ES2549652A1 - Método y sistema para detectar automáticamente fallos en un eje rotatorio - Google Patents
Método y sistema para detectar automáticamente fallos en un eje rotatorio Download PDFInfo
- Publication number
- ES2549652A1 ES2549652A1 ES201430606A ES201430606A ES2549652A1 ES 2549652 A1 ES2549652 A1 ES 2549652A1 ES 201430606 A ES201430606 A ES 201430606A ES 201430606 A ES201430606 A ES 201430606A ES 2549652 A1 ES2549652 A1 ES 2549652A1
- Authority
- ES
- Spain
- Prior art keywords
- rotary axis
- translation
- machine
- legally binding
- google translate
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title abstract description 5
- 238000005259 measurement Methods 0.000 abstract 3
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H1/00—Measuring characteristics of vibrations in solids by using direct conduction to the detector
- G01H1/003—Measuring characteristics of vibrations in solids by using direct conduction to the detector of rotating machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Image Analysis (AREA)
Abstract
Método y sistema para detectar automáticamente fallos en un eje rotatorio. La presente invención se refiere a un método y un sistema para detectar automáticamente fallos en un eje rotatorio. La invención comprende los pasos de: adquirir, mediante al menos un sensor, una señal de tipo vibratorio del eje rotatorio; procesar, mediante un procesador, en el dominio del tiempo y en el dominio de la frecuencia, la señal adquirida por el sensor, obteniendo como resultado de dicho procesado, unas medidas de energía de la señal adquirida; comparar, en el procesador, las medidas de energía con unos patrones de energía previamente establecidos; y finalmente determinar si existe algún fallo en el eje rotatorio en base a la comparación entre las medidas de energía y los patrones previamente establecidos.
Description
señales, se introducen en una red neuronal (8) entrenada con muestras anteriores para comparar y clasificar las señales dependiendo del estado del eje. Los fallos detectados se identifican automáticamente con unas muy altas tasas de acierto.
Para aplicar los métodos de monitorización de engranajes y rodamientos al caso de ejes ferroviarios, que son elementos muy críticos, se han realizado de acuerdo a distintas realizaciones de la presente invención estudios sobre varios funcionales para llegar a la conclusión de cuáles son los indicadores más óptimos de la presencia de un defecto en un eje, como puede ser una grieta o una fisura.
Los funcionales habitualmente estudiados en el estado de la técnica son por un lado, parámetros estadísticos (como la media, la mediana, la desviación estándar, el sesgo, la kurtosis, el valor eficaz, el mínimo, el máximo, el valor de pico-pico, el valor de pico, el factor de forma o el factor de cresta) y por otro, representaciones de la señal que permitan estudiarla tanto en el dominio del tiempo como de la frecuencia.
Respecto a las representaciones en el dominio de la frecuencia, tradicionalmente han sido utilizadas para examinar los picos de frecuencias en los que se modifica la amplitud o que se ven desplazados por la presencia de un defecto. Esto es debido a que la presencia de una grieta en un elemento estructural, reduce la rigidez del mismo, por lo que las frecuencias naturales se ven reducidas, y cambian los modos de vibración. El estudio de las frecuencias naturales ha sido siempre el primer paso para encontrar un indicador de daño en un elemento mecánico, ya que puede ser medido de forma fácil y rápida y que está poco contaminado por ruido experimental. Realizando un análisis exhaustivo por bandas de frecuencia, se detectan las diferencias de energía en determinadas franjas que indican la presencia de un defecto, pero la principal desventaja que tiene esta técnica, es que cuando aparece un defecto, los cambios en las frecuencias naturales son muy pequeños, y pueden ser tapados debido a errores experimentales.
En la presente invención, sin embargo, no se observan los modos de vibración, sino las señales de respuesta que aparecen durante el movimiento normal de la máquina asociada al eje rotatorio, con lo que se contará con la desventaja del ruido.
En cuanto a los funcionales que describen una señal en el dominio del tiempo y la frecuencia destaca la transformada wavelet, que es la elegida por la presente invención.
