ES2333402T3 - Sistema de analisis por honda de tension distribiuda. - Google Patents

Sistema de analisis por honda de tension distribiuda. Download PDF

Info

Publication number
ES2333402T3
ES2333402T3 ES00984426T ES00984426T ES2333402T3 ES 2333402 T3 ES2333402 T3 ES 2333402T3 ES 00984426 T ES00984426 T ES 00984426T ES 00984426 T ES00984426 T ES 00984426T ES 2333402 T3 ES2333402 T3 ES 2333402T3
Authority
ES
Spain
Prior art keywords
defect
analysis
identification
detection
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Lifetime
Application number
ES00984426T
Other languages
English (en)
Inventor
David B. Board
Craig Hughes
Michael Caulfield
Sylvia Andrews
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Curtiss Wright Flow Control Corp
Original Assignee
Curtiss Wright Flow Control Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Curtiss Wright Flow Control Corp filed Critical Curtiss Wright Flow Control Corp
Application granted granted Critical
Publication of ES2333402T3 publication Critical patent/ES2333402T3/es
Anticipated expiration legal-status Critical
Expired - Lifetime legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/14—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object using acoustic emission techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4463—Signal correction, e.g. distance amplitude correction [DAC], distance gain size [DGS], noise filtering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/4481—Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/46—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by spectral analysis, e.g. Fourier analysis or wavelet analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
    • G01N29/52—Processing the detected response signal, e.g. electronic circuits specially adapted therefor using inversion methods other that spectral analysis, e.g. conjugated gradient inversion
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/01—Indexing codes associated with the measuring variable
    • G01N2291/015—Attenuation, scattering
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/10—Number of transducers
    • G01N2291/106—Number of transducers one or more transducer arrays

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Artificial Intelligence (AREA)
  • Acoustics & Sound (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Chemical And Physical Treatments For Wood And The Like (AREA)
  • Control Of Eletrric Generators (AREA)
  • Emergency Protection Circuit Devices (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

Un sistema de análisis de ondas de tensión distribuidas para la identificación y análisis de un defecto en uno o más componentes de una máquina, comprendiendo: medios para la detección de un defecto en al menos un componente de una máquina, incluyendo dichos medios para la detección una red de detección de anomalías para la identificación de características anormales en los datos adquiridos seguidos de la realización de una primera prueba de confianza X de N, incluyendo también dichos medios para la detección una red de detección de defectos activada por dicha red de detección de anomalías y la primera prueba de confianza X de N para confirmar o rechazar una condición de posible discrepancia identificada por dicha red de detección de anomalías, realizando dicha red de detección de defectos una segunda prueba de confianza X de N para la confirmación o rechazo de la condición de discrepancia identificada por dicha red de detección de anomalías, medios para la localización del defecto detectado; y medios para el aislamiento de una fuente del defecto.

