A mi abuela Ofelia Sánchez y mi abuelo Antonio Blanco, quienes antes de partir me enseñaron que disfrutar la vida y sonreír a pesar de las circunstancias elimina lo negativo que nos rodea. Posteriormente se realiza el procesamiento de la señal en una interfaz desarrollada en LabVIEW, y junto con MATLAB se obtienen los resultados según el error procesado.
OBJETIVOS
Objetivo General
Objetivos específicos
PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN
Es importante resaltar que cualquier factor que pueda incrementar las cargas en el área de contacto del rodamiento, distinto a la mano de obra, es una fuente inevitable de falla temprana de este elemento; De esta forma, entre otras cosas, se pueden producir defectos en cuanto a desgaste, desalineación, desequilibrio, roturas. De esta forma, al analizar todas las variables que pueden afectar la vida útil del rodamiento, y de acuerdo con el estado del arte considerado, se asume que el uso de redes neuronales artificiales (RNA) como técnica analítica para la detección y Es posible clasificar los defectos en los aros exterior e interior de un rodamiento de bolas con ranuras profundas.
ANTECEDENTES
ESTADO DEL ARTE
Lo que hicieron con esta técnica fue muestrear las señales de vibración originales en el dominio temporal de los rodamientos, obtenidas por dos sensores de aceleración. En conclusión, el método de diagnóstico de fallas basado en SDP y CNN utilizado por los ingenieros puede mostrar características de señales de vibración con imágenes SDP y aprender automáticamente las características profundas de gráficos visuales SDP sin conocimiento previo (Hui, Jiawen y Rugiang, 2019).
MARCO TEÓRICO
Funciones principales de un rodamiento
Carga radial y axial en rodamientos
Tipos de rodamientos
- Rodamientos de bola
- Rodamientos de rodillo
Los más habituales son los rodamientos de bolas, que se caracterizan por utilizar bolas como cuerpos rodantes. Rodamientos de rodillos cilíndricos: los rodillos cilíndricos están en contacto lineal con las pistas de rodadura.
Partes de un rodamiento
- Anillo interior / Anillo exterior
- Elementos Rodantes
- Jaula
Vida del rodamiento
- Índice básico de carga
La capacidad de carga básica se define como la carga constante aplicada a rodamientos con aros exteriores estáticos que los aros interiores pueden soportar durante una vida útil de un millón de revoluciones (rev). Al denotar el índice de vida básica como (h), la velocidad del rodamiento como n(rpm), el factor de vida por fatiga como y el factor de velocidad como, obtenemos las relaciones que se muestran en la Tabla 2.
Causas de fallas en rodamientos
- Falla Lubricación
- Contaminación
- Falla en Montaje y manipulación
- Desalineamiento
- Corrosión
- Falla Eléctrica
- Fatiga
- Mal Ajuste
En la figura 20 se puede observar como un rodamiento cónico se ha visto afectado por una contaminación en la pista interior, provocando una abolladura en este componente. La figura 26 muestra como un rodamiento tiene una rotura en el aro interior debido a un mal ajuste.
Etapas de fallas en rodamientos
- Etapa I
- Etapa II
- Etapa III
- Etapa IV
En esta etapa aparecen armónicos en la zona de falla del rodamiento, como se muestra en la Figura 27. Estos son los últimos momentos del rodamiento, su vida ha terminado, las fallas son graves y un aumento en la velocidad del rodamiento puede causar que el rodamiento gire. El mecanismo presenta además vibraciones aleatorias, creando un espectro de banda ancha aleatorio en el rango de frecuencias naturales.
Principales técnicas de detección y diagnóstico de fallos en rodamientos
- Vibraciones
- Redes Neuronales Artificiales
- Redes Neuronales Convolucionales
- Máquinas de Soporte Vectorial
Actualmente una de las técnicas que mejores resultados ha presentado en la detección y clasificación de fallas han sido las redes neuronales convolucionales (CNN), esta técnica ha mejorado los resultados de la detección precisa de diversas fallas en rodamientos, convirtiéndose así en la técnica más popular. . confiable. actualmente (Zhang, Yi, Liang, Hongli, durante los años 2010-2020. La Tabla 4 muestra las frecuencias de interés que generalmente se utilizan para diagnosticar fallas en rodamientos.
