se desarrolla un programa de cómputo para clasificar los posibles estados de falla y la operación normal utilizando los datos de las mediciones seleccionadas. Dicho modelo no es completo ya que es muy difícil el reconocimiento exhaustivo de todas las fallas en un proceso complejo. Finalmente se realiza un reconocimiento en línea de las fallas, con momento de aparición y amplitud desconocidos, con el objetivo de validar el modelo de comportamiento como así también la relevancia de la RS elegida.