MX2014014577A - Metodos y aparatos para el diagnostico de defectos en un sistema mecanico. - Google Patents

Abstract

Se describen múltiples métodos y los aparatos correspondientes para el diagnóstico eficiente y confiable de los defectos en los componentes de los sistemas mecánicos. De acuerdo a un aspecto, el espectrograma de orden de envolvente de escala múltiple, es utilizado para diagnosticar o detectar los defectos en un componente móvil de un sistema mecánico. De acuerdo a otro aspecto más, la identificación y el diagnóstico de defectos en un motor es realizada con base en las características espectrales de la envolvente de la corriente del motor. De acuerdo a otro aspecto más, un modelo de regla lógica, que emplea la clasificación de las características asociadas con datos de un solo sensor de múltiples sensores, es empleado para el diagnóstico de los defectos en los componentes de los sistemas mecánicos.

Description

METODOS Y APARATOS PARA EL DIAGNOSTICO DE DEFECTOS EN UN SISTEMA MECANICO Antecedentes de la Invención El gasto de equipo o partes empleadas en los sistemas mecánicos, por ejemplo, una plataforma de perforación, así como el costo asociado con las operaciones mecánicas correspondientes, típicas, impulsan una demanda cada vez mayor para la confiabilidad del sistema. El monitoreo eficiente y el diagnóstico temprano de los defectos de los componentes vitales de los sistemas mecánicos son factores relevantes en el logro de las operaciones confiables y libres de problemas, por ejemplo, la operación de perforación en el caso de una plataforma de perforación.

Breve Descripción de la Invención De acuerdo a un aspecto, un método para detectar un defecto en un sistema mecánico comprende el cálculo de una pluralidad de características que utilizan, al menos en parte, datos de múltiples sensores asociados con al menos un componente del sistema mecánico; la clasificación de un subgrupo de la pluralidad calculada de características, con base en los patrones de clasificación construidos a partir de los datos de entrenamiento de los múltiples sensores; y la determinación de si existen o no defectos en al menos un componente con base en el subgrupo clasificado de RE . 252927 características.

De acuerdo a otro aspecto más, un método para detectar un defecto en un sistema mecánico comprende calcular un grupo de envolventes de trenes de ondas de una primera representación muestreada en el tiempo de un componente móvil del sistema mecánico; convertir el grupo de envolventes de trenes de ondas de un dominio de tiempo a un dominio espacial con base en muestras medidas de una segunda representación muestreada en el tiempo, del movimiento asociado con el componente móvil; la determinación de una o más concentraciones de energía espectral de las envolventes de trenes de ondas, convertidas, asociadas con al menos una frecuencia esperada de defectos del componente móvil; la determinación de si existe o no un defecto en el componente móvil, con base de una o más concentraciones de energía espectral, calculadas.

De acuerdo con otro aspecto más, un método para detectar un defecto en un sistema mecánico comprende el cálculo de un envolvente de una señal de corriente eléctrica de un motor del sistema mecánico; el cálculo de una o más concentraciones de energía espectral del envolvente en una o más frecuencias de defecto esperadas del motor; y la determinación de si existe o no un defecto en el motor, con base en una o más concentraciones de energía espectral, calculadas.

De acuerdo a otro aspecto adicional, un método para la detección de un defecto en un sistema mecánico comprende convertir un grupo de muestras medidas de una primera representación muestreada en el tiempo, asociado con un componente móvil del sistema mecánico del dominio de tiempo al dominio espacial con base en muestras medidas de una segunda representación de movimiento muestreada en el tiempo, asociada con el componente móvil; el cálculo de un grupo de envolventes de trenes de ondas del grupo convertido de muestras medidas de la primera representación del componente móvil muestreada en el tiempo, del sistema mecánico; la determinación de una o más de las concentraciones de energía espectral de las envolventes de trenes de ondas, calculadas, asociadas con al menos una frecuencia esperada de defectos de los componentes móviles; y la determinación de si existe o no un defecto en el componente móvil, con base en una o más concentraciones de energía, calculadas.

