ES2843174T3 - Método de predicción de fallos de un componente de una máquina que se mueve cíclicamente - Google Patents
Método de predicción de fallos de un componente de una máquina que se mueve cíclicamente Download PDFInfo
- Publication number
- ES2843174T3 ES2843174T3 ES18169558T ES18169558T ES2843174T3 ES 2843174 T3 ES2843174 T3 ES 2843174T3 ES 18169558 T ES18169558 T ES 18169558T ES 18169558 T ES18169558 T ES 18169558T ES 2843174 T3 ES2843174 T3 ES 2843174T3
- Authority
- ES
- Spain
- Prior art keywords
- measure
- data distribution
- dispersion
- state parameters
- calculating
- 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.)
- Active
Links
Classifications
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- 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
- G01M13/04—Bearings
- G01M13/045—Acoustic or vibration analysis
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- 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
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Acoustics & Sound (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
Un método (100) de predicción de fallos de un componente de máquina que se mueve cíclicamente, en el que cada ciclo de una pluralidad de ciclos de un movimiento del componente genera una distribución de datos de valores de características de movimiento mensurables mientras dura de cada ciclo, comprendiendo el método, para cada ciclo; determinar (101) dicha distribución de datos de las características de movimiento, calcular (102) una medida de tendencia central de los valores en la distribución de datos, calcular (103) una medida cuantificada de una forma de la distribución de datos a lo largo de la duración de cada ciclo, asociar (104) la medida de tendencia central con dicha medida cuantificada de la forma como un conjunto acoplado de parámetros de estado, estando caracterizado por las operaciones adicionales de determinar (105) un grado de dispersión de una pluralidad de conjuntos acoplados de parámetros de estado asociados con la pluralidad de ciclos de un movimiento del componente que se mueve cíclicamente, y comparar (106) el grado de dispersión con un valor umbral de dispersión, o determinar (107) una tendencia del grado de dispersión en el tiempo, para dicha predicción de fallos.
Description
DESCRIPCIÓN
Método de predicción de fallos de un componente de una máquina que se mueve cíclicamente
Campo técnico
La presente invención se refiere en general al campo de la monitorización del estado. Más particularmente, la presente invención se refiere a un método de predicción de fallos de un componente de máquina que se mueve cíclicamente, un producto de programa informático relacionado y a un aparato para predecir fallos en un componente de una máquina que se mueve cíclicamente, tal como cojinetes, correas o motores, empleados en sistemas tales como como máquinas de llenado o sistemas relacionados para producir envases sellados.
Antecedentes
La monitorización del estado de los componentes de una máquina, tales como cojinetes, correas, motores o cualquier otro componente en las líneas de producción, tal como en la fabricación de envases sellados en una máquina de llenado o sistemas relacionados, es fundamental para garantizar la funcionalidad deseada durante un período de tiempo y la predicción de fallos. Monitorizar las distorsiones en los movimientos de dichos componentes, tales como las vibraciones en los componentes que se mueven cíclicamente en esos sistemas, es una parte esencial para lograr el control de funcionalidad deseado y prevenir las averías relacionadas con el desgaste. Esta estrategia de mantenimiento es posible principalmente gracias al hecho de que una vez, p. ej., que un cojinete se aproxima a un fallo, resulta ruidoso y vibra como una señal de advertencia de la avería inminente, y si esta señal se detecta a tiempo, le da al operador un marco de tiempo para planificar una actividad de mantenimiento y sustituir el cojinete sin afectar el tiempo de producción. El análisis de distorsión de p. ej., las vibraciones son una parte importante de los programas de mantenimiento predictivo industriales para que el desgaste y los daños en los cojinetes se puedan descubrir y reparar antes de que la máquina se averíe, reduciendo así los costos operativos y de mantenimiento. La evaluación empírica del nivel de vibración de un cojinete es una actividad propensa a errores que puede llevar a subestimar o sobreestimar significativamente la vida útil restante del componente, y también a confundir con un daño del cojinete un ruido que se debe a una causa completamente diferente (p. ej., un desequilibrio del árbol). Las soluciones anteriores que tienen como objetivo caracterizar los fallos de los cojinetes incluyen el análisis de frecuencia, donde las firmas de frecuencia características se extraen a partir de la señal de vibración. Además de ser complejas de implementar, las soluciones basadas en análisis de frecuencia no siempre son precisas y hacen varios supuestos con respecto al modelo utilizado para los cálculos. En particular, se supone típicamente que no hay deslizamiento durante el movimiento relativo de los elementos del cojinete; que hay un daño localizado en el cojinete; que el motor al que está unido el cojinete gira a una velocidad constante; y durante el funcionamiento del motor, el daño ocasiona una serie de impactos de corta duración, que generan un tren de picos en el espectro de frecuencia de la señal de vibración con cierta periodicidad; y que hay una banda de frecuencia donde la relación señal-ruido es tal que el tren de impulsos es detectable. Si no se verifican estas condiciones, el tren de picos puede confundirse de modo que ya no sea reconocible, o puede ocultarse entre otros tipos de ruido. La suposición de una velocidad de rotación constante de los servomotores es una limitación severa en el campo de las máquinas automáticas, donde normalmente se emplean varios servomotores como levas eléctricas y se operan a una velocidad variable para obtener perfiles de velocidad variable de los elementos accionados. Se emplean métodos para adaptarse a velocidades variables, pero dichas soluciones también pueden ser complejas de implementar y también van asociadas con otras limitaciones y suposiciones indeseables.