10
posibilidades se han hecho distintas pruebas para comprobar cuál es la más adecuada para el caso particular de detección de fallos en ejes mediante la ejecución de distintos ensayos. En los casos de prueba, de acuerdo a una realización de la invención, se han utilizado como patrones la energía de los paquetes wavelet obtenidos a partir de una wavelet madre Daubechies 6 y con un nivel de descomposición igual a 3. Es decir, se presentan a la red neuronal como entrada 8 niveles de energía correspondientes a los 8 paquetes (23), como los representados en la Fig. 7. Se han realizado pruebas con dos tipos de RNA multicapa integradas en la toolbox de MATLABTM de fácil aplicación, que permitirán estudiar la aplicabilidad de este tipo de sistema de clasificación al caso particular de ejes de ferrocarril. Estas son la red de tipo FeedForward y la red de reconocimiento de patrones (pattern recognition):
-La RNA Feed Forward (unidireccional) se trata de una red neuronal multicapa con funciones de activación en su capa oculta de tipo sigmoidea. Se denomina Feed-Forward porque la información se propaga hacia delante y no hay ningún tipo de realimentación.
Se entrena esta red neuronal con los 8 valores de energía de los paquetes wavelet de las señales obtenidas con el sistema (patrones). En los ejemplos concretos que se muestran a continuación, se ha trabajado con 1000 señales, correspondientes con ejes sanos y ejes con defecto (el 16% profundidad de fisura respecto del diámetro del eje). El 75% de dichas señales se han utilizado para el entrenamiento de la red y el 25% (400 vectores patrón de dimensión 8) restante se le ha presentado a la red ya entrenada como sistema de validación. En esta configuración de red, se han utilizado 8 neuronas en la capa de entrada (correspondiente a la dimensión del vector patrón), 5 neuronas en la capa oculta y una neurona en la capa de salida correspondiente al resultado de la clasificación. En esta primera aproximación se ha elegido como respuesta: 0 para eje sano y 1 para eje con defecto.
En los resultados experimentales puede comprobarse la convergencia del error. En 26 iteraciones el algoritmo converge al valor establecido, sin embargo, el mejor valor de validación previa se consigue en la iteración 20 con un error de 0,0158. En cambio, una vez la red ya ha sido entrenada, al presentar nuevos patrones a clasificar se obtiene una tasa de éxito del 84,25%. Además el algoritmo presentado tiene una tasa de acierto del 100% cuando se le presenta
15
Claims (1)
-
imagen1 imagen2
Priority Applications (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES201430606A ES2549652B1 (es) | 2014-04-24 | 2014-04-24 | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
CN201580027222.5A CN106796579A (zh) | 2014-04-24 | 2015-04-24 | 用于自动检测旋转轴上的缺陷的方法和系统 |
EP15782634.8A EP3136255A4 (en) | 2014-04-24 | 2015-04-24 | Method and system for automatically detecting defects on a rotating shaft |
PCT/ES2015/070348 WO2015162331A1 (es) | 2014-04-24 | 2015-04-24 | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
US15/306,472 US20170052060A1 (en) | 2014-04-24 | 2015-04-24 | Method and system for automatically detecting faults in a rotating shaft |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
ES201430606A ES2549652B1 (es) | 2014-04-24 | 2014-04-24 | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
Publications (2)
Publication Number | Publication Date |
---|---|
ES2549652A1 true ES2549652A1 (es) | 2015-10-30 |
ES2549652B1 ES2549652B1 (es) | 2016-10-07 |
Family
ID=54331794
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES201430606A Expired - Fee Related ES2549652B1 (es) | 2014-04-24 | 2014-04-24 | Método y sistema para detectar automáticamente fallos en un eje rotatorio |
Country Status (5)
Country | Link |
---|---|
US (1) | US20170052060A1 (es) |
EP (1) | EP3136255A4 (es) |
CN (1) | CN106796579A (es) |
ES (1) | ES2549652B1 (es) |