Una representación de movimiento puede ser una función, o las muestras medidas correspondientes, del desplazamiento espacial, la velocidad, la aceleración, o sacudimiento. El desplazamiento espacial puede referirse al cambio en el ángulo rotacional, desplazamiento traslacional, o cualquier otra medida del cambio en la posición. El dominio espacial se refiere al dominio de ángulo rotacional, al dominio espacial traslacional, o cualquier dominio espacial para definir la posición y el movimiento de los objetos.

De acuerdo con otro aspecto más, un aparato comprende los medios para llevar a cabo cualquiera de los métodos anteriores. Los medios incluyen una memoria, las instrucciones de código de computadora almacenadas en la misma, y un procesador para ejecutar las instrucciones del código de computadora. Las instrucciones del código de computadora cuando son ejecutadas provocan que el aparato realice cualquiera de los métodos anteriores.

Breve Descripción de las Figuras Lo anterior será aparente a partir de la siguiente descripción más particular de las modalidades ejemplares de la invención, como se ilustra en las figuras anexas en las cuales los caracteres de referencia similares se refieren a las mismas partes a todo lo largo de las diferentes vistas. Las figuras no están necesariamente a escala, más bien se debe colocar énfasis a la ilustración de las modalidades ilustrativas de la presente invención.

La Figura 1 describe una vista general del sistema, de acuerdo a una modalidad ejemplar de la presente invención.

La Figura 2 muestra una disposición experimental ejemplar de un sistema mecánico y los sensores para medir los datos para diagnosticar los defectos en uno o más componentes del sistema mecánico.

La Figura 3 es un diagrama de flujo que ilustra un proceso de espectrograma de orden de envolvente a escala múltiple, basado en tren ondas, ejemplar.

La Figura 4 ilustra las señales de salida asociadas con las diferentes fases del proceso de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas, de la Figura 3.

Las Figuras 5A a la 5C muestran los resultados de la simulación del proceso de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas.

Las Figuras 6A a la 6C muestran los resultados experimentales del proceso de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas, para un cojinete con un defecto de rodamiento interno.

Las Figuras 7A a la 7C muestran los resultados experimentales de un proceso de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas para un cojinete con un defecto de rodamiento externo.

Las Figuras 8A a la 8C muestran resultados experimentales del proceso de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas para un cojinete con múltiples defectos.

Las Figuras 9A a la 9D ilustran el comportamiento de la señal de vibración para un cojinete con un defecto de rodamiento externo.

Las Figuras 10A a la 10D ilustran la diferencia en los resultados experimentales entre un espectro de orden y un espectrograma de orden de envolvente a escala múltiple, basado en tren de ondas.

Las Figuras 11A y 11B ilustran la diferencia en resultados experimentales entre el proceso de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas y otros métodos.

La Figura 12 es un diagrama de flujo que ilustra un proceso ejemplar para detección de defectos en un motor utilizando la envolvente de corriente del motor.

Las Figuras 13A a la 13C muestran los resultados experimentales para el diagnóstico del motor de inducción con base en la corriente del motor y en la envolvente de la corriente del motor.

La Figura 14 ilustra una estructura para la clasificación de defectos del motor.

Las Figuras 15A a la 15D ilustran los métodos de selección de características.

Las Figuras 16A a la 16C ilustran una comparación de funcionamiento de las características para la corriente del motor y la envolvente de corriente del motor, utilizando diferentes clasificadores.

La Figura 17 es un diagrama de bloque de un sistema de adquisición de datos.

La Figura 18 ilustra una estructura para el diagnóstico de defectos, con base en una clasificación de datos de sensores múltiples.

La Figura 19 es un panorama general de un sistema para implementar un procedimiento centralizado para monitorizar las plataformas de perforación u otros sistemas mecánicos.

La Figura 20 es un diagrama de bloque de un aparato en el cual son implementados los métodos de diagnóstico de defectos.