La técnica más anterior para predecir fallos en las máquinas puede encontrarse en el documento US 6370597 B1 que describe un método para la tendencia de valores medios en función del tiempo y el documento US 6392584 B1 que describe un método para predeterminar el número de veces en una fila o para un porcentaje predeterminado de datos establecidos de algún número total evaluado por recorrido o por intervalo de tiempo.
Por lo tanto, una monitorización de estado mejorado sería ventajoso y, en particular, permitiría evitar más de los problemas y compromisos mencionados anteriormente, incluido el suministro de un método menos complejo de predicción de fallos, con un tiempo de ejecución corto y, por lo tanto, permitiendo el análisis sobre la marcha, permitiendo por lo tanto una solución de problemas consistente y que requiere menos tiempo de un componente de una máquina que se mueve cíclicamente.
Resumen
Por consiguiente, los ejemplos de la presente invención buscan preferiblemente mitigar, aliviar o eliminar uno o más deficiencias, desventajas o problemas en la técnica, tales como los identificadas anteriormente, individualmente o en cualquier combinación, proporcionando un dispositivo de acuerdo con las reivindicaciones de patente adjuntas.
Según un primer aspecto, se proporciona un método de predicción de fallos de un componente de máquina que se mueve cíclicamente, en el que cada ciclo de una pluralidad de ciclos de un movimiento del componente genera una distribución de datos de valores de características de movimiento mensurables durante una duración de cada ciclo. El método comprende, para cada ciclo; determinar dicha distribución de datos de las características del movimiento; calcular una medida de tendencia central de los valores en la distribución de datos; calcular una medida cuantificada de una forma de la distribución de datos durante la duración de cada ciclo; asociar la medida de tendencia central con dicha medida cuantificada de forma como un conjunto acoplado de parámetros de estado; determinar un grado de dispersión de una pluralidad de conjuntos acoplados de parámetros de estado asociados con una pluralidad de ciclos del componente que
se mueve cíclicamente; y comparar el grado de dispersión con un valor umbral de dispersión, o determinar una tendencia del grado de dispersión en el tiempo, para dicha predicción de fallos.
Según un segundo aspecto, un producto de programa informático que comprende instrucciones que, cuando el programa es ejecutado por un ordenador, hacen que el ordenador lleve a cabo las operaciones del método según el primer aspecto. Según un tercer aspecto, se describe un aparato configurado para predecir fallos en un componente que se mueve cíclicamente, en el que cada ciclo de una pluralidad de ciclos de un movimiento del componente genera una distribución de datos de valores de características de movimiento mensurables durante una duración de cada ciclo. El aparato comprende una unidad de procesamiento configurada para, en cada ciclo; determinar dicha distribución de datos de las características de movimiento; calcular una medida de tendencia central de los valores en la distribución de datos; calcular una medida cuantificada de una forma de la distribución de datos durante la duración de cada ciclo; asociar la medida de tendencia central con dicha medida cuantificada como un conjunto acoplado de parámetros de estado; determinar un grado de dispersión de una pluralidad de conjuntos acoplados de parámetros de estado asociados con una pluralidad de ciclos del componente que se mueve cíclicamente; y comparar el grado de dispersión con un valor umbral de dispersión, o determinar una tendencia del grado de dispersión a lo largo del tiempo, para dicha predicción de fallos.
Otros ejemplos de la invención se definen en las reivindicaciones dependientes, en las que las características del segundo y tercer aspecto de la exposición son las mismas que para el primer aspecto mutatis mutandis.
Algunos ejemplos de la exposición proporcionan un método mejorado para predecir fallos en un componente de la máquina.
Algunos ejemplos de la exposición proporcionan una predicción facilitada de la vida útil de un componente de máquina. Algunos ejemplos de la exposición proporcionan un programa de mantenimiento más predecible y eficiente de un componente de máquina.
Algunos ejemplos de la exposición proporcionan un método de predicción de fallos, que tiene un tiempo de ejecución corto y, por lo tanto, permite el análisis sobre la marcha.
Algunos ejemplos de la exposición prevén evitar componentes defectuosos de máquina que se mueven cíclicamente, como cojinetes, correas y motores.
Algunos ejemplos de la exposición proporcionan un método más eficaz de evaluar la calidad de los componentes de máquina que se mueven cíclicamente.
Algunos ejemplos de la exposición proporcionan una resolución de problemas de componentes de máquinas que se mueven cíclicamente que requiere menos tiempo.
Algunos ejemplos de la exposición proporcionan una caracterización mejorada de las características de movimiento mensurables de un componente de máquina que se mueve cíclicamente, tales como las características de vibración. Algunos ejemplos de la exposición proporcionan una monitorización mejorada del estado en una máquina, tal como en una máquina de llenado, que tiene componentes de la máquina que se mueven cíclicamente.
Se debe enfatizar que el término "comprende/que comprende" cuando se usa en esta memoria descriptiva se toma para especificar la presencia de características, números enteros, operaciones o componentes indicados, pero no excluye la presencia o adición de una o más características, números enteros, operaciones, componentes o de sus grupos.