WO (1) | WO2015162331A1 (es) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3435246A1 (en) * | 2017-07-24 | 2019-01-30 | Tata Consultancy Services Limited | System and method for signal analysis |
EP3489641B1 (en) * | 2017-11-27 | 2024-04-17 | Goodrich Actuation Systems Limited | Improved system for detecting a mechanical fault in a rotating shaft |
CN108416294B (zh) * | 2018-03-08 | 2022-04-01 | 上海天数智芯半导体有限公司 | 一种基于深度学习的风机叶片故障智能识别方法 |
WO2019175984A1 (ja) * | 2018-03-13 | 2019-09-19 | 三菱電機株式会社 | 故障度算出装置及び故障度算出システム |
CN109446671B (zh) * | 2018-11-01 | 2022-09-16 | 上海海事大学 | 一种水下推进器小波神经网络故障预测方法及装置 |
CN109506907B (zh) * | 2018-11-06 | 2020-05-22 | 西安交通大学 | 一种基于振动响应信息的螺栓连接结构松动状态识别方法 |
CN109765055B (zh) * | 2019-01-31 | 2020-11-10 | 杭州安脉盛智能技术有限公司 | 基于ewt、谱有效值和knn的滚动轴承故障检测方法及系统 |
EP3708991A1 (en) * | 2019-03-14 | 2020-09-16 | Siemens Aktiengesellschaft | Automated health state classifier for rotating machines based on expert knowledge |
CN110084106A (zh) * | 2019-03-19 | 2019-08-02 | 中国地质大学(武汉) | 基于小波变换和概率神经网络的微网逆变器故障诊断方法 |
CN113678074A (zh) * | 2019-03-26 | 2021-11-19 | 杰富意钢铁株式会社 | 工艺状态监视装置以及工艺状态监视方法 |
CN110457823B (zh) * | 2019-08-13 | 2023-06-02 | 大连民族大学 | 超弹性圆柱薄壳强非线性振动的mlp方法 |
EP3832417A1 (en) * | 2019-12-05 | 2021-06-09 | Elmos Semiconductor SE | Method for the detection of a state of a system |
CN111273101A (zh) * | 2020-02-25 | 2020-06-12 | 江门市天一达电气科技有限公司 | 一种故障电弧检测方法、装置及存储介质 |
CN112395968B (zh) * | 2020-11-11 | 2021-08-27 | 北京京航计算通讯研究所 | 基于神经网络的机械旋转部件故障诊断方法及装置 |
CN112583139B (zh) * | 2020-12-17 | 2023-06-09 | 无锡职业技术学院 | 基于模糊rbf神经网络的wpt系统的频率跟踪方法 |
US20240061098A1 (en) * | 2021-01-19 | 2024-02-22 | Massachusetts Institute Of Technology | Radio frequency cyber physical sensing modes for non-invasive faults diagnosis of rotating shafts |
CN113123956B (zh) * | 2021-04-07 | 2023-02-28 | 郑州恩普特科技股份有限公司 | 一种水泵水锤故障诊断方法 |
CN113566953B (zh) * | 2021-09-23 | 2021-11-30 | 中国空气动力研究与发展中心设备设计与测试技术研究所 | 一种柔壁喷管的在线监测方法 |
CN115496993B (zh) * | 2022-09-09 | 2023-07-14 | 锋睿领创(珠海)科技有限公司 | 基于频域融合的目标检测方法、装置、设备及存储介质 |
WO2024116637A1 (ja) * | 2022-11-30 | 2024-06-06 | パナソニックIpマネジメント株式会社 | 分類装置、学習モデル生成装置、分類方法、および学習モデル生成方法 |
CN116310599B (zh) * | 2023-05-17 | 2023-08-15 | 湖北工业大学 | 基于改进cnn-pnn网络的电力变压器故障诊断方法及系统 |
CN117191952B (zh) * | 2023-11-06 | 2024-01-23 | 中冶建筑研究总院有限公司 | 基于声发射信号小波包分解频带能量谱的疲劳损伤识别与寿命预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6382029B1 (en) * | 2000-03-07 | 2002-05-07 | The United States Of America As Represented By The Secretary Of Commerce | Apparatus and method for utilizing electromagnetic acoustic transducers to non-destructively analyze in-service conductive materials |
US20020194159A1 (en) * | 2001-06-08 | 2002-12-19 | The Regents Of The University Of California | Parallel object-oriented data mining system |
US20040022436A1 (en) * | 2001-03-16 | 2004-02-05 | Paul Patti | System and method for data analysis of x-ray images |
US6857553B1 (en) * | 2002-04-17 | 2005-02-22 | The United States Of America As Represented By The United States Department Of Energy | Method and apparatus for in-process sensing of manufacturing quality |
WO2005031502A2 (en) * | 2003-09-22 | 2005-04-07 | Kim Hyeung-Yun | Methods for monitoring structural health conditions |
US20060069520A1 (en) * | 2004-09-28 | 2006-03-30 | Dimitry Gorinevsky | Structure health monitoring system and method |
US20110023610A1 (en) * | 2009-08-03 | 2011-02-03 | Georgia Tech Research Corporation | Methods and systems for classifying the type and severity of defects in welds |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102797671A (zh) * | 2011-05-25 | 2012-11-28 | 中国石油大学(北京) | 一种往复压缩机的故障检测方法与装置 |
CN103294849B (zh) * | 2013-05-08 | 2015-11-18 | 大连交通大学 | 基于rbf神经网络的交流电机故障诊断模型构造方法 |
CN103235649A (zh) * | 2013-05-09 | 2013-08-07 | 上海工程技术大学 | 一种基于mems加速度计的三维无线输入装置 |
-
2014
- 2014-04-24 ES ES201430606A patent/ES2549652B1/es not_active Expired - Fee Related
-
2015
- 2015-04-24 EP EP15782634.8A patent/EP3136255A4/en not_active Withdrawn