Description

Sistema de análisis por onda de tensión distribuida.
Antecedentes de la invención 1. Campo de la invención
La invención se refiere de modo general a sistemas de diagnóstico mecánico y particularmente a un sistema de análisis de onda de tensión distribuida para la detección de sonidos transportados por la estructura producidos por la fricción.
2. Descripción de técnicas anteriores
Todas las técnicas de diagnóstico se seleccionan para detectar componentes discrepantes y supervisar su tasa de degradación hasta el final de su vida útil. Por ello, se relacionan próximamente con la fiabilidad inherente y con la tasa a la que se degradan los componentes desde el inicio del defecto hasta la pérdida de su función deseada.
Dado que se usan a menudo las técnicas de diagnóstico durante las inspecciones planificadas, el concepto de mantenimiento e inspección de aeronaves forma una interfase crítica con el diagnóstico. El diagnóstico es la "puerta" a través de la que deben interrelacionarse los conceptos de fiabilidad básica, intervalos de progresión del fallo y mantenimiento/inspección para producir la disponibilidad, seguridad y tasas de sustitución de componentes para el sistema completo.
Una de las relaciones clave en la detección de fallos es aquella entre el intervalo de progresión del fallo y el intervalo de inspección. Esta relación determina cuán frecuentemente la técnica de diagnóstico tendrá una oportunidad de detectar una discrepancia durante la progresión de un fallo. El concepto de esta relación, es lo que ha causado inspecciones frecuentes sobre aeronaves del ejército, por ejemplo, para proporcionar la máxima probabilidad de detección.
Las técnicas de diagnóstico de los helicópteros del ejército se optimizan típicamente para asegurar una tasa de accidentes mínima. Sin embargo, esto se ha logrado a costa de la fiabilidad de las misiones (abortadas innecesariamente) y tiempo medio entre sustituciones ("MTBR", del inglés Mean Time Between Removals) (debido a sustituciones incorrectas o prematuras). En varias de las últimas décadas, se han gastado muchos millones de dólares para mejorar la fiabilidad inherente y los intervalos de progresión del fallo con relación a los modos de fallo históricamente significativos. Sin embargo, en muchos casos, los beneficios principales para el MTBR y la fiabilidad de las misiones de un tiempo medio entre fallos ("MTBF", del inglés Mean Time Between Failures) superior y una progresión del fallo más lenta no puede ser materializados sin alguna mejora en la puerta del diagnóstico.
Hay cuatro parámetros básicos que definen la precisión y la eficacia de cualquier técnica de diagnóstico. Estos parámetros se definen como sigue:
P1 - la probabilidad de declarar como buena una pieza buena;
P2 - la probabilidad de declarar como mala una pieza buena (este parámetro representa indicaciones falsas y P2 = 1 - P1);
P3 - la probabilidad de declarar como buena una pieza mala (estos son los niveles de degradación no detectados P3 = 1 - P4); y
P4 - la probabilidad de declarar como mala una pieza mala (estas son las piezas degradadas identificadas correctamente).
La eficacia de cualquier técnica de diagnóstico depende del nivel de detección utilizado para indicar una condición de degradación. Para cada posible nivel de detección, hay un conjunto asociado de valores de eficacia P1 y P4. Las variaciones de los niveles de detección producen invariablemente cambios divergentes en P1 y P4.
Los parámetros de eficacia P1 y P4 se relacionan también con el número de veces que se usa la técnica de diagnóstico durante la progresión de un defecto desde la "discrepancia inicial" hasta el "final de la vida útil". Cuanto más a menudo se realiza la prueba, mayor es la oportunidad de detectar el proceso de fallo. En tanto que la probabilidad "instantánea" de detectar un defecto es función del nivel de detección, la probabilidad "acumulada" es una función del intervalo de utilización de la técnica y de la tasa de progresión del fallo. La siguiente ecuación define cómo las probabilidades instantáneas se convierten en probabilidades acumuladas de detección del defecto.
Ecuación AP_{4C} = 1 - (1 - P_{4d})^{n}
\newpage
Donde:
P_{4C} =
La probabilidad acumulada de detección después de "n" usos de la técnica de diagnóstico.
P_{4d} =
La probabilidad de detección después de cada uso de la técnica de diagnóstico (un "ciclo de decisión").
n =
El número de veces que se usa la técnica de diagnóstico durante el intervalo de progresión del fallo.
\vskip1.000000\baselineskip
La eficacia en coste del MTBR y de la técnica de diagnóstico son elementos inseparables en el ajuste de los niveles de indicación para cualquier técnica actual o propuesta. Excepto para los ahorros de coste atribuibles a accidentes impedidos por las indicaciones de diagnóstico/pronóstico, no hay otra área en donde puedan obtenerse ahorros de coste significativos en entornos tales como el entorno de la aviación militar. El MTBR es una expresión de la tasa a la que todas las sustituciones de componentes tienen lugar, independientemente de si se justificaron o no las sustituciones. Por ello, las sustituciones incorrectas debido a indicaciones de diagnóstico falsas son un factor que contribuye al MTBR global. En consecuencia, es vital fijar unos niveles de indicación que (a) detectarán con fiabilidad la presencia de la degradación tempranamente en el intervalo de progresión del fallo y (b) tendrán una muy baja probabilidad de indicaciones falsas cuando se usan para probar componentes sanos en un periodo de tiempo que es mayor que el MTBF inherente del componente. El mismo tipo de análisis se aplica también al tiempo medio entre aterrizajes por precaución, abortos de misiones y acciones de mantenimiento para las técnicas de diagnóstico indicaciones que den como resultado estas eventualidades.
Es a una resolución eficaz en la obtención de esas indicaciones precisas a donde se dirige la presente invención.
Sumario de la invención
La presente invención proporciona un sistema de análisis de ondas de tensión distribuidas para la detección de sonidos transportados por la estructura producidos por la fricción. La información detectada se procesa usando software de extracción de características y de inteligencia artificial en red polinómica. El sistema consiste en sensores de ondas de tensión, cables de interconexión y preferiblemente tres módulos: (1) unidades de procesamiento distribuido ("DPU", del inglés distributed processing units), (2) panel consultivo de mantenimiento ("MAP", del inglés maintenance advisory panel) y (3) ordenador portátil ("LTC", del inglés laptop computer).
Donde el sistema se aplica a los componentes del tren de accionamiento de un helicóptero, los sensores, el DPU y el MAP pueden ser componentes llevados a bordo, mientras que el LTC se basa en tierra. El DPU puede tener una interfase serie para la integración dentro del Registrador de Datos de Vuelo o el Sistema de Supervisión de Utilización Saludable ("HUMS", del inglés Health Usage Monitoring System).
La parte del análisis de onda de tensión ("SWAN", del inglés stress wave analysis) del sistema es una tecnología de detección acústica de alta frecuencia y de acondicionamiento de señales que proporciona una historia en el tiempo de los eventos de choque y fricción en una máquina, tal como en un tren de accionamiento de un helicóptero. La parte SWAN del sistema es similar al análisis de ondas de tensión descrito y mostrado en la Patente de Estados Unidos Nº 5.852.793 expedida a Board et ál. (Patente 793), cuya descripción se incorpora en el presente documento por referencia. Un tren de pulsos de onda de tensión derivados ("SWPT", del inglés stress wave pulse train) es independiente de los niveles de vibración base y del ruido audible. El SWPT preferiblemente se digitaliza y se utiliza para extraer características de firma, que cuando se procesan por las redes neuronales de ecuaciones polinómicas, caracterizan la salud mecánica de los componentes supervisados.
El sistema incluye una arquitectura ajustable de fusión de datos para optimizar los niveles de indicación, maximizar la probabilidad de detección del defecto y minimizar las falsas alarmas. Las pruebas del sistema preferiblemente indican un 100% de probabilidad de detección del daño en un engranaje o cojinete en una hora de operación con una condición discrepante y menos de un décimo de un uno por ciento de oportunidad de una falsa alarma durante 1000 horas de operación con los componentes saludables. Además, para la detección de defectos con precisión, el software utilizado por el sistema localizará un defecto, aislará su causa a bien una fuente en engranaje o en cojinete, mostrará la degradación en porcentaje y estimará su vida útil restante.
La aplicación de las técnicas de inteligencia artificial para la clasificación de las características SWPT actualiza la tecnología actual para obtener una capacidad precisa, en tiempo real de diagnóstico en todos los niveles de potencia de vuelo. Sin embargo, debería reconocerse que el hardware y el software del sistema operativo de la presente invención son fácilmente adaptables a otras numerosas aplicaciones móviles y fijas y todas las aplicaciones se consideran dentro del alcance de la invención.
En consecuencia, es un objeto de la invención proporcionar un sistema que realiza análisis de onda de tensión distribuida en uno o más componentes de una máquina o equipo.
Es otro objeto de la invención proporcionar un sistema para la detección de modo fiable de la presencia de degradación de un componente precozmente en el intervalo de progresión del fallo.
Es otro objeto de la invención proporcionar un sistema que tiene una muy baja probabilidad de indicaciones falsas cuando se usa para probar componentes saludables durante un período de tiempo que es mayor que el tiempo medio entre fallos inherente del componente.
Es aún otro objeto de la invención proporcionar un sistema que estima la vida útil restante de un componente degradado.
Es aún otro objeto más de la invención minimizar el tiempo de indisponibilidad del equipo y máquinas.
De acuerdo con estos y otros objetos que serán evidentes posteriormente en el presente documento, se describirá ahora la presente invención con referencia particular a los dibujos adjuntos.
Breve descripción de los dibujos
La Figura 1 es un diagrama de bloques del sistema de Análisis de Ondas de Tensión Distribuidas de la presente invención;
la Figura 2 es un diagrama de bloques de la Arquitectura de Fusión de Datos de Diagnóstico y Pronóstico utilizada para implementar la Fusión de Datos del sistema de Análisis de Ondas de Tensión Distribuidas de la Figura 1;
la Figura 3 es un diagrama de bloques de ciertos programas implementados por el ordenador portátil ilustrado en la Figura 1;
la Figura 4 ilustra la pantalla principal de la interfase de usuario mostrada por el ordenador portátil ilustrado en la Figura 1;
la Figura 5 ilustra una parte del archivo de Historia en el Tiempo del Tren de Pulsos de la Onda de Tensión; y
la Figura 6 ilustra un "Formato de Evaluación" del usuario para su uso con la presente invención.
Descripción de las realizaciones preferidas
Como se ve en la Figura 1 se ilustra el sistema global de la presente invención y se designa de modo general el sistema de análisis de ondas de tensión distribuidas ("DSWAN") 20. El sistema 20 consiste generalmente en uno o más y preferiblemente una diversidad de sensores de ondas de tensión 30, cables de interconexión y tres tipos de módulos: (unidades de procesamiento distribuido ("DPU") 50, un panel consultivo de mantenimiento ("MAP") 70 y un ordenador portátil ("LTC") 96, tal como, pero no limitado a, un ordenador portátil convencional que tiene un procesador PENTIUM o superior y preferiblemente ejecutando WINDOWS 95 o superior. Sin embargo, debería entenderse que el sistema 20 no se limita a su uso con procesadores PENTIUM y software operativo WINDOWS y pueden utilizarse otros microprocesadores y software operativo con la presente invención y todos se consideran dentro del alcance de la presente invención. Se utilizan cables de los sensores para conectar las DPU 50 a los sensores 30, en tanto que cables de comunicación serie y de potencia conectan las DPU 50 al MAP 70. Puede proporcionarse también un cable de entrada MAP para llevar la alimentación del equipo (es decir la alimentación a 28 V c.c. de la aeronave) al MAP 70 para su distribución a las DPU 50.
Preferiblemente, los sensores 30, las DPU 50 y el MAP 70 son componentes llevados a bordo del sistema 20 y el LTC 96 está basado en tierra, cuando el sistema 20 se usa conjuntamente con los componentes del tren de accionamiento del helicóptero. Sin embargo, el sistema 20 puede usarse en muchos otras aplicaciones móviles y fijas, incluyendo, pero sin limitarse a, diagnosticar la condición de los engranajes y cojinetes en numerosos tipos de trenes de accionamiento mecánicos tales como componentes de radar, equipo de propulsión principal y maquinaria de navíos y transmisiones de automóviles y helicópteros. Las DPU 50 pueden interrelacionarse también directamente con otros ordenadores móviles y/o fijos a través del bus de comunicaciones adecuado.