Breve descripción de los dibujos
Estos y otros aspectos, características y ventajas de los que son capaces los ejemplos de la invención serán evidentes y se aclararán a partir de la siguiente descripción de ejemplos de la presente invención, haciendo referencia a los dibujos adjuntos, en los que;
La fig. 1 es un diagrama que ilustra una distribución de datos de características de movimiento de un componente de máquina que se mueve cíclicamente, en el que la amplitud de una señal de vibración se traza mientras dura un ciclo. La fig.2a es un diagrama de conjuntos acoplados de parámetros de estado, donde cada conjunto, es decir, punto de datos, se determina como una medida de una tendencia central de los valores de la distribución de datos en la fig. 1 frente a una medida cuantificada de una forma de la distribución de datos, según un ejemplo de la exposición, en dos momentos diferentes;
La fig. 2b es una vista ampliada de los conjuntos acoplados de parámetros de estado de la fig. 2a en el momento t2; Las figs. 3a-b son diagramas de un radio de un círculo que circunfleja los puntos de datos de los conjuntos de parámetros de estado en las figs. 2a-b en función del porcentaje de puntos de datos que están contenidos dentro del círculo mencionado anteriormente, para dos componentes diferentes de máquina;
Las figs. 4a-b son diagramas de un radio de un círculo que circunfleja los puntos de datos de los conjuntos de parámetros de estado en las Figs. 2a-b en función del porcentaje de puntos de datos que están contenidos dentro del círculo mencionado anteriormente, para dos componentes diferentes de máquina;
La fig. 5 es un diagrama de flujo de un método de predicción de fallos de un componente de máquina que se mueve cíclicamente según un ejemplo de la exposición.
La fig. 6 es un diagrama de flujo de un método de predicción de fallos de un componente de máquina que se mueve cíclicamente según un ejemplo de la exposición. y
La fig. 7 es una ilustración esquemática de un aparato configurado para predecir fallos en un componente que se mueve cíclicamente según un ejemplo de la exposición.
Descripción detallada
A continuación, se describirán ejemplos específicos de la invención con referencia a los dibujos adjuntos. Sin embargo, esta invención puede realizarse de muchas formas diferentes y no debe interpretarse como limitada a los ejemplos expuestos en este documento; más bien, estos ejemplos se proporcionan para que esta descripción sea minuciosa y completa, y transmita completamente el alcance de la invención a los expertos en la técnica. La terminología utilizada en la descripción detallada de los ejemplos ilustrados en los dibujos adjuntos no pretende limitar la invención. En los dibujos, los números similares se refieren a elementos similares.
La fig. 5 ilustra un diagrama de flujo de un método 100 de predicción de fallos de un componente de máquina que se mueve cíclicamente. El orden en el que se describen e ilustran las operaciones del método 100 no debe interpretarse como limitante y es concebible que las operaciones se puedan realizar en orden variable.
Por tanto, se proporciona un método 100 de predicción de fallos de un componente de máquina que se mueve cíclicamente. En este ejemplo, cada ciclo de una pluralidad de ciclos de un movimiento del componente genera una distribución de datos de valores de características de movimiento mensurables mientras dura cada ciclo. La fig. 1 ilustra un ejemplo de valores de características de movimiento mensurables obtenidos durante un ciclo del componente de máquina. La distribución de datos en la fig. 1 muestra la amplitud de un movimiento, como un movimiento vibratorio, en función del tiempo, es decir, mientras dura un ciclo. Es concebible que se puedan determinar otras características de movimiento mensurables del ciclo con el fin de llevar a cabo el método 100, tales como valores de par o cualquier otra fuerza, velocidad o aceleración que describa el movimiento del componente de máquina durante un ciclo. Para cada ciclo, el método 100 comprende determinar 101 la distribución de datos de las características de movimiento, es decir, recuperar los datos como se ilustra en el ejemplo de la fig. 1, p. ej., empleando distintos tipos de sensores configurados para detectar las características de movimiento mencionadas. El método 100 comprende calcular 102 una medida de tendencia central de los valores en la distribución de datos. La medida de tendencia central debe interpretarse de acuerdo con el significado normal del término dentro de la teoría estadística, es decir, como un valor central o típico para una distribución de probabilidad, p. ej., para la distribución de datos ilustrada en el ejemplo de la fig. 1. El método 100 comprende además calcular 103 una medida cuantificada de una forma de la distribución de datos mientras dura cada ciclo. Además, la forma de la distribución de datos debe interpretarse de acuerdo con el significado normal del término dentro de la teoría estadística, es decir, describiendo la forma de la curvatura de la distribución de datos en la fig.1, como las características de las colas de dicha distribución de datos. p. ej., cómo son de anchas o delgadas las colas de la distribución, lo que está influenciado por el número de valores atípicos de los puntos de datos, es decir, el número de puntos de datos que están lejos de la distribución principal alrededor del centro de la distribución de datos. El método 100 comprende asociar 104 la medida de tendencia central con dicha medida cuantificada de la forma como un conjunto acoplado de parámetros de estado, es decir, para cada ciclo, se determina un conjunto de parámetros de estado, donde cada conjunto es un par de puntos de datos que comprenden la medida de tendencia central y la medida cuantificada de la forma de la distribución de datos. Las figs. 2a-b son diagramas esquemáticos donde cada punto de datos (círculos pequeños con líneas continuas) corresponde a un conjunto acoplado de parámetros de estado. La medida cuantificada de la forma de la distribución de datos se da en el eje vertical (K) y la medida de la tendencia central se da en el eje horizontal (M). El método 100 comprende determinar 105 un grado de dispersión de una pluralidad de conjuntos acoplados de parámetros de estado asociados con una pluralidad de ciclos del componente que se mueve cíclicamente. La dispersión es indicativa de cómo están de alejados entre sí los conjuntos acoplados de parámetros de estado. En el ejemplo de la fig. 2a, se ha determinado la pluralidad de conjuntos acoplados de parámetros de estado para dos puntos en el tiempo, t1 y t2. En el tiempo t2, el grado de dispersión es mayor que en el tiempo t1. El método 100 comprende comparar 106 el grado de dispersión, p. ej., en el tiempo t2, con un valor umbral de dispersión para dicha predicción de fallos. Por tanto, un valor umbral superado puede ser indicativo de un mayor desgaste del componente de máquina que se mueve cíclicamente. Alternativamente, se puede determinar 107 una tendencia del grado de dispersión a lo largo del tiempo, para dicha predicción de fallos. Por ejemplo, una tendencia a una mayor dispersión, pasando de t1 a t2, puede ser indicativa de un mayor desgaste del componente de máquina que se mueve cíclicamente.