La principal característica de CNN es que se basa en la normalización de señales de vibración y su posterior conversión en una imagen 2D.
Spectral Density Power (PSD)
- Métodos
Cross Power Spectral Density (CPSD)
- Estimación del verdadero CSD
Coeficientes de Fourier
Ventana Hamming
A diferencia de la ventana de Hamming, los puntos finales de la ventana de Hann simplemente tocan cero. Esta elección coloca el cruce por cero en (N - 1), lo que cancela el primer lóbulo lateral de la ventana de Hann, de modo que tiene aproximadamente un quinto de la altura de la ventana de Hann. Una ventana de Hamming a menudo se denomina señal de Hamming cuando se utiliza para dar forma al pulso.
Redondear los coeficientes a dos decimales reduce significativamente el nivel de los lóbulos laterales, [9] en un estado cercano al equilibrio.
DISEÑO METODOLÓGICO
Modelo en V
Diseño mecánico
- Análisis Estático
- Diseño del eje para el banco de pruebas
Como se muestra en la figura, existen dos fuerzas de reacción que son las de los rodamientos (R1 y R2). Además, se tiene en cuenta el peso de los acoplamientos sobre el eje. Diseño de eje para el banco de pruebas Criterio de energía de deformación Criterio de energía de deformación. Para verificar lo anterior, también se decidió utilizar el análisis de fatiga para encontrar el diámetro mínimo que debe tener el eje para el uso que se le dará en este proyecto. Para ello se encuentran los diversos factores necesarios.
Planos en SolidWorks
Cuña: Está mecanizada en acero 1020 porque no se le ha puesto un gran esfuerzo por lo que puede cumplir perfectamente su función. La cuña mide 30mm de largo, un lado mide 4mm y el otro mide 4.75mm, la misma medida se usó para ajustar el eje impulsor y el generador de acoplamiento, para asegurar el motor y el acoplamiento de cuña que viene con el motor. . Rodamientos: Están construidos en acero inoxidable, como ya se mencionó, se requiere una gran estabilidad del banco, debido a que los rodamientos son parte del banco.
La parte superior tiene un largo de 54 mm, un alto de 28 mm y un ancho de 24 mm, en esta parte el rodamiento se cierra y ajusta mediante unos medios.
Selección de componentes
- Selección Acoples
- Selección de rodamiento
Ahora la selección se realiza en el catálogo del fabricante, como se muestra en la Figura 51. El rodamiento ahora se selecciona en función de la carga estática requerida del catálogo SKF, como se muestra en la Figura 52. El rodamiento seleccionado es el SKF 6002-2Z que cumple con los Requisitos de carga y velocidad.
Selección de instrumentación
- Selección del motor
- Selección de la carga
- Selección del variador de frecuencia
- Selección del acelerómetro
- Selección de la tarjeta adquisición de datos
Para la elección de la carga se tomó como referencia el estado del arte que sugiere el uso de un generador como carga; además, se buscó que la carga fuera similar a los equipos que se encuentran en la industria. De igual forma, en la Tabla 8 se muestra el QFD para analizar características más específicas del variador; En este caso, al tener seleccionado el motor y generador, nos centramos en la capacidad del variador, así como en su programación y conexiones. Se seleccionó el Sinamics V20 - 6SL3210-5BB21-5UV1; la tabla 9 muestra las especificaciones del variador seleccionado.
Para este caso especial, la universidad cuenta con equipos para este tipo de aplicaciones. Por lo tanto, se cuenta con un acelerómetro Dytran analizado en la Tabla 10, de manera que se pueda determinar la factibilidad de seleccionar este componente.
Selección de lenguaje de programación
PYTHON se destaca como un lenguaje de programación abierto que cuenta con múltiples bibliotecas para trabajar con aprendizaje automático en TensorFlow de Google y aprendizaje profundo como PyTorch y Keras de Facebook. MATLAB se ha utilizado junto con ANN para diagnosticar fallas en rodamientos, obteniendo resultados efectivos y confiables. MATLAB cuenta con diversas herramientas y funciones para analizar grandes conjuntos de datos, mediante la integración de cajas de herramientas especializadas en redes neuronales y Deep Learning.