Preferiblemente, cada DPU 50 explora hasta ocho (8) localizaciones de sensores 30, extrae la señal de fricción y choque del ruido en banda ancha y utiliza el software de la Red de Detección de Anomalías ("ADN", del inglés Anomaly Detection Network) 52 para detectar firmas de fricción/choque anormales en los componentes supervisados. Los otros sensores 30 pueden tener una función doble de (1) supervisar un componente asociado y (2) usarse por el software de auto comprobación para comprobar y calibrar la DPU 50 asociada. Cada CPU 50 también contiene un software de la Red de Diagnóstico y Pronóstico ("DPN" del inglés, Diagnostic and Prognostic Network) para las Redes de Validación de Sensores ("SVN", del inglés Sensor Validation Networks) 54, Redes de Reconocimiento del Régimen ("RRN", del inglés Regime Recognition Networks) 56 y auto prueba. Cuando se detecta un problema potencial por una DPU 50, se enciende ("ON") un indicador asociado en el MAP 70. Puede usarse el LTC 96, durante una inspección posterior al vuelo, para descargar, analizar y visualizar los problemas detectados y previstos. El LTC 96 puede usarse también para subir software nuevo o actualizado a la memoria de la DPU 50 o para reprogramar la DPU 50 para su uso con un conjunto de sensores 30 diferente.
En una realización, cada DPU 50 consiste preferiblemente en cuatro (4) conjuntos de tarjetas de circuitos ("CCA", del inglés Circuit Card Assemblies) y dos (2) circuitos impresos flexibles ("FPC", del inglés Flexible Printed Circuits) contenidos dentro del envolvente que tenga dos (2) conectores de entrada/salida (I/O) preferiblemente montados sobre un lateral. Los cuatro CCA consisten preferiblemente en un módulo de procesamiento digital de señales ("DSP", del inglés Digital Signal Processing), un módulo de control de comunicaciones serie y dispositivos periféricos ("SIO"), un módulo de interfase de sensores y acondicionamiento de señales ("SIF") y un módulo de fuente de alimentación ("PS", del inglés Power Supply).
El módulo DSP se usa como el controlador del sistema de las DPU 50 y procesa las señales de los sensores 30 digitalizadas. El módulo DSP, a través de su unidad central de proceso ("CPU"), comunica con los recursos periféricos de las DPU 50.
El módulo SIO puede usarse como (1) un control de la interfase de comunicaciones de recursos internos de las DPU 50, (2) control de la interfase de comunicaciones serie externas de las DPU 50, (3) una interfase externa discreta de detección de defectos. El módulo SIO puede usarse también para (1) conversión analógica a digital, (2) conversión digital a analógica, (3) memoria con respaldo de batería, (4) distribución de alimentación y (5) supervisión de temperatura. El módulo SIO preferiblemente contiene la lógica del control de la interfase periférica, que habilita a la CPU para comunicarse con todos los recursos dentro de la DPU 50. Estos recursos incluyen (1) los registradores de control de estado, (2) los controladores de comunicaciones serie ("SCC", del inglés serial communications controller) (que soportan tanto protocolos síncronos como asíncronos), (3) sensores de temperatura, (4) SRAM apoyada por batería, (5) convertidor analógico a digital ("ADC") que convierte la señal de entrada del sensor 30 acondicionada en un código digital para su procesamiento por la CPU, (6) convertidor digital a analógico ("DAC") para la conversión del código digital en una señal analógica y se usa para generar una forma de onda para comprobar la electrónica de acondicionamiento de señales y el recorrido de cada entrada del sensor 30 y (7) entradas y salidas discretas.
Las tensiones de la fuente de alimentación se dirigen al ADC para permitir una supervisión de la fuente de alimentación. La SRAM es capaz preferiblemente de retener sus datos con tensiones de alimentación de dos voltios y con muy baja intensidad. La SRAM se conmuta preferiblemente a la alimentación desde la batería cuando la alimentación principal no está aplicada y proporciona almacenamiento no volátil para los datos de la energía de la onda de tensión en ausencia de alimentación desde el sistema 20.
Unos componentes discretos aislados ópticamente proporcionan una interfase externa que se puede usar para ajustar y reponer un indicador de defectos sobre el MAP 70. Se puede proporcionar un dispositivo reprogramable para el control de las funciones lógicas localizado en el módulo SIO. El módulo SIO distribuye la alimentación al módulo DSP y al módulo SIF, preferiblemente a través de conectores de acoplamiento.
El módulo SIF se utiliza para el accionamiento a intensidad constante del sensor y la interfase de multiplexado, acondicionamiento de la señal de entrada de los sensores, calibración electrónica del acondicionamiento de señales, multiplexado de las señales de entrada del convertidor analógico a digital, interfase del emulador, interfase de programación del circuito integrado programable y supervisión de temperatura y también incluye potenciómetros digitales. El módulo SIF proporciona accionamiento a intensidad constante, almacenamiento de entradas y circuitos de multiplexado de las entradas para soportar una diversidad de canales de sensores tales como ocho canales. El módulo SIF proporciona también circuitos de filtrado de las señales analógicas para la separación de las señales de la onda de tensión detectadas por los sensores 30 del ruido y vibraciones de fondo en banda ancha.
Los circuitos de filtrado de la señal analógica también demodulan la señal de la onda de tensión en alta frecuencia en un tren de pulsos de onda de tensión en baja frecuencia. El tren de pulsos de onda de tensión se digitaliza entonces para su análisis por el software del DPN. El módulo SIF proporciona también el multiplexado de las entradas al ADC, así como el demultiplexado utilizado para dirigir las salidas del DAC (con propósitos de prueba) a cada entrada del sensor 30.
El módulo SIF proporciona un sensor de temperatura digital, un sensor de la señal analógica de par y una entrada analógica discreta que tiene un nivel de disparo programable y una entrada para permitir que los datos del tren de pulsos de la onda de tensión registrados se inyecten en la DPU 50 para análisis. El módulo SIF puede proporcionar también puntos de fijación y almacenamiento de la señal para el emulador del sistema y la interfase usada para la programación del dispositivo reprogramable sobre el módulo SIO.
En una realización, se genera la intensidad constante mediante los circuitos de entrada del sensor 30 proporcionados mediante un regulador de intensidad de diodo polarizado directamente preferiblemente mediante veinticuatro voltios c.c. Las entradas del sensor 30 pueden almacenarse, multiplexarse a una salida simple, filtrarse con filtro paso alto para eliminar la polarización en continua y entonces alimentarse a través de la electrónica de acondicionamiento de señales. La sección de la electrónica de acondicionamiento de señales del módulo SIF puede incluir etapas de ganancia programables controladas digitalmente, una etapa paso banda sintonizable con reloj controlado digitalmente, una etapa de demodulación y una etapa de filtro paso bajo ajustable con reloj controlado digitalmente. La salida de la sección electrónica del SIF y otros puntos posibles de la sección, se alimentan preferiblemente al multiplexor de entrada del ADC. Puede inyectarse una señal de prueba, obtenida desde el DAC, en el almacén de entrada del sensor 30 para prueba, así como calibración, de los circuitos.
El módulo PS puede usarse para la conversión de la alimentación de entrada para su uso por la electrónica de la DPU 50, el reloj en tiempo real, la batería (es decir NiCd recargable) para la memoria apoyada por batería, el cargador de la batería integrado y la supervisión de temperatura. En ausencia de alimentación, la batería mantiene el reloj en tiempo real funcionando y retiene los datos en la memoria apoyada por batería localizada en el módulo SIO. El módulo PS puede incluir una diversidad de convertidores de alimentación continua a continua. Preferiblemente, el reloj en tiempo real se proporciona con un cargador de batería de carga lenta integrado.
El MAP 70 puede ser preferiblemente un panel de comunicaciones para la interfase de las DPU 50 del sistema 20, por medio de unas líneas de comunicación serie convencionales RS-232. El MAP 70 puede controlar con fusibles y distribuir la tensión a las DPU 50. El MAP 70 preferiblemente tiene un indicador para cada DPU 50, que da una indicación visual de los defectos detectados. En una realización, el MAP 70 acepta la alimentación desde el equipo supervisado (es decir la aeronave) y la distribuye a las DPU 50. El MAP 70 tiene una diversidad de indicadores, tales como cuatro, cada uno bajo el control de una DPU 50 diferente. Los indicadores pueden enclavarse magnéticamente y mantener su estado hasta que se les dé instrucciones de reposición. Los indicadores proporcionan preferiblemente una alarma visible de la detección de una condición de anomalía por una DPU 50.
El software usado por la DPU 50 sirve para 3 operaciones básicas: (1) proporcionar auto comprobaciones (a) conexión - puede realizarse una auto-comprobación integral y (b) operaciones normales - auto comprobación de confianza que puede ejecutarse periódicamente; (2) rutinas de comunicación serie - comunican con el LTC 96 y los puertos de depuración y permiten al usuario transferir datos, reconfigurar la DPU 50 y controlar el funcionamiento de la DPU 50 y (3) pruebas de los sensores 30 - contienen todas las funciones necesarias para procesar las entradas de los sensores 30 y determinar la salud de los componentes supervisados.
El software de la DPU 50 consiste preferiblemente en un bucle infinito, donde se inicia la comprobación de los sensores 30 en el arranque o mediante un comando. El software evalúa las entradas de los sensores 30 para determinar si el equipo (es decir la aeronave) es operativo. El equipo puede considerarse operativo, donde una cantidad predeterminada de los valores de la energía de las ondas de tensión ("SWE", del inglés stress wave energy) de los sensores 30 están por encima de un valor mínimo que corresponde preferiblemente a una carga mínima sobre las que los algoritmos de diagnóstico se han entrenado. Una vez que se cumple la condición, las características y los datos de captura de los transitorios pueden guardarse en los almacenes no volátiles de la DPU 50.
Preferiblemente los datos de los sensores 30 se guardan durante cada ciclo de exploración, hasta al menos un cierto número de ciclos de exploración (por ejemplo 10) se guardan dentro del almacén. Una vez que se han guardado el número de ciclos de exploración requerido, los datos característicos del sensor pueden guardarse a intervalos mínimos predeterminados (es decir cada veinte segundos).
Los datos del historial en el tiempo digitalizado (captura de transitorios) se guardan también cuando los datos característicos en el dominio del tiempo procesados desde cualquier ADN individual de los sensores se ha determinado que es un evento del peor caso. En tal evento, los datos correspondientes desde todos los otros sensores 30 se guardan también. Una vez está lleno el almacén, el registro del ciclo más antiguo se reemplazará con los datos nuevamente adquiridos.
Preferiblemente, el modo de funcionamiento del equipo o máquina supervisado se considera "en régimen" cuando las condiciones están dentro del intervalo de par especificado. Se utiliza un software de reconocimiento de régimen multisensor 56, basándose en una cantidad predeterminada de sensores 30 que indican el funcionamiento dentro del intervalo, para indicar que el par del sistema global se considera que está dentro del régimen de funcionamiento. Cuando se está "En Régimen" los sensores 30 se comprueban preferiblemente cada vez que se exploran utilizando uno de los SVN 54. Cuando un sensor 30 falla en sus indicaciones válidas una cantidad predeterminada de veces (por ejemplo 8 de 10), se considera entonces "Inválido". El sensor 30 puede retomar un estado de "Válido" cuando su salida vuelve a "normal" según se determina mediante el SVN 54. Sin embargo, cuando se considera "Inválido" al sensor 30, cualquier red de detección de defectos ("FDN", del inglés Fault Detection Network) 80a que requiera su entrada, será preferiblemente inhabilitada del procesamiento.
Cada sensor 30 tiene su propia prueba de red y confianza 58 para determinar si ha ocurrido alguna anomalía. Si cualquier ADN 52 determina una condición de anomalía, al menos un indicador del MAP 70 es encendido. La DPU 50 continúa recogiendo datos del sensor y captura de transitorios, hasta un momento en el que los niveles del SWE caen por debajo de los límites funcionales mínimos o son comandados en otro modo para detenerse o pararse. La descarga de los datos históricos del sensor y los datos de captura de transitorios desde la memoria de la DPU 50 es comandada preferiblemente por el LTC 96.