Así, asociando 104 la medida de tendencia central con la medida cuantificada de la forma como un conjunto acoplado de parámetros de estado, y determinando su grado de dispersión para una pluralidad de ciclos, se puede obtener una indicación facilitada y fiable de mayor desgaste, o un componente generalmente defectuoso de la máquina, sin la necesidad de un análisis de frecuencia complejo de las características de movimiento del componente. Por tanto, las diversas
suposiciones hechas en tal análisis de frecuencia tradicional no son necesarias, y el método de predicción de fallos descrito en la presente exposición se puede emplear para lograr una monitorización de estado fiable en una amplia variedad de aplicaciones. El método 100 proporciona un método de predicción de fallos que tiene un tiempo de ejecución corto y, por lo tanto, permite el análisis sobre la marcha y, en general, una resolución de problemas que requiere menos tiempo de los componentes de máquina que se mueven cíclicamente tales como cojinetes, correas, motores y componentes relacionados de los mismos. Tal predicción de fallos mejorada puede ser particularmente ventajosa en máquinas de llenado, y componentes relacionados de las mismas, en líneas de producción de alta velocidad donde la monitorización de estado es crítica para mantener un alto rendimiento.
La fig. 6 ilustra otro diagrama de flujo de un método 100 de predicción de fallos de un componente de máquina que se mueve cíclicamente. El orden en el que se describen e ilustran las operaciones del método 100 no debe interpretarse como una limitación y es concebible que las operaciones se puedan realizar en orden variable.
Calculando 102 la medida de tendencia central, los valores en la distribución de datos pueden comprender calcular 102' un valor medio, tal como una media aritmética y/o una media geométrica, y/o una media armónica, y/o una media generalizada como una media cuadrática (RMS), y/u otras medidas de una tendencia central de la distribución de datos tales como un valor mediano o un valor de moda, y/o variantes ponderadas de manera diferente y/o truncadas de los mismos. El método 100 puede optimizarse para diversas aplicaciones dependiendo de la medida particular de tendencia central empleada. De este modo, se puede lograr una monitorización de estado y una predicción de fallos eficientes para una variedad de aplicaciones y características de movimiento.
Calcular 103 una medida cuantificada de la forma de la distribución de datos puede comprender calcular 103' una medida de una distribución de las características de movimiento medidas alrededor de la medida de tendencia central. Así, se determina la forma de la distribución de datos en torno a la medida de tendencia central, que posteriormente se asocia con esta última para proporcionar el conjunto de parámetros de estado acoplados para el ciclo particular.
Calcular una medida de la distribución de las características de movimiento medidas alrededor de la medida de tendencia central puede comprender calcular 103" una medida de una desviación de una distribución normal estándar. Esto proporcionará una medida de cómo es de diferente la forma de la distribución de datos de una distribución normal estándar, p. ej., si las colas de la distribución son más gruesas, es decir, más concentradas hacia la medida de tendencia central, o colas más delgadas, es decir, en una distribución más uniforme de "perfil bajo" con una mayor dispersión alrededor de la medida de tendencia central. Por tanto, la forma de la distribución de datos puede considerarse como una medida que describe la forma de las colas de la distribución en relación con su forma total.