Descripción Detallada de la Invención En seguida se presenta una descripción de las modalidades ejemplares de la invención.

Las téenicas comunes para el monitoreo de las operaciones de las plataformas de perforación utilizan parámetros medidos tales como la velocidad, la velocidad de penetración, la posición de la barrena de perforación, etc. Técnicas más avanzadas utilizadas para monitorizar las plataformas de perforación y otros sistemas mecánicos, incluyen el análisis de otros parámetros o señales medidas, tales como la vibración, la corriente del motor, la carga, los desechos de desgaste, etc. En la presente, son descritos nuevos procedimientos de monitoreo.

La Figura 1 describe un panorama general del sistema, de acuerdo a una modalidad ejemplar de la presente invención. Una plataforma de perforación 110 incluye un accionador superior 101, un tubo de perforación 102, y una barrena de perforación 104. La barrena de perforación 104 es una herramienta de corte que está configurada para escavar a través de la corteza terrestre ya que ésta es impulsada a girar por un motor de inducción (no mostrado) en el accionador superior 101. El motor de inducción está mecánicamente conectado a la barrena de perforación 104 a través de engranes (no mostrados), cojinetes (no mostrados), y un eje de perforación 103 o sarta de perforación. El motor de inducción es usualmente accionado por electricidad proveniente de un generador eléctrico 120. Durante las operaciones de perforación, fallas o defectos pueden ocurrir en los engranes del accionador superior, los cojinetes, o el eje de perforación, por ejemplo. La detección de tales fallas y/o defectos tempranamente es útil para prevenir cualquier daño estructural a otros componentes del accionador superior y para evitar retrasos innecesarios y costos en las operaciones de perforación.

Las téenicas de diagnóstico basadas en sensores, en tiempo real, del onitoreo de condiciones y de diagnóstico de la salud, hacen posible la detección temprana de fallas para evitar un daño catastrófico repentino de la maquinaria de la plataforma de perforación como los Accionadores superiores, Tornos de maniobras, Bombas de Lodo, Motores/Generadores eléctricos, compresores de aire, centrífugas, bombas centrífugas, o cualesquiera otros sistemas mecánicos. Una unidad 130 de recolección de datos del sensor utilizada para recolectar las mediciones de uno o más parámetros asociados con uno o más de los componentes del accionador superior. Uno o más sensores (no mostrados), tales como uno o varios acelerómetros, uno o varios codificadores, una o varias sondas de la corriente eléctrica, y/o cualesquiera otros sensores, pueden ser empleados para medir los parámetros relevantes para el funcionamiento de los componentes de la plataforma de perforación. El o los sensores conjuntamente con la unidad de recolección de datos del sensor pueden ser considerados como un sistema de adquisición de datos del sensor.

La unidad 130 de recolección de datos del sensor puede incluir uno o más dispositivos electrónicos, el conjunto de circuitos electrónicos, cables eléctricos, memoria de almacenamiento, un procesador, transceptores alámbricos o inalámbricos, o cualesquier otros dispositivos eléctricos (no mostrados) para adquirir y almacenar datos de sensor recolectados, o para comunicar los datos recolectados del sensor a una unidad de procesamiento 140. La unidad de procesamiento de datos 140 puede ser un servidor de computadora, una computadora personal, una laptop, una notebook, tableta, teléfono inteligente, nube de servidores, o combinación de los mismos. La unidad de procesamiento de datos 140 está configurada para procesar y para analizar los datos recolectados, para determinar una o más condiciones de la corriente de uno o más componentes o equipos monitorizados. En algunas modalidades, el procesamiento y el análisis de los datos, así como la determinación de la o las condiciones de la corriente del o de los componentes monitorizados, es llevada a cabo a través de la ejecución de instrucciones del código de computadora por al menos un procesador de la unidad de procesamiento de datos 140.

