Deteccion y clasificacion de fallos incipientes en engranajes y rodamientos

  1. MORENO SANCHEZ, RICARDO
Dirigée par:
  1. Publio Pintado Sanjuán Directeur/trice
  2. José Manuel Chicharro Higuera Co-directeur/trice

Université de défendre: Universidad de Castilla-La Mancha

Fecha de defensa: 07 juin 2010

Jury:
  1. Mariano Artés Gómez President
  2. Antonio Nieto Secrétaire
  3. José Ignacio Pedrero Rapporteur
  4. Francisco Javier Sánchez-Reyes Fernández Rapporteur
  5. Cristina Castejón Sisamón Rapporteur

Type: Thèses

Teseo: 304200 DIALNET

Résumé

DETECCION Y CLASIFICACION DE FALLOS INCIPIENTES EN ENGRANAJES Y RODAMIENTOS: La monitorización de maquinaria rotativa es usada para prevenir daños críticos en sistemas mecánicos y para mejorar los procesos de toma de decisiones en los departamentos de producción y mantenimiento. Engranajes y rodamientos son los componentes más ampliamente usados en las aplicaciones industriales. Esta tesis ilustra varios métodos para identificar y clasificar defectos incipientes en engranajes y rodamientos. Conceptos teóricos relacionados con transformaciones matemáticas y redes neuronales artificiales son explicados a lo largo del estudio. Las estrategias de procesamiento de señales como: parámetros en el dominio del tiempo, parámetros en el dominio de la frecuencia, la transformada de Hilbert y la transformada wavelet han sido propuestas para detectar y cuantificar daños incipientes. Estos parámetros son evaluados como posibles entradas para alimentar una red neuronal artificial (ANN: Artificial Neural Networks). La red neuronal probabilística (PNN: Probabilistic Neural Network) fue seleccionada para clasificar defectos debido a su buen desempeño. La selección de entradas adecuadas para alimentar una PNN para detectar y clasificar defectos incipientes en rodamientos y engranajes es llevada a cabo con evaluación de diseños experimentales. Varios parámetros en el dominio del tiempo (Root Mean Squared, Crest Factor, ER, FM0, Kurtosis, FM4, NA4, M6A y NB4), coeficientes del espectro en frecuencias, la transformada de Hilbert y los coeficientes de la transformada wavelet multiescala fueron evaluados como posibles entradas para una red neuronal. Las entradas selectas (combinación de coeficientes de transformada wavelet multiescala y algunos parámetros del dominio del tiempo) fueron las mejores entradas para alimentar una PNN, alcanzando un 99,07% de clasificaciones correctas para los fallos de rodamientos y 85,41% para los fallos en engranajes. Los resultados obtenidos indican que al combinar algunos coeficientes de la transformada wavelet multiescala con redes neuronales probabilísticas no ocurrirán falsas alarmas en la detección de fallos en rodamientos. Análisis de componentes principales, evaluación de la clasificación por medio de la matriz de confusión y diagramas de clasificación están incluidos en el estudio. Las señales acústicas y vibratorias contienen patrones útiles para la detección de defectos en maquinaria. Técnicas de medición no intrusiva como las basadas en LDV (Laser Doppler Vibrometry) y micrófonos son estudiadas de manera que se ayude a los usuarios a seleccionar el transductor adecuado para determinada aplicación. Un diseño experimental para determinar el tamaño de grieta mínimo detectable en un sistema con engranajes comparando 3 sensores diferentes: micrófono, vibrométro laser y acelerómetro es propuesto como una de las contribuciones novedosas en este trabajo. Esta comparación intenta evaluar la capacidad de detección temprana de cada sensor. Estos experimentos fueron llevados a cabo en un banco de ensayos con torque de bucle cerrado para distintos niveles de torque y velocidad. Diseños de experimentos factoriales fueron usados para determinar los efectos principales y las interacciones en el proceso de detección. Las reconocidas transformadas de Hilbert y wavelet han sido usadas como técnicas de procesamiento de señales. Sus ventajas en el proceso de detección de defectos incipientes son resaltadas en esta tesis. Los resultados indican que la señal acústica es la que primero detecta el defecto en los engranajes (este detecta la grieta cuando tiene 1.3mm de longitud), aunque como desventaja, los resultados obtenidos usando el micrófono son mas sensitivos a la velocidad y el torque. El segundo lugar fue para el LDV con una detección de grieta de 1.8mm, y el tercer lugar fue para el acelerómetro con 2.3mm. La estrategia para clasificar defectos fue aplicada en un caso práctico: detectando un defecto en un rodamiento del eje trasero de un coche rodando por la carretera. Esta aplicación práctica tuvo resultados exitosos.