Calcular una medida cuantificada de una forma de la distribución de datos puede comprender calcular 103"' un valor de curtosis de la distribución de datos. Por tanto, la curtosis es una medida de la forma de la distribución de datos. Típicamente hay tres categorías de curtosis que se pueden mostrar mediante un conjunto de datos. Todas las medidas de curtosis se pueden comparar con una distribución normal estándar o curva de campana. La primera categoría de curtosis es una distribución mesocúrtica. Este tipo de curtosis es el más similar a una distribución normal estándar porque también se parece a una curva de campana. Sin embargo, una gráfica mesocúrtica tiene colas más gruesas que una distribución normal estándar y tiene un pico ligeramente más bajo. Este tipo de curtosis se considera distribuida normalmente, pero no es una distribución normal estándar. La segunda categoría es una distribución leptocúrtica. Cualquier distribución que sea leptocúrtica presenta una mayor curtosis que una distribución mesocúrtica. Las características de este tipo de distribución es una con colas más gruesas y un pico sustancialmente delgado y alto. El otro tipo de distribución es una distribución platicúrtica. Estos tipos de distribuciones tienen colas delgadas y un pico que es más pequeño que una distribución mesocúrtica. Pueden determinarse otras medidas de la forma de la distribución de datos, tales como el sesgo que describe la asimetría a partir de la distribución normal en un conjunto de datos. Por tanto, el método 100 puede optimizarse para diversas aplicaciones dependiendo de la medida particular de la forma de la distribución de datos empleada.
Las características de movimiento pueden comprender datos de vibración del componente que se mueve cíclicamente, pero como se mencionó, las características de movimiento pueden comprender otros tipos o combinaciones de datos tales como velocidad, aceleración, par, etc.
La determinación 105 de un grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado puede comprender determinar 105' una fracción de la pluralidad de conjuntos acoplados de parámetros de estado que están contenidos dentro de una dispersión umbral establecida. La dispersión umbral puede ilustrarse como un círculo, que tiene un radio particular (R), en el que debería estar contenida una cantidad predeterminada de los conjuntos acoplados de parámetros de estado (es decir, los puntos de datos en las figs. 2a-b). En el ejemplo de la figura 2a, el 100% de los puntos de datos están contenidos dentro de los círculos respectivos en los tiempos t1 y t2, ya que el radio se ha incrementado en t2 para acomodar el mayor grado de dispersión. Sin embargo, si el radio se mantiene fijo, a lo largo del tiempo, la fracción de puntos de datos contenidos dentro del radio disminuirá. En el ejemplo de la fig.3a, el radio (R) se ilustra en el eje vertical, y la fracción de puntos de datos que están contenidos dentro de los respectivos radios se ilustra en el eje horizontal, para dos componentes diferentes (línea continua y discontinua, respectivamente). Por ejemplo, el 75% de los puntos de datos de un componente en buen estado (la línea continua) están contenidos dentro de un radio de aproximadamente 0,5, mientras que solo el 25% de los puntos de datos de un componente defectuoso (las líneas discontinuas) están contenidos dentro de este radio (R). Por tanto, esto es indicativo de una mayor dispersión de la pluralidad de conjuntos acoplados de parámetros de estado para el componente defectuoso. También es concebible que se ilustre un solo componente en la fig.
3a, pero en dos puntos diferentes en el tiempo (ti, t2). Por lo tanto, a medida que avanza el tiempo de ti a t2, el componente en buen estado resulta defectuoso con una reducción significativa en la fracción de puntos de datos (conjuntos acoplados de parámetros de estado) que se encuentran dentro del radio en 0,5. Por tanto, puede establecerse un intervalo aceptable en la fracción de los puntos de datos que deben estar contenidos dentro del radio definido. Alternativamente, se puede definir una fracción fija de puntos de datos a contener, tal como se ilustra en la fig. 3b, donde los respectivos radios caen dentro de un intervalo. En este ejemplo, el 75% de los puntos de datos se encuentran dentro de un intervalo del radio (R) de entre 0,5 y 2,5. Por tanto, se puede definir un intervalo aceptable en el radio.
Determinar un grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado puede comprender determinar 105" las distancias 202, 202', entre un centro 203 de una distribución de la pluralidad de conjuntos acoplados de parámetros de estado y cada conjunto acoplado de parámetros de estado. La fig. 2b ilustra esquemáticamente cómo se han determinado las distancias 202, 202', a dos puntos de datos diferentes, es decir, conjuntos acoplados de parámetros de estado, con respecto a un centro 203 determinado de la distribución. Por tanto, la distancia puede ser una distancia euclidiana entre los puntos antes mencionados. Sin embargo, es concebible que se puedan utilizar otras medidas de la dispersión de los puntos de datos.
El grado de dispersión se puede determinar calculando 105'" la dispersión del intervalo intercuartílico (IQR, IQR') de los conjuntos acoplados de parámetros de estado. Las figs. 4a-b ilustran un aumento en el intervalo intercuartílico, es decir, una dispersión en el intervalo de radios en el que están contenidos entre el 25 y el 75% de los puntos de datos. Por lo tanto, a medida que aumenta la dispersión en la fig. 4b, aumenta el rango intercuartílico IQR', lo que proporciona una medida eficiente de la dispersión de los conjuntos acoplados de parámetros de estado.
Se proporciona un producto de programa informático que comprende instrucciones que, cuando el programa es ejecutado por un ordenador, hacen que el ordenador lleve a cabo las operaciones del método 100 como se ha descrito anteriormente en relación con las figs. 1 - 6.