El diagnóstico a tiempo de los defectos en cualquiera de los componentes de la plataforma de perforación hace posible el mantenimiento predictivo y basado en las condiciones, y que el trabajo de reparación sea programado de acuerdo a las condiciones de operación reales de la plataforma de perforación, en vez de un intervalo de tiempo fijo, de mantenimiento preventivo (PM, por sus siglas en Inglés), predeterminado. Como tales, se puede prevenir que las fallas estructurales progresen sin ser percibidas hasta que éstas provocan inesperadamente daño sustancial al equipo y tiempo perdido costoso de la operación de perforación.

La Figura 2 muestra una disposición experimental ejemplar de un sistema mecánico y los sensores para medir los datos para diagnosticar defectos en uno o más componentes del sistema mecánico. El sistema es accionado por un motor de inducción 201. Un eje 202 es acoplado al motor de inducción 201. La velocidad rotacional del eje es controlada por un controlador de velocidad 203 y medida por un tacómetro 205. El eje está también conectado a un cojinete 204. Un acelerómetro 206 es montado sobre el alojamiento del cojinete para medir su vibración. La carga estática es aplicada al cojinete 204 a través de dos discos de carga 209 que están conectados al eje 202. También, una carga variable es aplicada por un sistema de freno magnético 212 a través de una caja de engranajes biselada 210 y un accionador de banda 211. Un sistema de adquisición de datos 208 es empleado para la recolección de los datos medidos por el sensor. Una sonda de corriente 207 es abrazada sobre uno de los cables trifásicos hacia el motor 201 para medir la señal de la corriente del motor. El sistema de adquisición de datos 208 está configurado para recolectar muestras de datos de la velocidad rotacional del eje, medida por el tacómetro 205, muestras de datos de la vibración, o la aceleración, la señal medida por el acelerómetro 206, y las muestras de datos de la señal de la corriente del motor medida por la sonda de corriente 207.

En lo subsiguiente, son descritas múltiples soluciones para el diagnóstico eficiente y confiable de los componentes mecánicos de los sistemas mecánicos, por ejemplo, las plataformas de perforación. De acuerdo a un aspecto, es utilizado un espectrograma de orden envolvente a escala múltiple para diagnosticar, o detectar, los defectos en un componente móvil de un sistema mecánico. De acuerdo a otro aspecto más, la identificación y el diagnóstico de defectos en motores de inducción es llevada a cabo con base en el análisis de la envolvente de corriente del motor. De acuerdo con otro aspecto más, los métodos de sensores múltiples y computacionales correspondientes son empleados para el diagnóstico de las plataformas de perforación u otros sistemas mecánicos.

Espectrograma de orden envolvente a escala múltiple Los cojinetes de elementos giratorios están presentes en una variedad de sistemas mecánicos, incluyendo las plataformas de perforación. La falla de los cojinetes representa un contribuyente típico al deterioro del funcionamiento de los sistemas mecánicos, o tiempo perdido correspondiente, costoso. Las mediciones de las señales vibratorias son empleadas en la presente para el monitoreo de la salud de los cojinetes en las plataformas de perforación y otros sistemas mecánicos. Las señales vibratorias son directamente asociadas con la dinámica estructural de los cojinetes. Los impactos vibratorios inducidos por un defecto de cojinete localizado, usualmente excitan uno o más modos de resonancia de la estructura de cojinete, lo que conduce a impulsos vibratorios repetitivos, y periódicos. Las frecuencias relacionadas a tales modos de resonancia son localizadas, típicamente, en las regiones de frecuencia mayores que aquellas provocadas por las vibraciones llevadas por las máquinas. Los nodos de resonancia excitada son usualmente caracterizados por una concentración de energía dentro de una o más bandas de frecuencia relativamente angostas en una o más frecuencias de resonancia.