El sensor utilizado por el LTC 96 permite al usuario recoger datos de la DPU 50 y almacenar los datos recogidos en una base de datos para análisis. El software SWAN permite al usuario ejecutar un análisis más detallado de un evento, trazar las tendencias en los datos recogidos y crear salidas para informes. El LTC 96 sirve a las siguientes cuatro funciones: (1) conectarse a la de DPU 50 por medio de la interfase serie del MAP 70; (2) descargar datos desde la DPU 50; (3) evaluar ciertas condiciones basándose en los datos descargados y (4) reconfigurar la DPU 50 mediante la subida de nuevos códigos y/o argumentos. Como se ilustra en la Figura 3, el LTC 96 contiene un programa principal (LTC.exe) y un programa de DSP I/O (pserialio.exe). El programa principal proporciona la interfase de usuario en tanto que el programa DSP I/O maneja la interfase con el módulo DSP. La Figura 4 ilustra la pantalla principal de la interfase de usuario, que se muestra mediante el LTC 96.
El menú del LTC 96 consiste preferiblemente en los siguientes apartados:
100
101
El apartado del menú Procesadores-Datos detiene la DPU 50 y recoge los datos de parte de la DPU, Unidad DPU Bajo Pruebas ("UUT"; del inglés Unit Under Test), estado de la DPU, Minutos de Funcionamiento Transcurridos ("EOM", del inglés Elapsed Operating Minutes), Prom ID, Código OP, En régimen y No en régimen para cada sensor 30 que indica un fallo de anomalía y todos los registros de prueba de la DPU 50. Estos datos se colocan en la base de datos.
El apartado del menú Unidad en Prueba-Evaluación recupera los datos de la base de datos y evalúa la salud de la UUT como sigue: (1) Utiliza la Red de Localización de Defectos y la Prueba de Confianza X de n para validar cualquier anomalía de sensor indicada; (2) Escoge la anomalía de sensor validada con los datos más extremos; (3) Utiliza la red de Localización de Defectos para evaluar defectos en el Módulo de Entrada de Babor ("PIM", del inglés Port Input Module), Módulo de Entrada de Estribor ("SIM", del inglés Starboard Input Module) y/o Módulo Principal ("MM", del inglés Main Module); (4) Utiliza la red de Aislamiento de Defectos para evaluar el defecto en el Engranaje y/o Cojinete; (5) Calcula el Porcentaje de Degradación y (6) Calcula la Vida Útil.
El software de extracción de características ("FE", del inglés Feature Extraction) se proporciona preferiblemente para la calificación precisa del SWPT y la compresión de los archivos de Historia en el Tiempo ("TH", del inglés Time History) 74 creados a partir de los datos del SWPT digitalizados. El software FE puede ser modular, y puede usarse también en dos versiones: (1) modo de análisis y (2) modo de DPU. El modo de análisis se usará preferiblemente en un entorno de PC para el desarrollo de tablas de entrada para la síntesis y prueba de las DPN. El modo DPU proporciona preferiblemente la forma operativa del software, como lo requiere la DPU 50 del LTC 96. Preferiblemente, se utilizan dos tipos de FE (1) dominio del tiempo ("TD") 70 y dominio de frecuencia ("FD") 72. El TD 70 comienza con el archivo TH 74 del SWPT. Se aplican las transformadas matemáticas preferiblemente a los datos de series en el tiempo para la clasificación de las diversas características de forma de onda incluyendo la amplitud del pulso, la duración y el contenido de energía. El FD 72 analiza la forma de onda preferiblemente utilizando técnicas de transformadas de Fourier y proporciona, a través de una subrutina de análisis del espectro, una salida de la amplitud de la señal en función de la frecuencia.
Así, el FE 70 extrae las características TD de los archivos de datos del SWPT. El software TDFE 70 comprime preferiblemente los datos en las diversas características de forma de onda. Como se ve en la Figura 5, se ilustra una parte del archivo SWPT TH 74. La Ventana ("W") es preferiblemente un número de milisegundos definidos por el usuario (seleccionados típicamente como el período que corresponde a una frecuencia de máquina característica). La longitud de W es preferiblemente constante para el registro de datos completo. Una longitud del registro de datos ("R") es la duración de tiempo total representada por el archivo de datos.
Preferiblemente, casi dos de las características extraídas del SWPT 74 dependen de la que se exceda un umbral límite "L". Este límite L se calcula para cada ventana preferiblemente como un múltiplo de la media del 10% de los valores positivos más bajos de las amplitudes instantáneas "A_{i}" de las SWPT durante la ventana. El factor de umbral límite (LTF) para el cálculo de L es constante para toda la duración del registro y puede fijarse por el analista. El LTF preferiblemente afecta a treinta y cinco (35) de las treinta y siete (37) características del dominio del tiempo y se usa para calcular el umbral que determina cuándo la señal del SWPT está "saltando" con respecto al nivel base. Puede proporcionarse un valor por defecto para el LTF en el TDFE 70 de la DPU 50, tal como un valor de cinco (5).
Las siguientes representan las definiciones para los apartados que aparecen en la Figura 5 y las características calculadas a partir del archivo de historia en el tiempo 74 del SWPT:
(a)
Duración del Pico de la Onda de Tensión (SWPD, del inglés Stress Wave Peak Duration) - El periodo de tiempo entre una rotura hacia arriba del umbral L y cuando el siguiente A_{i} cae por debajo de L;
(b)
Amplitud del Pico de la Onda de Tensión (SWPA, del inglés Stress Wave Peak Amplitude) - El valor máximo de A_{i}, durante el SWPD;
(c)
Energía del Pico de la Onda de Tensión (SWPE, del inglés Stress Wave Peak Energy) - La suma de (A_{i} - L) para cada punto de datos durante el SWPD;
(d)
Energía del Pico de la Onda de Tensión por Ventana (SWPE/W) - La suma de todos los valores individuales SWPE durante una ventana;
(e)
Energía de la Onda de Tensión por Ventana (SWE/W) - La suma numérica de todos los valores A_{i} mayores que cero para todos los puntos de datos que tienen lugar durante todas las ventanas de un registro de datos;
(f)
Factor de Energía Pico por Ventana (PEF/W, del inglés Peak Energy Factor /W) - La relación entre el SWPE/W y el SWE/W.
(g)
Energía de la Onda de Tensión por Registro (SWE/R) - La suma numérica de todos los valores A_{i} mayores que cero para todos los puntos de datos que tienen lugar durante todas las ventanas de un registro de datos;
(h)
Energía Pico de la Onda de Tensión por Registro (SWPE/R) - La suma de todos los valores individuales SWPE durante un registro;
(i)
Factor de Energía Pico por Registro (PEF/R) - La relación entre el SWPE/R y el SWE/R.
(j)
Picos por Registro (PEAKS/R) - El número total de picos del SWPT que tienen lugar durante un registro; y
(k)
Amplitud del Pico de la Onda de Tensión por Registro (SWPA/R) - El valor máximo de A_{i} durante el registro.
\vskip1.000000\baselineskip
Pueden calcularse también cuatro parámetros estadísticos (S1, S2, S3 y S4) para cada una de las 5 características de la duración de la ventana, para el registro completo. Estos mismos 4 parámetros estadísticos (que describen las Distribuciones de la Densidad de Probabilidad de las características extraídas) se calculan para todos los valores SWPA individuales en el registro. Esto preferiblemente conduce a 37 parámetros estadísticos en el dominio del tiempo de los SWPT. Los parámetros estadísticos (S1, S2, S3 y S4) se definen como sigue:
(1) S1 - Prueba del 3^{er} momento de la Distribución Normal; (2) S2 - Valor máximo de la población; (3) S3 - La relación de (Máximo - Medio)/(Máximo - Mínimo); y (4) S4 - La relación de la desviación estándar de la población a la media de la población.
La versión Modo de Analista del software FE preferiblemente da formato a las 37 características en el dominio del tiempo en una hoja de cálculo que clasifica con precisión a los SWPT en el Dominio del Tiempo. El modo DPU del software FE, almacena las características extraídas, preferiblemente como un bloque de enteros (palabras) de 32 bits, adecuados para su procesamiento por las DPN almacenadas en las memorias de las DPU 50 y para la descarga a la estación base del LTC 96.
La Extracción de Características en el Dominio de Frecuencia ("FDFE") 72 comienza con el procesamiento del archivo SWPT TH 74 mediante un módulo de análisis de espectro FFT. El espectro de la Densidad Espectral de la Onda de Tensión ("SWSD", del inglés Stress Wave Spectral Density) se obtiene mediante la media del valor eficaz, preferiblemente, diez (10) registros de tiempo individuales con el 60% de solapamiento de datos. Cada SWSD puede convertirse en una tabla, que identifica la amplitud de la señal dentro de la cantidad predeterminada de líneas de frecuencia. El intervalo espectral proporcionado contiene todas las frecuencias de defectos fundamentales para el equipo supervisado. Las líneas de frecuencia se agrupan entonces en bandas (por ejemplo 65 bandas de 20 líneas - 50 Hz), y se calcula preferiblemente la amplitud media para todas las 1300 líneas y la amplitud máxima en cada banda. La relación del máximo en cada banda a la media de las 1300 líneas se calcula y se tabula como relaciones "pico a media" para cada banda. El software del FDFE 72 calcula a continuación la relación de la amplitud máxima en todas las 1300 líneas a la media de todas las 1300 líneas. Finalmente, puede calcularse la desviación estándar para las relaciones "pico a media" para las bandas. Las relaciones "pico a media", la magnitud de la amplitud de 1300 líneas, la relación máxima a media y la desviación estándar de la relación "pico a media" se tabulan preferiblemente como sesenta y ocho características que clasifican a los SWPT en el dominio de la frecuencia.
El sistema 20 preferiblemente incluye 6 redes de toma de decisión diferentes: (1) Redes de Detección de Anomalía ("ADN") 52; (2) Redes de Detección de Defecto ("FDN") 80a; (3) Redes de Localización de Defectos ("FLN", del inglés Fault Location Networks) 80b; (4) Redes de Aislamiento de Defectos ("FIN", del inglés Fault Isolation Networks) 82; (5) Redes de Validación de Sensores ("SVN") 54 y Redes de Reconocimiento del Régimen ("RRN") 56. Estas redes consisten preferiblemente en ecuaciones polinómicas, que se implementan como objetos de software separados.
Las características, que clasifican con precisión las SWPT tanto en los dominios del tiempo como de la frecuencia, se calculan con Software de Extracción de Características personalizado. Estas características calculadas se usan entonces como entradas para la redes de toma de decisiones de ecuaciones polinómicas que detectan condiciones discrepantes y miden su severidad. Las redes de ecuaciones polinómicas se usan para clasificar automáticamente los datos de la onda de tensión como representativos tanto de componentes saludables como mecánicamente discrepantes. El software de modelizado numérico se usa para sintetizar y evaluar las redes de diagnóstico, que usan un conjunto de "características" extraídas de las SWPT como entradas.
Como se ve en la Figura 2, se ilustra la arquitectura de cómo las diferentes redes de diagnóstico y pronóstico se relacionan entre sí en el sistema 20. El punto de comienzo para cada una de las redes es un archivo de historia en el tiempo digitalizado 74 de la señal SWPT que es la salida del acondicionador de señal analógica ("ASC", del inglés analog signal conditioner) de la DPU 50. El archivo 74 se procesa mediante el módulo de software de Extracción de Características en el Dominio del Tiempo ("TDFE") 70 para comprimir los datos. En una realización, el archivo 74 representa aproximadamente 80 kBytes (basándose en una captura de 2 segundos, 20 kHz), que se comprime mediante el módulo TDFE 70 a aproximadamente 2,64 kBytes de información. Sin embargo, debería comprenderse que las cantidades de información que pueden contenerse en el archivo 74 y pueden realizarse otras relaciones de compresión por el módulo TDFE 70 y todas se consideran dentro del alcance de la invención.
El ASC y el sistema operativo de la DPU 50 supervisan los correspondientes sensores 30 para circuitos abiertos y cortocircuitos. Si se detecta un circuito abierto o un cortocircuito, se interrumpe el procesamiento para los algoritmos que requieren las entradas desde el sensor 30 defectuoso. Cada sensor 30 puede proporcionarse con un SVN 54 que es una red de diagnóstico que detecta una pérdida de sensibilidad de un sensor 30 mayor de cierto valor, tal como el 10%. Cuando el SVN 54 indica consistentemente que la sensibilidad ha caído en más de un valor seleccionado, el sistema 20 interrumpirá el procesamiento de los algoritmos que requieren la entrada del sensor defectuoso 30 y se registrará un mensaje de "Sensor "N" fuera de cálculos" para que se vea en la descarga posterior al vuelo al LTC 96. La consistencia de las indicaciones de fallo del SVN 54 se miden por la "Prueba de Confianza X de N" 58.