También se proporciona un aparato 200 configurado para predecir fallos en un componente que se mueve cíclicamente. Como se mencionó, cada ciclo de una pluralidad de ciclos de un movimiento del componente genera una distribución de datos de valores de características de movimiento mensurables mientras dura cada ciclo. El aparato comprende una unidad de procesamiento 201, que se ilustra esquemáticamente en la fig. 7, que está configurada para, en cada ciclo; determinar 101 dicha distribución de datos de las características de movimiento; calcular 102 una medida de tendencia central de los valores en la distribución de datos; calcular 103 una medida cuantificada de una forma de la distribución de datos mientras dura cada ciclo; asociar 104 la medida de tendencia central con dicha medida cuantificada como un conjunto acoplado de parámetros de estado; determinar 105 un grado de dispersión de una pluralidad de conjuntos acoplados de parámetros de estado asociados con una pluralidad de ciclos del componente que se mueve cíclicamente; y comparar 106 el grado de dispersión con un valor umbral de dispersión, o determinar 107 una tendencia del grado de dispersión a lo largo del tiempo, para dicha predicción de fallos. El aparato 200 proporciona así los beneficios ventajosos descritos anteriormente en relación con el método 100 con referencia a las figs. 1 - 6. Es decir. el aparato 200 proporciona una monitorización de estado y una predicción de fallos fáciles y fiables con indicación de mayor desgaste, o componentes de máquina generalmente defectuosos, sin la necesidad de un análisis de frecuencia complejo de las características de movimiento de los componentes.
La unidad de procesamiento 201 puede configurarse para calcular la medida de tendencia central de los valores en la distribución de datos calculando 102' un valor medio, tal como una media aritmética, y/o una media geométrica, y/o una media armónica, y/o una media generalizada y/u otras medidas de una tendencia central de la distribución de datos, tal como un valor mediano o un valor de moda.
La unidad de procesamiento 201 puede configurarse para calcular una medida cuantificada de una forma de dicha distribución de datos calculando 103'" un valor de curtosis de dicha distribución de datos.
La unidad de procesamiento 201 puede configurarse para determinar el grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado calculando 105' una fracción de la pluralidad de conjuntos acoplados de parámetros de estado que están contenidos dentro de un umbral de dispersión establecido.
La unidad de procesamiento 201 puede configurarse para determinar un grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado calculando 105" las distancias 202, 202' entre un centro 203 de una distribución de la pluralidad de conjuntos acoplados de parámetros de estado y cada conjunto acoplado de parámetros de estado.
La presente invención se ha descrito anteriormente con referencia a ejemplos específicos. Sin embargo, son igualmente posibles otros ejemplos distintos de los descritos anteriormente dentro del alcance de la invención. Las diferentes características y operaciones de la invención pueden combinarse en otras combinaciones distintas a las descritas. El alcance de la invención solo está limitado por las reivindicaciones de patente adjuntas.
De manera más general, los expertos en la técnica apreciarán fácilmente que todos los parámetros, dimensiones, materiales y configuraciones descritos en este documento tienen carácter de ejemplares y que los parámetros, dimensiones, materiales y/o configuraciones reales dependerán de la aplicación o aplicaciones específicas. para las que se utilizan las enseñanzas de la presente invención.
Claims (15)
1. Un método (100) de predicción de fallos de un componente de máquina que se mueve cíclicamente, en el que cada ciclo de una pluralidad de ciclos de un movimiento del componente genera una distribución de datos de valores de características de movimiento mensurables mientras dura de cada ciclo, comprendiendo el método, para cada ciclo; determinar (101) dicha distribución de datos de las características de movimiento,
calcular (102) una medida de tendencia central de los valores en la distribución de datos,
calcular (103) una medida cuantificada de una forma de la distribución de datos a lo largo de la duración de cada ciclo, asociar (104) la medida de tendencia central con dicha medida cuantificada de la forma como un conjunto acoplado de parámetros de estado,
estando caracterizado por las operaciones adicionales de
determinar (105) un grado de dispersión de una pluralidad de conjuntos acoplados de parámetros de estado asociados con la pluralidad de ciclos de un movimiento del componente que se mueve cíclicamente, y
comparar (106) el grado de dispersión con un valor umbral de dispersión, o determinar (107) una tendencia del grado de dispersión en el tiempo, para dicha predicción de fallos.
2. Método según la reivindicación 1, en el que calcular una medida de tendencia central de los valores en la distribución de datos comprende
calcular (102') un valor medio, tal como una media aritmética, y/o una media geométrica, y/o una media armónica, y/o una media generalizada y/u otras medidas de una tendencia central de la distribución de datos como un valor mediano o un valor de moda.
3. Método según la reivindicación 1 o 2, en el que calcular una medida cuantificada de una forma de dicha distribución de datos comprende
calcular (103') una medida de una distribución de las características de movimiento medidas alrededor de dicha medida de tendencia central.
4. Método según la reivindicación 3, en el que calcular una medida de una distribución de las características de movimiento medidas alrededor de dicha medida de tendencia central comprende
calcular (103”) una medida de una desviación de una distribución normal estándar.
5. Método según cualquiera de las reivindicaciones 1 a 4, en el que calcular una medida cuantificada de una forma de dicha distribución de datos comprende
calcular (103"') un valor de curtosis de dicha distribución de datos.
6. Método según cualquiera de las reivindicaciones 1 a 5, en el que las características de movimiento comprenden datos de vibración del componente que se mueve cíclicamente.
7. Método según cualquiera de las reivindicaciones 1 a 6, en el que determinar un grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado comprende
determinar (105') una fracción de la pluralidad de conjuntos acoplados de parámetros de estado que están contenidos dentro de una dispersión umbral establecida.
