ES2333402T3 - Sistema de analisis por honda de tension distribiuda. - Google Patents
Sistema de analisis por honda de tension distribiuda. Download PDFInfo
- 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
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.
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.
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.
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.
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.
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:
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,
\hskip0.3cmdonde
\hskip0.3cmy es SWE
\hskip0.3cmy
\hskip0.3cmx 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.
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)
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)
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 |
-
1999
- 1999-12-15 US US09/464,018 patent/US6351713B1/en not_active Expired - Lifetime
-
2000
- 2000-12-15 WO PCT/US2000/034029 patent/WO2001044769A1/en active Application Filing
- 2000-12-15 EP EP00984426A patent/EP1250577B1/en not_active Expired - Lifetime
- 2000-12-15 DK DK00984426T patent/DK1250577T3/da active
- 2000-12-15 DE DE60043159T patent/DE60043159D1/de not_active Expired - Lifetime
- 2000-12-15 AT AT00984426T patent/ATE445831T1/de not_active IP Right Cessation
- 2000-12-15 ES ES00984426T patent/ES2333402T3/es not_active Expired - Lifetime
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 "человек - машина" | |
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 |