El RRN 56 se programa para clasificar o categorizar los datos almacenados preferiblemente de acuerdo con si el par del rotor principal (u otro Parámetro de Carga y Velocidad del equipo principal) está o no dentro de un intervalo específico de valores (por ejemplo 25.000 < TQMR > 35.000 para el par del rotor principal). Se requiere esta información para asegurar que las estimaciones del SVN 54, del % de Degradación 84 y la Vida Útil Restante 86 se basan en un intervalo relativamente estrecho de condiciones de funcionamiento de referencia. Cuanto más grande es este intervalo de referencia, menor será la precisión para la validación del sensor y de las indicaciones de pronóstico. El RRN 56 utiliza las características del dominio en el tiempo de múltiples sensores montados en el equipo supervisado. El RRN 56 requiere una indicación persistente del funcionamiento dentro del intervalo de carga predeterminado (mediante la aplicación de una prueba de confianza X de N 57) para excluir que las condiciones temporales/transitorias se etiqueten como "En Régimen" ("ER"). Sólo los datos etiquetados ER se usan para la validación del sensor 54, los gráficos de tendencia de datos 88 y los cálculos de pronóstico del porcentaje de degradación 84 y de la vida útil restante 86.
Se proporciona el SVN 54 para detectar la incidencia de un conjunto sensor/cable que se ha degradado por pérdida de sensibilidad. Se requiere un SVN 54 separado para cada sensor 30. Cada SVN 54 de cada sensor 30 es una red multi sensor que utiliza las múltiples características de cada sensor 30 como entradas. Para entrenar a los SVN 74 en el reconocimiento de una salida baja del sensor 30, puede usarse un Simulador de Señal de Sensor ("SSS") para generar una SWPT a preferiblemente el 90% de la ganancia "normal" para la localización del sensor discrepante. Esa señal de baja sensibilidad se procesa entonces en el software de Extracción de Características del Dominio del Tiempo 70 para calcular las características base. El sistema 20 puede incluir también la detección de CIRCUITOS ABIERTOS y CORTOCIRCUITOS para los sensores 30. Cuando se detecta una condición de CIRCUITO ABIERTO/CORTOCIRCUITO, el software de la DPU 50 enciende el indicador del MAP 70 para la descarga y la visualización en el LTC 96 y todas las redes que requieren la entrada del sensor 30 particular se inhabilitan, hasta que se devuelve al sensor 30 a su estado normal.
Se proporciona preferiblemente un ADN 52 para cada sensor montado sobre el conjunto de transmisión del rotor principal, u otro compromete principal de una pieza del equipo o maquinaria que está siendo supervisado o analizado. El ADN 52 detecta la presencia de eventos de fricción y choques anormales en la señal en el dominio del tiempo de los SWPT. El ADN 52 proporciona la primera etapa en la detección y confirmación de la existencia de una condición discrepante. A través de la prueba de confianza X de N 53, un ADN 52 que indique consistentemente la presencia de características anormales en el SWPT disparará un indicador en el MAP 70 que indica una solicitud para una descarga de datos tras el vuelo al LTC 96. Así, cuando cualquier salida del ADN 52 del sensor 30 simple indica consistentemente una alta probabilidad de eventos de fricción y choques anormales, el indicador del MAP 70 para esa DPU 50 particular se activa para indicar la necesidad de una evaluación adicional.
El ADN 52 puede entrenarse o programarse en base a los datos extraídos previamente. En una realización, el ADN 52 se entrena para indicar una salida de "0" cuando los datos de entrada son de un conjunto "bueno" (es decir línea base) e indicar un "1" cuando los datos de entrada se obtienen de un conjunto "malo" (es decir un caso de defectos diseminados). El ADN 52 puede entrenarse también mediante la incorporación del conjunto de características en el dominio del tiempo que se calculan por la DPU 50 a partir de datos simulados del sensor 30.
El simulador de señal del sensor ("SSS") puede realizar una transformada inversa de los datos registrados del SWPT demodulados (es decir datos registrados en cinta), para convertirlos en una señal modulada en amplitud (es decir 38 kHz) que representa la salida no condicionada "en bruto" de un sensor de onda de tensión 30. La señal en bruto se condiciona (amplifica, filtra mediante paso banda y demodula) por la DPU 50, que también calcula y almacena sus características en el dominio del tiempo. Las características en el dominio del tiempo incluyen preferiblemente variaciones debidas a diferentes "ranuras de tiempo" para cada registro de dos segundos. Los datos simulados también contienen variabilidad debido a los circuitos de acondicionamiento analógico dentro de las DPU 50. Preferiblemente, esas variables se incorporan en el entrenamiento del ADN 52 para mejorar su "robustez".
Donde los datos se descargan como resultado de una alarma del ADN 52, todas las características en el dominio del tiempo de la memoria de las DPU 50 se transfieren a una base de datos localizada dentro del LTC 96. Las características incluyen datos de al menos "N" mediciones de cada uno de los sensores 30 conectados a las correspondientes DPU 50, así como datos adquiridos a intervalos predeterminados, tal como cada cinco minutos, durante un periodo de tiempo predeterminado tal como catorce horas de supervisión operativa. "N" representa el número de mediciones para completar la prueba de confianza "X de N" 81 para el FDN 80a. No se requiere que el valor de "N" sea el mismo para las pruebas 58, 57, 53 y 81 asociadas con el SVN 54, el RRN 56, el ADN 52 y el FDN 80a, respectivamente.
El ADN 52 de un sensor individual en solitario no puede proporcionar una alarma de defecto. Por el contrario, las alarmas del ADN 52 activan una solicitud a la DPU 50 de descarga al LTC 96 en donde el algoritmo multi sensor FDN 80a realiza un análisis adicional para confirmar o rechazar la indicación recibida del ADN 52.
El FDN 80a usa las características en el dominio del tiempo de múltiples sensores 30 para confirmar la existencia de un defecto. El FDN 80a se ejecuta solamente después de que al menos un ADN 52 ha detectado lecturas anómalas desde uno más de los sensores 30 que supervisan un conjunto. Cuando el algoritmo del FDN 80a indica la presencia de la condición discrepante, para al menos X de N ciclos de medición, basados en las características en el dominio del tiempo desde todos los sensores 30 relevantes explorados durante un ciclo de medición, se considera confirmado un defecto y se muestra una alarma en el LTC 96.
El ciclo de decisión seleccionado (d) es la cantidad de tiempo requerido para completar la medición y procesar los datos para tomar una decisión de pasa/fallo de la prueba de confianza X de N 53 que se aplica a las salidas sucesivas de cada ADN 52 del sensor 30. La probabilidad de declarar a una pieza mala como mala al final del ciclo de decisión (P4d) es una función del P4 asociada con cada medición ("P4m") y de los valores de X y N para la prueba de confianza del ADN 53. El valor de P4m es a su vez una función del umbral de decisión ADN que se determina mediante el análisis de un informe "Falsa Alarma, Falso Rechazo por Umbral" ("FAD", del inglés False Dismissal by Threshold) asociado con un ADN 52 para cada sensor 30.
\newpage
El informe FAD puede listar el número de alarmas correctas, rechazos correctos, falsas alarmas, y falsos rechazos, preferiblemente en una base de datos de ejemplos utilizados para probar la precisión del ADN 52. Así, con esta información se calcula el P4m, la probabilidad de que una medición procesada por el ADN 52 individual declare a una pieza mala como mala, como:
Ecuación BP4m = \frac{Alarmas \ Correctas}{Alarmas \ Correctas + Rechazos \ Falsos}
De modo similar, P2m (la probabilidad de que una medición individual declare a una pieza buena como mala) se calcula como:
Ecuación CP2m = \frac{Alarmas \ Falsas}{Rechazos \ Correctas + Falsas \ Alarmas}
Los cálculos de P4m y de P2m son una función del umbral de evaluación hallado en el informe FAD. Este límite se ajusta preferiblemente para minimizar el número de falsas alarmas y el número de falsos rechazos. Como estos dos tipos de indicaciones falsas se relacionan de modo inverso, deberá usarse algún juicio en la selección del límite de alarma óptimo ("Umbral de Decisión"). En la realización de tal juicio, se considera el efecto de la prueba X de N 53 sobre P4d y P2d (las probabilidades de considerar una alarma válida o falsa alarma a partir de un ciclo de decisión), así como el número de ciclos de decisión durante el intervalo de progresión del fallo ("Pi").
El intervalo de progresión del fallo puede definirse como el número de horas de funcionamiento entre el tiempo en el que el defecto es detectable (con una precisión de P4m o mejor) y el momento en el que no es deseable un funcionamiento adicional (debido a consideraciones tales como seguridad, disponibilidad, capacidad de misión, económicas y/o logísticas).
Para pasar la prueba X de N 53, al menos X de N mediciones realizadas de modo idéntico deben exceder el Umbral de Decisión del ADN 52. Puede usarse una distribución binominal para desarrollar la probabilidad de obtener un tipo dado de indicación tras la finalización de un ciclo de decisión. Cuando la probabilidad de que cada medición dé un tipo específico de indicación se representa como "Pm" (declarar mala a la pieza mala - P4m o declarar a una pieza buena mala - P2m), entonces la probabilidad de obtener ese tipo de indicación al final del ciclo de decisión es:
Ecuación DP_{d} = \sum\limits^{N}_{i = 0} \frac{N!}{X!(N-X)!} (P_{m}x) (1-P_{m})^{(N-X)}
Esta cantidad se conoce como el término acumulativo de la distribución binominal. Utilizando las ecuaciones A a D, pueden computarse y calcularse las probabilidades acumuladas de alarmas falsas y válidas, para diferentes cantidades de tiempo de funcionamiento.
De ese modo, la metodología preferida para optimización de la precisión global del sistema 20 incluye las siguientes etapas: (1) la selección de un umbral de indicación para las redes de diagnóstico individuales (ADN 52 y FDN 80a) para maximizar la relación de indicaciones correctas a indicaciones falsas y (2) mantener la probabilidad por medición de indicaciones falsas suficientemente bajas para descartar una frecuencia onerosa de descarga de datos al LTC 96 para su análisis por el multi sensor FDN 80a.
El umbral de decisión para el FDN 80a debería fijarse para producir un 100% de probabilidad de encontrar una pieza mala durante una cantidad de tiempo predeterminado de supervisión funcional, tal como diez horas, cuando tal cantidad predeterminada de tiempo se supone que es menor que el intervalo de progresión del fallo. Este umbral se considera el mínimo requisito de P4m para el FDN 80a.
El máximo requisito de P2m para el FDN 80a se acciona por lo que se supone que es la probabilidad aceptable de tener una sustitución o reparación de un componente no justificada, inducida por una falsa alarma, durante un período supuesto de funcionamiento libre de defectos. Con ciertas suposiciones, puede calcularse también el requisito mínimo del P4m y el requisito máximo permisible del P2m para las ADN 52.
De ese modo, el FDN 80a analiza las características en el dominio del tiempo de las localizaciones de sensores múltiples sobre un conjunto, toma la decisión sobre si hay suficiente evidencia o no para indicar un defecto e implementa análisis adicionales si se indica un defecto. Las rutinas de análisis adicionales que pueden activarse como resultado de una indicación de defecto desde el FDN 80a incluyen: (1) redes de localización del defecto 80b; (2) redes de aislamiento del defecto 82 y (3) cálculo del % de degradación 84 y de la vida útil restante 86.
Los datos de características en el dominio del tiempo descargados desde la base de datos de las DPU 50 consisten en las entradas al FDN 80a. Estos datos incluyen conjuntos de datos anómalos que dieron como resultado que se excediera el Umbral de Decisión desde uno más de los ADN 52 de los sensores 30, así como datos históricos desde todos los sensores 30. Los datos proporcionan las entradas requeridas tanto para las pruebas de confianza X de N como para las tendencias históricas que se usan para las proyecciones de la vida útil restante 86.
Preferiblemente, se proporcionan tres FLN 80b, para tres (3) conjuntos de módulos, para localizar el módulo que contiene el(los) componente(s) responsable(s) de la Indicación/Alarma de Defecto. Cada FLN 80b se entrena para localizar un defecto dentro de uno de los tres módulos del conjunto (donde se proporcionan más de dos módulos, se proporcionará preferiblemente también el correspondiente número de FLN 80b). El FLN 80b utiliza entradas desde múltiples localizaciones de sensores 30 y se ejerce sólo después de que la prueba 81 del FDN 80a indica la existencia de un problema. Para ejemplo de utilización del sistema 20 con un conjunto de un tren de accionamiento en un helicóptero ("ejemplo del helicóptero"), se asocia un FLN 80b específico con cada uno de los módulos del conjunto de transmisión del rotor principal: (1) Módulo de Entrada de Babor ("PIM"), (2) Módulo de Entrada de Estribor ("SIM") y (3) Módulo Principal. Una condición de defecto puede o no dar como resultado indicaciones desde más de un módulo.