- 2015-04-24 WO PCT/ES2015/070348 patent/WO2015162331A1/es active Application Filing
- 2015-04-24 US US15/306,472 patent/US20170052060A1/en not_active Abandoned
- 2015-04-24 CN CN201580027222.5A patent/CN106796579A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6382029B1 (en) * | 2000-03-07 | 2002-05-07 | The United States Of America As Represented By The Secretary Of Commerce | Apparatus and method for utilizing electromagnetic acoustic transducers to non-destructively analyze in-service conductive materials |
US20040022436A1 (en) * | 2001-03-16 | 2004-02-05 | Paul Patti | System and method for data analysis of x-ray images |
US20020194159A1 (en) * | 2001-06-08 | 2002-12-19 | The Regents Of The University Of California | Parallel object-oriented data mining system |
US6857553B1 (en) * | 2002-04-17 | 2005-02-22 | The United States Of America As Represented By The United States Department Of Energy | Method and apparatus for in-process sensing of manufacturing quality |
WO2005031502A2 (en) * | 2003-09-22 | 2005-04-07 | Kim Hyeung-Yun | Methods for monitoring structural health conditions |
US20060069520A1 (en) * | 2004-09-28 | 2006-03-30 | Dimitry Gorinevsky | Structure health monitoring system and method |
US20110023610A1 (en) * | 2009-08-03 | 2011-02-03 | Georgia Tech Research Corporation | Methods and systems for classifying the type and severity of defects in welds |
Also Published As
Publication number | Publication date |
---|---|
US20170052060A1 (en) | 2017-02-23 |
CN106796579A (zh) | 2017-05-31 |
EP3136255A1 (en) | 2017-03-01 |
EP3136255A4 (en) | 2018-01-17 |
WO2015162331A1 (es) | 2015-10-29 |
ES2549652B1 (es) | 2016-10-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
ES2549652A1 (es) | Método y sistema para detectar automáticamente fallos en un eje rotatorio | |
JP2014167476A5 (es) | ||
WO2018025265A3 (en) | System and method for performing tear film structure measurement | |
JP2015527740A5 (es) | ||
JP2011245277A5 (ja) | 被検体情報取得装置及び信号処理方法 | |
BR112016001399A8 (pt) | aparelho e sistema para detecção de doença de pele em lesão de pele e sistema de formação de imagem de diagnóstico de uma ou mais lesões de pele | |
JP6566524B2 (ja) | バルブからの音響エネルギーからノイズをフィルタリングするためのシステムおよび方法 | |
AR091412A1 (es) | Dispositivo y metodo para diagnosticar situaciones anomalas en procesos | |
EP4360541A3 (en) | Determining end of life of continuous analyte sensors | |
BR112015019996A2 (pt) | dispositivo e método para controlar um veículo autônomo com uma falha | |
JP2015131107A5 (es) | ||
BR112017015786B1 (pt) | Método de análise do estado operacional de uma máquina e sistema para a análise do estado operacional de uma máquina | |
BR112017009025A2 (pt) | métodos para calibrar dispositivos de computação óptica ou sensores ópticos. | |
JP2018020071A5 (es) | ||
JP2016075585A5 (es) | ||
BR112015030246A2 (pt) | dispositivo, sistema, e método para medir a distância entre um primeiro dispositivo e um segundo dispositivo | |
BR112014017852A8 (pt) | Sistema e método de formação de imagem nuclear para formar a imagem de um objeto em uma região de exame, e, programa de computador de formação de imagem nuclear para formar a imagem de um objeto | |
JP2016097036A5 (ja) | 放射線画像撮影装置の防水性能検査方法 | |
JP2014004736A5 (es) | ||
WO2015196109A3 (en) | Acceptance, commissioning, and ongoing benchmarking of a linear accelerator (linac) using an electronic portal imaging device (epid) | |
JP2018068748A5 (es) | ||
MY190087A (en) | Plant abnormality diagnosis device and plant abnormality diagnosis system | |
ITTO20120588A1 (it) | Procedimento per la diagnostica di una struttura sottoposta a carichi e sistema per l'attuazione di detto procedimento | |
JP2016191648A5 (es) | ||
JP2016047100A5 (es) |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
FG2A | Definitive protection |
Ref document number: 2549652 Country of ref document: ES Kind code of ref document: B1 Effective date: 20161007 |
|
FD2A | Announcement of lapse in spain |
Effective date: 20240524 |