8. Método según cualquiera de las reivindicaciones 1 a 7, en el que determinar un grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado comprende
determinar (105") las distancias (202, 202') entre un centro (203) de una distribución de la pluralidad de conjuntos acoplados de parámetros de estado y cada conjunto acoplado de parámetros de estado.
9. Método según cualquiera de las reivindicaciones 1 a 8, en el que el grado de dispersión se determina calculando (105'”) la extensión del rango intercuartílico (IQR, IQR') de los conjuntos acoplados de parámetros de estado.
10. Un producto de programa informático que comprende instrucciones que, cuando el programa es ejecutado por un ordenador, hacen que el ordenador lleve a cabo las operaciones del método según cualquiera de las reivindicaciones 1 a 9.
11. Un aparato (200) configurado para predecir fallos en un componente que se mueve cíclicamente, en el que cada ciclo de una pluralidad de ciclos de un movimiento del componente genera una distribución de datos de valores de
características de movimiento mensurables mientras dura cada ciclo, comprendiendo el aparato una unidad de procesamiento (201) configurada para, en cada ciclo;
determinar (101) dicha distribución de datos de las características de movimiento,
calcular (102) una medida de tendencia central de los valores en la distribución de datos,
calcular (103) una medida cuantificada de una forma de la distribución de datos mientras dura cada ciclo,
asociar (104) la medida de tendencia central con dicha medida cuantificada como un conjunto acoplado de parámetros de estado,
estando caracterizado el sistema por que está además configurado para:
determinar (105) un grado de dispersión de una pluralidad de conjuntos acoplados de parámetros de estado asociados con una pluralidad de ciclos del componente que se mueve cíclicamente, y
comparar (106) el grado de dispersión con un valor umbral de dispersión, o determinar (107) una tendencia del grado de dispersión en el tiempo, para dicha predicción de fallos.
12. Aparato según la reivindicación 11, en el que dicha unidad de procesamiento está configurada para calcular la medida de tendencia central de los valores en la distribución de datos calculando (102') un valor medio, tal como una media aritmética y/o una media geométrica, y/o una media armónica, y/o una media generalizada, y/u otras medidas de una tendencia central de la distribución de datos, tales como un valor mediano o un valor de moda.
13. Aparato según la reivindicación 11 o 12, en el que dicha unidad de procesamiento está configurada para calcular una medida cuantificada de una forma de dicha distribución de datos calculando (103"') un valor de curtosis de dicha distribución de datos.
14. Aparato según cualquiera de las reivindicaciones 11 a 13, en el que dicha unidad de procesamiento está configurada para determinar el grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado calculando (105') una fracción de la pluralidad de conjuntos acoplados de parámetros de estado que están contenidos. dentro de una dispersión umbral establecida.
15. Aparato según cualquiera de las reivindicaciones 11 a 14, en el que dicha unidad de procesamiento está configurada para determinar un grado de dispersión de la pluralidad de conjuntos acoplados de parámetros de estado calculando (105") las distancias (202, 202') entre un centro (203) de una distribución de la pluralidad de conjuntos acoplados de parámetros de estado y cada conjunto acoplado de parámetros de estado.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP17175556 | 2017-06-12 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| ES2843174T3 true ES2843174T3 (es) | 2021-07-16 |
Family
ID=59067518
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| ES18169558T Active ES2843174T3 (es) | 2017-06-12 | 2018-04-26 | Método de predicción de fallos de un componente de una máquina que se mueve cíclicamente |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20200103887A1 (es) |
| EP (1) | EP3415891B1 (es) |
| JP (1) | JP2020523609A (es) |
| CN (1) | CN110770561A (es) |
| ES (1) | ES2843174T3 (es) |
| WO (1) | WO2018228747A1 (es) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6979477B2 (ja) * | 2020-03-10 | 2021-12-15 | エヌ・ティ・ティ・アドバンステクノロジ株式会社 | 状態判定装置、状態判定方法及びコンピュータプログラム |
| AU2021239964A1 (en) * | 2020-03-17 | 2022-10-13 | Heartland Ag Tech, Inc. | Systems and methods for predictive irrigation system maintenance |
| CN113532805A (zh) * | 2020-04-15 | 2021-10-22 | 华兴源创(成都)科技有限公司 | 显示面板检测设备的故障检测方法和检测装置 |