El diagnóstico eficiente y confiable de los defectos de un cojinete, con base en las características espectrales de las mediciones de las señales vibratorias correspondientes, no obstante, depende, al menos en parte de la efectividad y de la eficiencia de las téenicas de procesamiento de señales empleadas para extraer y para analizar las características relacionadas a los defectos a partir de las mediciones de las señales vibratorias. Algunas técnicas de procesamiento existentes en la materia son construidas con base en una asunción de que la velocidad rotacional del cojinete es constante. En escenarios típicos del mundo real, la asunción de velocidad rotacional constante no es lo suficientemente exacta para conducir a detecciones eficientes y confiables de los defectos en los cojinetes. El rastreo de orden computado es un procedimiento ejemplar para diagnósticos de cajas de engranajes y de cojinetes bajo condiciones de velocidad variantes. Esta técnica está basada en el re-muestreo sincrónico. En otras palabras, los datos de las vibraciones muestreados a periodos de tiempo iguales, son convertidos a datos vibracionales que corresponden a los intervalos de ángulo rotacional iguales, o a incrementos, para eliminar los efectos de la variación de velocidad. Un requerimiento inherente de las téenicas de orden computado es la selección o determinación previa de una banda de filtración adecuada, con el fin de hacer frente a la variación de velocidad rotacional. No obstante, bajo diversas condiciones de operación de los sistemas mecánicos y los componentes mecánicos en éstos, diferentes variaciones en las condiciones de operación pueden provocar que sean excitados diferentes modos de resonancia. Como tal, el conocimiento previo de la banda de filtración puede ser un requerimiento que es difícil de cumplir en condiciones de operación variantes de los sistemas mecánicos tales como las plataformas de perforación.

En las técnicas de rastreo de orden, computacionales las señales vibratorias medidas, por ejemplo, en un cojinete que es monitorizado y la señal de salida proveniente de un sensor de velocidad, por ejemplo, un tacómetro, a intervalos de tiempo constantes, son registradas. El re-muestreo sincrónico es llevado a cabo para convertir las muestras de señales vibracionales medidas, muestreadas a intervalos de tiempo iguales, las muestras de señales vibratorias correspondientes, a los intervalos o incrementos del ángulo rotacional iguales. Durante el re-muestreo, tienen lugar dos procesos de estimación distintos. El primero involucra la determinación de los casos de tiempo de re-muestreo que corresponden a los intervalos o incrementos de ángulo rotacional constante. En el segundo proceso de estimación, son estimadas las amplitudes de las muestras de la señal vibratoria en las instancias de tiempo de re-muestreo, determinadas. El segundo proceso de estimación puede ser considerado como una interpolación de las muestras medidas de las señales vibratorias más allá de las instancias de tiempo en las cuales fueron realizadas.

Para determinar los tiempos de re-muestreo, se asume que el eje está sufriendo una aceleración angular constante. Posteriormente, el ángulo del eje, Q, puede ser descrito por una ecuación cuadrática en la siguiente forma: Los coeficientes desconocidos bo, bi y b2 son encontrados por el ajuste de tres tiempos de llegada de pulso de tacómetro, sucesivos (ti, t2 y t3), lo cual ocurre a incrementos conocidos del ángulo del eje (DQ). Esto produce las siguientes tres ecuaciones: (2) Los tiempos de llegada ti al t3 son conocidos a partir del muestreo de la señal de pulsos del siguiente pulso del tacómetro. Sustituyendo estas condiciones en la Ecuación (1), y acomodando en un formato de matriz se obtiene: Este grupo de ecuaciones es luego resuelto para los componentes desconocidos {bi}. Una vez que estos valores son obtenidos, la Ecuación (1) puede ser resuelta para t, produciendo En la Ecuación (4), cualquier valor de Q entre qi y Q3 dará como resultado un tiempo correspondiente, t. Esto forma la base del algoritmo de re-muestreo. Una vez que son calculados los tiempos de re-muestreo para los incrementos angulares constantes, los puntos de datos correspondientes en las instancias de tiempo de re-muestreo, respectivas, pueden ser determinados por una interpolación entre los datos originalmente muestreados. Una persona de experiencia ordinaria en la téenica debe apreciar que el cálculo de las instancias de tiempo del re-muestreo puede ser repetido en intervalos cortos de tiempo. Se puede asumir que la aceleración angular es constante sobre cada uno de los intervalos cortos de tiempo, pero puede variar de un intervalo corto de tiempo a otro. Tal procedimiento podría todavía aproximarse a la aceleración angular no constante. Una persona de experiencia ordinaria en la téenica debería apreciar que la aceleración, como se describe en la presente, se refiere a la aceleración positiva y a la aceleración negativa, es decir, la desaceleración.