Cada FLN 80b utiliza características en el dominio del tiempo desde múltiples localizaciones de sensores 30 como entradas. Como los FLN 80b se implementan sólo después de que el FDN 80a ha indicado un defecto, son por naturaleza consultivos y no pueden, por sí mismos, producir una acción de mantenimiento. Así, las razones para ajustar el umbral de decisión son obtener un mínimo del 90% de probabilidad de localización de modo correcto de un defecto, mientras se minimiza la probabilidad de una falsa alarma.
Los FIN 82 se ejercen también sólo después de que la prueba 81 del FDN 80a indica la existencia de un problema. Preferiblemente, en el ejemplo del helicóptero, se proporcionan dos FIN 82 para cada una de las localizaciones de sensores 30 sobre el conjunto de transmisión del rotor principal. Un FIN 82 se programa para reconocer los defectos del cojinete y el otro FIN 82 se programa para identificar problemas de engranajes. Esto se realiza mediante el entrenamiento de los FIN 82 para clasificar líneas espectrales anormalmente de alta amplitud como características bien de problemas en engranaje o bien en cojinete. Los FIN 82 usan características en el dominio de la frecuencia 72 como entradas y trabajan sobre la base de la búsqueda de líneas espectrales de alta amplitud relacionadas con defectos en engranaje y cojinete. En el análisis de la onda de tensión, las frecuencias de defecto de los cojinetes son típicamente más altas que las frecuencias de los defectos en engranaje. La Extracción de Características en el Dominio de Frecuencia 72 se realiza mediante un software programado dentro del LTC 96, usando el archivo de la historia en el tiempo del SWPT 74 como una entrada. Sólo cuando se requiere por el ADN 52 de la DPU 50 una alarma, se descarga un archivo de la historia en el tiempo 74 para un sensor 30 particular al LTC 96 para su uso como entrada en la Extracción de Características en el Dominio de la Frecuencia 72. Si está más de un ADN 52 de sensor 30 en estado de alarma, entonces el archivo 74 que se descarga al LTC 96 se elige guardando sólo el histórico en el tiempo para el sensor 30 que tiene el mayor exceso por encima de su umbral de alarma del ADN 52.
Todas las entradas a los FIN 82 son desde el software FDFE 72. Preferiblemente, tanto el software FDFE 72 como el FIN 82 están contenidos dentro del software del LTC/estación base. Preferiblemente, se proporcionan dos FIN 82 para cada sensor 30, uno para los engranajes y otro para los cojinetes. Esto permite a los FIN 82 identificar la presencia de múltiples causas para una condición de defecto detectada (por ejemplo cuando ocurre un daño secundario) al contrario de que tener que elegir sólo un modo de fallo. Como se estableció anteriormente, las redes FIN 82 se ejecutan sólo después de que el FDN 80a ha indicado un defecto. Por ello, son consultivos por naturaleza y no pueden, por sí mismos, producir una acción de mantenimiento. Por esta razón, las razones para el ajuste del umbral de decisión es obtener un mínimo del 90% de probabilidad de aislar correctamente el defecto detectado para una fuente de engranaje o cojinete, mientras se minimiza la probabilidad de identificar falsamente un engranaje o cojinete como el defecto detectado.
El Cálculo del Porcentaje de Degradación ("PDC", del inglés Percent Degradation Calculation) 84 se basa en experiencias pasadas con el análisis de ondas de tensión de defectos en cojinetes y engranajes para un amplio intervalo de máquinas de alta y baja velocidad. En la realización preferida, el PDC 84 supone que una pieza se degrada al 100% y está al final de su vida útil (Límite ROJO) cuando la energía de su onda de tensión ("SWE") se eleva a cinco veces su nivel de línea base. El nivel de línea base (en una localización del sensor 30 dada) puede preferiblemente ser el valor medio de las lecturas ER obtenidas a partir de los componentes de la línea base. El punto de 0% de degradación (límite AMARILLO) se elige preferiblemente para ser la media más tres veces la desviación estándar de las lecturas ER obtenidas desde los componentes de la línea base. Sin embargo, debería entenderse que pueden elegirse otros valores para el cálculo del límite ROJO y del límite AMARILLO y también se consideran dentro del alcance de la invención. Por ello, en la realización preferida la ecuación del Porcentaje de Degradación es:
% Degradación = \frac{SWE \ Medido - L \text{í} mite \ AMARILLO}{L \text{í} mite \ ROJO - Límite \ AMARILLO}
Preferiblemente, el porcentaje de degradación 87 se calcula sólo después de que la prueba 81 del FDN 80a indica la existencia de un problema. Por ello, el cálculo del Porcentaje (%) de Degradación 84 utiliza la Media y la Desviación Estándar del parámetro SWE obtenido a partir de los ejemplos de la línea base, en cada localización del sensor 30. El cálculo se relaciona con donde el valor actual del SWE se asienta, en la región entre la Media más tres Desviaciones Estándar y cinco veces la Media (un Límite de Sustitución conservador). Un resultado negativo significa que el SWE es menor que la Media más tres Desviaciones Estándar. Un valor positivo menor de cien significa que el SWE está entre la Media más tres Desviaciones Estándar y cinco veces la Media. Puede usarse el siguiente cálculo:
% \ Degradación = (SWE - (Media + 3 \ \text{*} \ Sigma) \ / (5 \ \text{*} \ Media - (Media + 3 \ \text{*} \ Sigma))
La vida útil 86 se calcula utilizando todos los datos disponibles para un Número de Cola/DPU preferiblemente hasta 10 horas de funcionamiento transcurridas ("EOH", del inglés elapsed operating hours) previas a la Indicación de Defecto. Los datos dan una serie de pares (EOH, SWE) que se usan en una regresión lineal para calcular la pendiente aproximada (m) y el cruce con el eje x (b) para la ecuación
y = mx + b, 
\hskip0.3cm
donde 
\hskip0.3cm
y es SWE 
\hskip0.3cm
y 
\hskip0.3cm
x es EOH
La ecuación se resuelve preferiblemente para el EOH esperado cuando el SWE es preferiblemente cinco (5) veces la media predeterminada. La vida útil restante es la diferencia entre el EOH y el EOH actual del sistema.
La DPU 50 almacena características en el dominio del tiempo para un periodo de supervisión funcional programado, tal como aproximadamente catorce horas en una realización, antes de borrar los datos antiguos para hacer hueco para los nuevos datos. Cuando no se detectan anomalías, no se descargan datos desde la DPU 50 al LTC 96. Sin embargo, una vez que se indica una anomalía por la DPU 50, entonces se descarga al LTC 96 para un procesamiento adicional. Los datos descargados se usan por el FDN 80a, el FLN 80b y el FIN 82. Adicionalmente, el(los) sensor(es) 30 responsable(s) de la activación de las alarmas ADN 52 tendrán también su historia en el tiempo SWPT descargada también al LTC 96. Para este(os) sensor(es) 30 específico(s), pueden trazarse unos histogramas FFT del espectro y distribución de amplitudes 89. El espectro FFT proporciona una imagen visual de las amplitudes y frecuencias de los eventos periódicos de fricción/choque. El histograma de la distribución de amplitudes es una ilustración gráfica de la eficacia de la lubricación y los efectos de la contaminación del lubricante con fluidos o partículas. Pueden también realizarse trazados de datos de tendencia "Largos" 88 y pueden ser útiles en la valuación del efecto de, o la necesidad de, cambios de aceite y acciones de mantenimiento correctivas o preventivas.
Los datos de la energía de la onda de tensión representados en la tendencia se usan preferiblemente para estimar la vida útil restante 86 de un componente. En la realización preferida, la vida útil restante 86 se estima mediante lo siguiente:
(1) se realiza un análisis de regresión lineal sobre la última cantidad predeterminada de puntos de datos (es decir 120 puntos de datos que podrían representar diez horas de datos) como una función de las horas de funcionamiento;
(2) se calcula el tiempo de la intersección de la función lineal con el límite "ROJO"; y
(3) se resta el tiempo actual del tiempo de intersección del límite ROJO, y se muestra mediante el LTC 96 como la Vida Útil Restante 86.
Sólo los datos ER se utilizan en los cálculos del porcentaje de degradación 84, los trazados de datos de tendencia 88 y las estimaciones de vida útil restante 86. Los histogramas 89 del Espectro y Distribución de Amplitudes del FFT del SWPT pueden generarse desde o bien los datos ER o bien los datos de No en Régimen ("NR").
Resumiendo lo anterior, los ADN 52 detectan características anormales en el tren de pulsos de las ondas de tensión. Los FDN 80a indican la presencia de daños, incluyendo defectos simples y múltiples. Los FLN 80b identifican los módulos del conjunto que contienen los componentes defectuosos. Los FIN82 indican específicamente un defecto de cojinete o un defecto de engranaje en la localización identificada por los FLN 80b. El RRN 56 se utiliza para predecir la Vida Útil Restante 86 y las determinaciones del % de Degradación 87.
Donde el sistema 20 de la presente invención se utilizó con un tren de accionamiento de helicóptero, los componentes supervisados incluyeron todos los elementos del tren de accionamiento primario excepto los motores. En este ejemplo, se proporcionaron 15 localizaciones de sensores 30 que incluyeron (1) carcasa de entrada del módulo de entrada de babor; (2) carcasa de salida del módulo de entrada de babor; (3) carcasa de entrada del módulo de entrada de estribor; (4) carcasa de salida del módulo de entrada de estribor; (5) engranaje planetario del módulo principal; (6) cubierta superior del módulo principal; (7) soporte de apoyo del rotor de salida/freno de rotor de cola; (8) cojinete de apoyo delantero del eje del rotor de cola; (9) cojinete de apoyo medio del eje del rotor de cola; (10) cojinete de apoyo del acoplamiento de conexión delantero; (11) cojinete de apoyo del acoplamiento de conexión de popa; (12) entrada de la caja de engranajes intermedia; (13) salida de la caja de engranajes intermedia; (14) entrada de la caja de engranajes del rotor de cola y (15) salida de la caja de engranajes del rotor de cola.
En la utilización y donde se proporcionan cinco sensores 30 para cada DPU 50, para cada sensor 30 en donde la DPU 50 indica una posible anomalía, se realizan preferiblemente las siguientes etapas mediante el sistema 20:
(a) Se obtienen datos de En Régimen y No en Régimen;
(b) Los datos de En Régimen se descartan si indican que el sensor 30 ha fallado;
(c) Los datos de No en Régimen se descartan si indican que el sensor 30 ha fallado;
(d) si ni los datos En Régimen ni los datos de No en Régimen han sido descartados, entonces el tiempo indicado por los peores datos de En Régimen y datos de No en Régimen se utilizan como un tiempo de referencia para obtener preferiblemente diez (10) registros de ciclo que incluyen y son previos al tiempo de referencia;
(e) si no, el registro indica que un sensor 30 ha fallado, entonces se ejecuta cada registro a través de la Red de Detección de Defectos;
(f) si fallaron 8 de los 10 registros del FDN entonces marcar este sensor 30 como candidato para análisis; y
(g) volver a (a) para el siguiente sensor 30.
Una vez que se han encontrado todos los sensores 30 candidatos en las etapas anteriores, se realizan las siguientes etapas mediante el sistema 20:
(a) se elige el peor caso entre todos los sensores 30 candidatos;
(b) se seleccionan los datos del registro del ciclo del mismo tiempo del peor caso del sensor 30 elegido y se utilizan para lo siguiente:
Ejecutar la red de defectos PIM;
Ejecutar la red de defectos MM;
Ejecutar la red de defectos SIM;
Ejecutar la red ENGRANAJE para el sensor 1
Ejecutar la red COJINETE para el sensor 1
Ejecutar la red ENGRANAJE para el sensor 2
Ejecutar la red COJINETE para el sensor 2
Ejecutar la red ENGRANAJE para el sensor 3
Ejecutar la red COJINETE para el sensor 3
Ejecutar la red ENGRANAJE para el sensor 4
Ejecutar la red COJINETE para el sensor 4
Ejecutar la red ENGRANAJE para el sensor 5
Ejecutar la red COJINETE para el sensor 5
Evaluar el Porcentaje de Degradación basado en el Sensor 1
Evaluar el Porcentaje de Degradación basado en el Sensor 2
Evaluar el Porcentaje de Degradación basado en el Sensor 3
Evaluar el Porcentaje de Degradación basado en el Sensor 4
Evaluar el Porcentaje de Degradación basado en el Sensor 5
Calcular la Vida Útil Restante basada en el Sensor 1
Calcular la Vida Útil Restante basada en el Sensor 2
Calcular la Vida Útil Restante basada en el Sensor 3
Calcular la Vida Útil Restante basada en el Sensor 4
Calcular la Vida Útil Restante basada en el Sensor 5.
\vskip1.000000\baselineskip
La presente invención se ha mostrado y descrito en el presente documento en lo que se considera que es la realización más práctica y preferida para un tren de accionamiento de helicóptero de ejemplo. Se reconoce, sin embargo, que pueden realizarse separaciones de la misma dentro del alcance de la invención y que se le ocurrirán modificaciones obvias a un experto en la técnica.