| CN114742111B (zh) * | 2022-05-24 | 2023-04-07 | 南京林业大学 | 基于参数自适应特征模态分解故障诊断方法和系统 |
| CN115560966B (zh) * | 2022-09-30 | 2023-09-15 | 新黎明科技股份有限公司 | 增强稀疏滤波融合电机关键部件微弱故障诊断方法和系统 |
| CN115357864B (zh) * | 2022-10-21 | 2023-03-31 | 深圳沈鼓测控技术有限公司 | 旋转机械转子部件脱落故障识别方法及系统 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6370957B1 (en) | 1999-12-31 | 2002-04-16 | Square D Company | Vibration analysis for predictive maintenance of rotating machines |
| US6392584B1 (en) * | 2000-01-04 | 2002-05-21 | Richard Eklund | System and method for detecting and warning of potential failure of rotating and vibrating machines |
| JP3609982B2 (ja) * | 2000-04-20 | 2005-01-12 | リオン株式会社 | 故障診断方法及びその装置 |
| DE10303877A1 (de) * | 2003-01-31 | 2004-08-12 | Fag Kugelfischer Ag | Verfahren zur Feststellung von Körperschallereignissen in einem Wälzlager |
| CN1724990A (zh) * | 2004-07-20 | 2006-01-25 | 上海克雷登信息科技有限公司 | 滚动轴承疲劳寿命试验故障在线诊断方法 |
| JP2006077938A (ja) * | 2004-09-13 | 2006-03-23 | Nsk Ltd | 異常診断装置 |
| US7505852B2 (en) | 2006-05-17 | 2009-03-17 | Curtiss-Wright Flow Control Corporation | Probabilistic stress wave analysis system and method |
| FR2952177B1 (fr) * | 2009-11-04 | 2012-06-01 | Snecma | Procede de detection d'un endommagement d'au moins un roulement de palier d'un moteur |
| WO2014161587A1 (en) * | 2013-04-05 | 2014-10-09 | Aktiebolaget Skf | Method for processing data obtained from a condition monitoring system |
| JP6221652B2 (ja) * | 2013-11-08 | 2017-11-01 | セイコーエプソン株式会社 | 寿命予測方法、寿命予測装置、寿命予測システム、寿命演算装置及び回転機械 |
| EP3081914B1 (de) * | 2015-04-15 | 2018-07-04 | Siemens Aktiengesellschaft | Überwachung einer maschine mit einer rotierenden maschinenkomponente |
| JP2017096655A (ja) * | 2015-11-18 | 2017-06-01 | 三菱重工業株式会社 | 状態評価システム及び状態評価方法 |
-
2018
- 2018-04-26 US US16/621,038 patent/US20200103887A1/en not_active Abandoned
- 2018-04-26 EP EP18169558.6A patent/EP3415891B1/en not_active Revoked
- 2018-04-26 CN CN201880038811.7A patent/CN110770561A/zh active Pending
- 2018-04-26 JP JP2020518122A patent/JP2020523609A/ja active Pending
- 2018-04-26 WO PCT/EP2018/060773 patent/WO2018228747A1/en active Application Filing
- 2018-04-26 ES ES18169558T patent/ES2843174T3/es active Active
Also Published As
| Publication number | Publication date |
|---|---|
| EP3415891B1 (en) | 2020-11-25 |
| US20200103887A1 (en) | 2020-04-02 |
| WO2018228747A1 (en) | 2018-12-20 |
| JP2020523609A (ja) | 2020-08-06 |
| EP3415891A1 (en) | 2018-12-19 |
| CN110770561A (zh) | 2020-02-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ES2843174T3 (es) | Método de predicción de fallos de un componente de una máquina que se mueve cíclicamente | |
| ES2642670T3 (es) | Un método para supervisión de diagnóstico de un sistema de generador de turbina eólica | |
| ES2841407T3 (es) | Procedimiento para realizar una monitorización de diagnóstico por vibración de una máquina | |
| CN107630793B (zh) | 风机齿形带或变桨轴承疲劳状态的检测方法、装置及系统 | |
| ES2727248T3 (es) | Procedimiento y dispositivo para el monitoreo de estado de palas de rotor | |
| ES2656684T3 (es) | Mejoras con relación a la determinación de desequilibrios del rotor en una turbina eólica | |
| ES2924494T3 (es) | Sistema de diagnóstico, sistema de aerogenerador, método para uso en un aerogenerador y producto de programa informático | |
| JP6820771B2 (ja) | 状態監視システムおよび風力発電装置 | |
| US11807464B2 (en) | Method and system of fault prediction in a packaging machine | |
| CN107035616B (zh) | 操作风力涡轮机 | |
| US10895873B2 (en) | Machine health monitoring of rotating machinery | |
| WO2017174094A1 (en) | Method and system for controlling a wind turbine to manage edgewise blade vibrations | |
| US10890507B2 (en) | State monitoring method and state monitoring apparatus | |
| JP2019074060A (ja) | 風力発電用風車の状態監視装置、状態監視方法、及び状態監視システム | |
| JP2018179735A (ja) | 回転部品の異常診断方法及び異常診断装置 | |
| ES2922170T3 (es) | Método y sistema para controlar una turbina eólica para gestionar vibraciones de pala en sentido del borde | |
| JP2018124117A (ja) | 状態監視システムおよび風力発電装置 | |
| ES2872258T3 (es) | Método para determinar la recurrencia de carga en el sentido del borde de pala de turbina eólica | |
| CN104111154A (zh) | 风力发电机组的振动趋势分析方法和振动趋势分析系统 | |
| ES2742223T3 (es) | Método y dispositivo para determinar deformación de torsión en un tren de accionamiento | |
| ES2932881T3 (es) | Método y sistema para controlar un aerogenerador para gestionar vibraciones de pala de borde | |
| JP2021139845A (ja) | 回転機械の異常診断装置およびその方法 | |
| JP2018120406A (ja) | 状態監視方法および状態監視装置 | |
| JP6556398B1 (ja) | 診断装置および閾値作成方法 | |
| WO2016157503A1 (ja) | 風車および風車の疲労劣化診断方法、風車の運転制御方法 |