Se utilizó parte de la metodología Quality Function Deployment (QFD) para analizar las opciones de lenguaje de programación disponibles y adaptar los gustos y/o necesidades en la realización del código del software para la detección y clasificación de defectos de rodamientos utilizando ANN.
Ensamble CAD
Selección de técnica de detección y clasificación
Extracción de características
- Análisis de componentes principales
Clasificador Neuronal
- Adaline
- Multilayer Perceptron
Consta de tres tipos de capas: capa de entrada, capa de salida y capa oculta. Un número arbitrario de capas ocultas colocadas entre las capas de entrada y salida son el verdadero motor computacional del MLP. De manera similar a una red de retroalimentación en un MLP, los datos fluyen en dirección directa desde la capa de entrada a la capa de salida.
Los cálculos que se realizan en cada neurona de la salida y de la capa oculta son los siguientes:
RESULTADOS Y EVIDENCIAS
Banco de pruebas final
Protocolo de pruebas
Realice muestreo de señales en el dominio de la frecuencia en el software LabVIEW, el rango de frecuencia a utilizar permite observar 1 armónico de las frecuencias de error. Las pruebas a realizar se muestran en aceleración ya que este es el parámetro en el que se puede visualizar de forma óptima el fallo.
Inducción de Fallas
- Condición Normal
- Falla Externa
- Falla Interna
Para la falla externa, el desgaste de las paredes exteriores del rodamiento se realizó por fricción con una máquina rectificadora industrial. De esta forma se realizaba la inducción quedando un rodamiento con poco ajuste en el eje. Para la falla interna se retiró el casquillo de un lado del rodamiento, luego se eliminó la grasa del rodamiento y se introdujo una partícula de viruta de acero; De esta manera se indujo falla interna por contaminación y falta de lubricación.
Interfaz LabVIEW
Más adelante en el diagrama de bloques de la Figura 74, se muestran los bloques de configuración DAQ. Se seleccionan los canales donde el acelerómetro estará físicamente conectado a la tarjeta de datos. Por otro lado, en la figura 76 se puede ver cómo se puede configurar el bloque para medir el espectro de frecuencias.
Calibración del sensor
Adquisición de datos,
- Prueba 1: Condición Normal
- Prueba 2: Falla Externa
- Prueba 3: Falla Interna
Por otro lado, según las características de la placa del motor, se realizó una conexión en triángulo, ya que el motor estaba conectado a 220v. Tenga en cuenta que la entrada de datos en la placa de características debe corresponder al cableado del motor (estrella/triángulo). Para este caso existía un cable que había que adaptar a los canales DAQ.
Las figuras 85 a 99 muestran los armónicos obtenidos en el eje Y según el plan de pruebas.
Análisis de espectros
Representación de datos obtenidos
Problemas durante el desarrollo
DETECCIÓN Y CLASIFICACIÓN DE FALLAS MEDIANTE REDES
- Red Neuronal Etapa entrenamiento
- Análisis de espectros
- Reducción de componentes
- Etapa de entrenamiento
- Desempeño Etapa de prueba
- Comparación de estrategias
Como se ve en la imagen, al realizar el análisis PCA se puede observar que las condiciones son mixtas, entre el estado normal, falla externa e interna. De la misma manera, para la tipología Perceptrón multicapa se propone de la forma que se muestra en la figura 116. Como se ve en la figura 125, la red MLP también logra identificar el 100% de los datos de entrenamiento, es decir, detecta el tipo de falla. que contenía los cojinetes de cada eje.
Como se puede ver en la figura, la eficiencia de la red MLP fue del 100%, mejor que la de Adaline, que alcanzó el 85%.
CONCLUSIONES
RECOMENDACIONES Y TRABAJO FUTURO
BIBLIOGRAFÍA
Alex, "Detection of Rolling Element Bearing Faults by Vibration Signature Analysis: A Review Annual International Conference on Developing Research Areas: Magnetics, Machinery and Steering. Perinpanayagam, "Diagnosing Rolling Element Bearing Faults Using a EMRAN RBF neural network - demonstrated using real experiment data Sixth International Conference on Natural Computation, Yantai, 2010. A method based on DWT and SVM for rolling element fault diagnosis and its comparison with Artificial Neural Networks.
Diagnostics of multiple rolling bearing faults using wavelet kurtogram and vector median-based function analysis.
ANEXOS