Claims (19)

1. Un sistema de análisis de ondas de tensión distribuidas para la identificación y análisis de un defecto en uno o más componentes de una máquina, comprendiendo:
medios para la detección de un defecto en al menos un componente de una máquina, incluyendo dichos medios para la detección una red de detección de anomalías para la identificación de características anormales en los datos adquiridos seguidos de la realización de una primera prueba de confianza X de N, incluyendo también dichos medios para la detección una red de detección de defectos activada por dicha red de detección de anomalías y la primera prueba de confianza X de N para confirmar o rechazar una condición de posible discrepancia identificada por dicha red de detección de anomalías, realizando dicha red de detección de defectos una segunda prueba de confianza X de N para la confirmación o rechazo de la condición de discrepancia identificada por dicha red de detección de anomalías,
medios para la localización del defecto detectado; y
medios para el aislamiento de una fuente del defecto.
2. El sistema de análisis de ondas de tensión distribuidas de la reivindicación 1 que comprende además medios para el cálculo de un porcentaje de degradación de dicho al menos un componente.
3. El sistema de análisis de ondas de tensión distribuidas de la reivindicación 2 que comprende además medios para la visualización del porcentaje de degradación calculado.
4. El sistema de análisis de ondas de tensión distribuidas de la reivindicación 1 que comprende además medios para la estimación de una vida útil restante para dicho al menos un componente.
5. El sistema de análisis de ondas de tensión distribuidas de la reivindicación 1 en el que dicha primera fuente es un engranaje fuente y dicha segunda fuente es un cojinete fuente.
6. El sistema de análisis de ondas de tensión distribuidas de la reivindicación 1 en el que dicho sistema se implementa con arquitectura de fusión de datos para procesar múltiples entradas de datos en decisiones fiables y precisas.
7. El sistema de análisis de ondas de tensión distribuidas de la reivindicación 1 en el que dicha arquitectura de fusión de datos optimiza los umbrales de indicación, maximiza la probabilidad de detección de defectos y minimiza las falsas alarmas.
8. Un método para la identificación y análisis de un defecto en uno o más componentes de una máquina, comprendiendo las siguientes etapas:
(a) la detección de un defecto en al menos un componente de una máquina, incluyendo dicha etapa de detección de un defecto las etapas de identificación de características anormales en los datos adquiridos mediante una red de detección de anomalías seguida de la realización de una primera prueba de confianza X de N, activando una red de detección de defectos para confirmar o rechazar una condición de posible discrepancia identificada por dicha red de detección de anomalías y la primera prueba de confianza X de N, realizando dicha red de detección de defectos una segunda prueba de confianza X de N para la confirmación o rechazo de la condición de discrepancia identificada por dicha red de detección de anomalías,
(b) localización del defecto detectado; y
(c) aislamiento de una fuente del defecto.
9. El método de identificación y análisis de defectos de la reivindicación 8 que comprende además la etapa del cálculo de un porcentaje de degradación de dicho al menos un componente.
10. El método de identificación y análisis de defectos de la reivindicación 9 que comprende además la etapa de la visualización del porcentaje de degradación calculado.
11. El método de identificación y análisis de defectos de la reivindicación 9 que comprende además la etapa de la estimación de una vida útil restante para dicho al menos un componente.
12. El método de identificación y análisis de defectos de la reivindicación 8 en el que dicho método emplea técnicas de diagnóstico de Intervalo de Utilización, Umbral de Decisión y Prueba de Confianza "X de N", para obtener la precisión especificada del sistema en términos de probabilidad de detección y probabilidad de falsas alarmas.
13. El método de identificación y análisis de defectos de la reivindicación 8 en el que dicho método emplea una Prueba de Confianza "X de N", para reducir la sensibilidad del sistema a las condiciones transitorias y reducir la probabilidad de falsas alarmas.
14. Un método para la identificación y análisis de un defecto en uno o más componentes de una máquina, comprendiendo las siguientes etapas:
(a) la extracción de señales de fricción y choque del ruido en banda ancha recibido desde al menos un sensor asociado con al menos un componente supervisado de una máquina;
(b) la detección de firmas de fricción/choque anormales a partir de la señal extraída, incluyendo dicha etapa de detección de firmas de fricción/choque anormales las etapas de identificación de una posible condición de discrepancia mediante una red de detección de anomalías y la realización de una primera prueba de confianza X de N que, cuando se pasa, activa una red de detección de defecto para confirmar o rechazar la condición de posible discrepancia identificada por dicha red de detección de anomalías y la primera prueba de confianza X de N y la confirmación o rechazo de la condición de discrepancia identificada por dicha red de detección de defectos mediante la realización de una segunda prueba de confianza X de N,
(c) la localización de un defecto que causa la firma anormal de fricción/choque detectada;
(d) el aislamiento de una causa del defecto en un engranaje fuente o en un cojinete fuente.
15. El método de identificación y análisis de un defecto de la reivindicación 14 que comprende además la etapa del cálculo de un porcentaje de degradación de dicho al menos un componente detectado para contener el defecto.
16. El método de identificación y análisis de un defecto de la reivindicación 15 que comprende además la etapa de la visualización del porcentaje de degradación calculado.
17. El método de identificación y análisis de un defecto de la reivindicación 14 que comprende además la etapa de la estimación de una vida útil restante para el al menos un componente detectado para contener el defecto.
18. El método de identificación y análisis de un defecto de la reivindicación 14 en el que dicho método emplea técnicas de diagnóstico de Intervalo de Utilización, Umbral de Decisión y Prueba de Confianza "X de N", para obtener la precisión especificada del sistema en términos de probabilidad de detección y probabilidad de falsas alarmas.
19. El método de identificación y análisis de un defecto de la reivindicación 14 en el que dicho método emplea una Prueba de Confianza "X de N", para reducir la sensibilidad del sistema a las condiciones transitorias y reducir la probabilidad de falsas alarmas.
ES00984426T 1999-12-15 2000-12-15 Sistema de analisis por honda de tension distribiuda. Expired - Lifetime ES2333402T3 (es)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US09/464,018 US6351713B1 (en) 1999-12-15 1999-12-15 Distributed stress wave analysis system
US464018 1999-12-15

Publications (1)

Publication Number Publication Date
ES2333402T3 true ES2333402T3 (es) 2010-02-22

Family

ID=23842191

Family Applications (1)

Application Number Title Priority Date Filing Date
ES00984426T Expired - Lifetime ES2333402T3 (es) 1999-12-15 2000-12-15 Sistema de analisis por honda de tension distribiuda.

Country Status (7)

Country Link
US (1) US6351713B1 (es)
EP (1) EP1250577B1 (es)
AT (1) ATE445831T1 (es)
DE (1) DE60043159D1 (es)
DK (1) DK1250577T3 (es)
ES (1) ES2333402T3 (es)
WO (1) WO2001044769A1 (es)

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7457785B1 (en) 2000-08-25 2008-11-25 Battelle Memorial Institute Method and apparatus to predict the remaining service life of an operating system
US7136794B1 (en) * 2001-05-24 2006-11-14 Simmonds Precision Products, Inc. Method and apparatus for estimating values for condition indicators
GB0125620D0 (en) 2001-10-25 2001-12-19 Cambridge Display Tech Ltd Monomers and low band gap polymers formed therefrom
AU2002353097A1 (en) * 2001-12-07 2003-07-09 Battelle Memorial Institute Methods and systems for analyzing the degradation and failure of mechanical systems
US7689383B2 (en) * 2003-11-20 2010-03-30 The Boeing Company Component health assessment for reconfigurable control
JP4652741B2 (ja) * 2004-08-02 2011-03-16 インターナショナル・ビジネス・マシーンズ・コーポレーション 異常検出装置、異常検出方法、異常検出プログラム、及び記録媒体
US7577548B1 (en) * 2006-03-04 2009-08-18 Hrl Laboratories Integrated framework for diagnosis and prognosis of components
US7698942B2 (en) * 2006-05-12 2010-04-20 Curtiss-Wright Flow Control Corporation Turbine engine stall warning system
US7505852B2 (en) * 2006-05-17 2009-03-17 Curtiss-Wright Flow Control Corporation Probabilistic stress wave analysis system and method
US8223013B2 (en) * 2006-12-28 2012-07-17 Intel-Ge Care Innovations Llc Method and mechanism for assisted diagnosis and maintenance of health monitoring system
US8294572B2 (en) 2006-12-28 2012-10-23 Intel-Ge Care Innovations Llc Method and mechanism for assisted diagnosis and maintenance of health monitoring system
US7398184B1 (en) * 2007-04-09 2008-07-08 Honeywell International Inc. Analyzing equipment performance and optimizing operating costs
AU2009330744B2 (en) 2008-12-22 2015-04-09 S.P.M. Instrument Ab Method and apparatus for analysing the condition of a machine having a rotating part
ES2656404T3 (es) 2008-12-22 2018-02-27 Spm Instrument Ab Sistema de análisis
WO2010074643A1 (en) 2008-12-22 2010-07-01 S.P.M. Instrument Ab An analysis system
EP2373971B1 (en) 2008-12-22 2022-01-26 S.P.M. Instrument AB An analysis system
CN102449445B (zh) 2009-05-05 2014-12-17 S.P.M.仪器公司 用于分析具有旋转部件的机器振动的设备和方法
SE535559C2 (sv) 2010-01-18 2012-09-25 Spm Instr Ab Förfarande och anordning för analys av tillståndet hos maskin med roterande del
FR2963448A1 (fr) * 2010-07-29 2012-02-03 Sagem Defense Securite Procede et systeme d'analyse de donnees de vol enregistrees au cours d'un vol d'un avion.
CN101943682B (zh) * 2010-09-07 2012-02-01 中国矿业大学 基于阵列式声发射器的分布式机械故障实时监测装置及方法
US10203242B2 (en) 2011-07-14 2019-02-12 S.P.M. Instrument Ab Method and a system for analysing the condition of a rotating machine part
US8781982B1 (en) * 2011-09-23 2014-07-15 Lockheed Martin Corporation System and method for estimating remaining useful life
US8909453B2 (en) 2012-01-12 2014-12-09 Bell-Helicopter Textron Inc. System and method of measuring and monitoring torque in a rotorcraft drive system
US10607424B2 (en) * 2012-02-10 2020-03-31 Appareo Systems, Llc Frequency-adaptable structural health and usage monitoring system (HUMS) and method with smart sensors
CN104285139A (zh) * 2012-04-24 2015-01-14 Skf公司 轴承监测方法以及系统
CN103794006B (zh) * 2012-10-31 2016-12-21 国际商业机器公司 用于处理多个传感器的时序数据的方法和装置
CN102944416B (zh) * 2012-12-06 2015-04-01 南京匹瑞电气科技有限公司 基于多传感器信号融合技术的风电机组叶片故障诊断方法
EP2821873B1 (en) 2013-07-02 2016-10-05 Bell Helicopter Textron Inc. System and method of monitoring usage of a component in a helicopter by using torque measurements
DE102013110151A1 (de) * 2013-09-16 2015-04-02 Airbus Defence and Space GmbH Verfahren zum Detektieren eines Fehlers in einer Anordnung, Detektionsvorrichtung und Flugkörper
EP3104152B1 (en) 2015-06-08 2019-08-14 ABB Schweiz AG Method and controller for determining an undesired condition in an electrical drive system
US10012616B2 (en) 2015-11-06 2018-07-03 Andritz Inc. Acoustic emission system and method for predicting explosions in dissolving tank
US20170212829A1 (en) * 2016-01-21 2017-07-27 American Software Safety Reliability Company Deep Learning Source Code Analyzer and Repairer
US9913006B1 (en) * 2016-11-28 2018-03-06 01dB-METRAVIB, Société par Actions Simplifiée Power-efficient data-load-efficient method of wirelessly monitoring rotating machines
KR20200041098A (ko) * 2018-10-11 2020-04-21 현대자동차주식회사 파워 트레인 부품 고장 진단 방법
CN110487917A (zh) * 2019-08-30 2019-11-22 重庆高开清芯科技产业发展有限公司 一种基于神经网络的应力波检测与分析系统
CN111044288B (zh) * 2019-12-31 2021-05-25 神州高铁技术股份有限公司 信号的获取方法、系统及存储介质、诊断系统、检测系统
US11941521B2 (en) 2020-09-11 2024-03-26 Acoem France Vibrating machine automated diagnosis with supervised learning
CN112144321A (zh) * 2020-09-18 2020-12-29 同济大学 一种用于无砟轨道板裂缝的无损监测方法
DE102021108748A1 (de) 2021-04-08 2022-10-13 Liebherr-Components Biberach Gmbh Vorrichtung zum Bestimmen von Schädigungen an Strukturbauteilen sowie Arbeitsmaschine mit einer solchen Vorrichtung

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4931949A (en) * 1988-03-21 1990-06-05 Monitoring Technology Corporation Method and apparatus for detecting gear defects
GB8902645D0 (en) * 1989-02-07 1989-03-30 Smiths Industries Plc Monitoring
DE4008560C2 (de) * 1989-03-17 1995-11-02 Hitachi Ltd Verfahren und Vorrichtung zum Bestimmen einer Restlebensdauer eines Aggregats
JPH0692914B2 (ja) * 1989-04-14 1994-11-16 株式会社日立製作所 機器／設備の状態診断システム
US5210704A (en) * 1990-10-02 1993-05-11 Technology International Incorporated System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment
US5239468A (en) * 1990-12-07 1993-08-24 United Technologies Corporation Automated helicopter maintenance monitoring
US5602761A (en) * 1993-12-30 1997-02-11 Caterpillar Inc. Machine performance monitoring and fault classification using an exponentially weighted moving average scheme
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
EP0997714A3 (en) * 1994-08-31 2001-06-06 Honeywell Inc. Remote self-powered structure monitor
US5710723A (en) * 1995-04-05 1998-01-20 Dayton T. Brown Method and apparatus for performing pre-emptive maintenance on operating equipment
US5852793A (en) * 1997-02-18 1998-12-22 Dme Corporation Method and apparatus for predictive diagnosis of moving machine parts
EP0965092A4 (en) * 1997-03-04 2002-10-30 Emerson Electric Co DISTRIBUTED DIAGNOSTIC SYSTEM
US5875420A (en) * 1997-06-13 1999-02-23 Csi Technology, Inc. Determining machine operating conditioning based on severity of vibration spectra deviation from an acceptable state
US5952587A (en) * 1998-08-06 1999-09-14 The Torrington Company Imbedded bearing life and load monitor

Also Published As

Publication number Publication date
DE60043159D1 (de) 2009-11-26
ATE445831T1 (de) 2009-10-15
US6351713B1 (en) 2002-02-26
EP1250577A1 (en) 2002-10-23
DK1250577T3 (da) 2009-12-07
WO2001044769A1 (en) 2001-06-21
EP1250577A4 (en) 2006-05-10
EP1250577B1 (en) 2009-10-14

Similar Documents

Publication Publication Date Title
ES2333402T3 (es) Sistema de analisis por honda de tension distribiuda.
US10992697B2 (en) On-board networked anomaly detection (ONAD) modules
Raheja et al. Data fusion/data mining-based architecture for condition-based maintenance
US7826943B2 (en) Method and system for diagnosing faults in a particular device within a fleet of devices
US5210704A (en) System for prognosis and diagnostics of failure and wearout monitoring and for prediction of life expectancy of helicopter gearboxes and other rotating equipment
Atamuradov et al. Machine health indicator construction framework for failure diagnostics and prognostics
CN101999101B (zh) 系统运行预测的确定方法
Ricks et al. Diagnosis for uncertain, dynamic and hybrid domains using Bayesian networks and arithmetic circuits
Amin et al. Fuzzy inference and fusion for health state diagnosis of hydraulic pumps and motors
Holbert et al. Nuclear power plant instrumentation fault detection using fuzzy logic
Mosallam Remaining useful life estimation of critical components based on Bayesian Approaches.
RU2664016C1 (ru) Интегрированная система регистрации данных, диагностики технического и физического состояния комплекса &#34;человек - машина&#34;
Knight et al. Intelligent management of helicopter health and usage management systems data
Giurgiutiu et al. Helicopter health monitoring and failure prevention through vibration management enhancement program
Daouayry et al. Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case
DePold et al. Metrics for evaluating the accuracy of diagnostic fault detection systems
Azzam et al. FUMS/spl trade/technologies for verifiable affordable prognostics health management (PHM)
Davison et al. Review of metrics and assignment of confidence intervals for health management of gas turbine engines
Teixeira et al. Probabilistic machine learning could eliminate no fault found
Azzam et al. FUMS/spl trade/fusion for improved aircraft MAAAP
Elyurek Establishing a vibration threshold value, which ensures a negligible false alarm rate for each gear in CH-53 aircraft using the operational data
Roemer et al. Advanced diagnostic and prognostic technologies for gas turbine engine risk assessment
Orsagh et al. Development of Performance and Effectiveness Metrics For Mechanical Diagnostic Technologies
Willard et al. Using Integrated Mechanical Diagnostics Health and Usage Management System (IMDHUMS) Data to Predict UH-60L Electrical Generator Condition
Smith et al. Automated Test Equipment Data Analytics in a PBL Environment