Con el fin de superar el requerimiento del conocimiento previo de una banda de frecuencia de filtración adecuada, la transformación de tren de ondas es empleada. La transformación de tren de ondas descompone una señal sobre un plano en escala de tiempo, con cada escala que corresponde a una banda de frecuencia específica. A través de las operaciones de escalamiento y desplazamiento sobre el tren de ondas base, si \}/(t), es obtenida una familia de trenes de ondas: En la Ecuación (5), el símbolo s representa el parámetro de escalamiento, el cual dilata o contrae el tren de ondas base y t es el parámetro de desplazamiento que traslada los trenes de ondas a lo largo del eje de tiempo. En consecuencia, la transformación de tren de ondas de una señal x(t) con energía finita puede ser llevada a cabo a través de una operación de convolución de x(t) con el conjugado complejo de una familia de trenes de ondas: , wt(s, t)= -si1/2 f c(?)y(— -)dt J s (6) En la Ecuación (6), representa el conjugado complejo del tren de ondas base escalado y desplazado . El cómputo de la Ecuación (6) puede ser realizado por un par de transformación de Fourier y transformación inversa de Fourier. El equivalente de dominio de frecuencia de la Ecuación (6) puede ser expresado como: Con base en la propiedad de escalamiento de la transformación de Fourier y el teorema de convolución, la Ecuación (7) puede ser adicionalmente expresada como: en donde X(f) denota la transformación de Fourier de x(f) y denota la Transformación de Fourier de ^ . Al tomar la transformación inversa de Fourier, la Ecuación (8) es convertida nuevamente a dominio de tiempo como: »<( /)= *-' {KTCT, p)= H,,J -r-' w/ v/)} . , . donde el símbolo ^ ^ denota el operador de la transformación inversa de Fourier. La Ecuación (9) indica que la transformación de tren de ondas de una señal x(f) de escala s puede ser considerada como la señal que pasa a través de un filtro de paso de banda, el cual es una versión del filtro representado por la función de tren de ondas base con la anchura de banda correspondiente contraída contra un factor de frecuencia de s y la amplitud correspondiente amplificada por un factor |s|1/2. Como resultado, la transformación de tren de ondas puede servir efectivamente como un filtro de paso de banda para el diagnóstico de defectos en la máquina.

Un tren de ondas base, ejemplar utilizado en la presente, es el tren de ondas de valor complejo, el cual tiene la propiedad de ser de naturaleza analítica. Éste es expresado como: donde \|/R (t) y yi (t) representa el valor real y la parte imaginaria del tren de ondas de valor complejo, respectivamente, y yi (t) es la transformación de Hilbert de \|/R (t). La transformación de tren de ondas correspondiente wtc(s, t) de una señal x(t) utilizando el tren de ondas base de valor complejo, es expresada como: (11) donde WÓRÍS, t) y wti(s, x) son la pate real e imaginaria de los rebultados de la transformación respectivamente, y definido como: Las Ecuaciones (11) y (12) indican los resultados wtc(s, x) obtenidos a partir de la transformación de tren de ondas de valor complejo de una señal x[ t) , y que es también de naturaleza analítica. La envolvente de la señal ewt (s, T) a escala s puede ser calculada a partir del módulo del coeficiente de tren de ondas como: Se observa a partir de las Ecuaciones (9) y (13) que la transformación de tren de ondas de valor complejo posee la habilidad de combinar la filtración de paso de banda, la cual es implementada a través del parámetro escalar s, y la envolvente, calculada a través del uso del módulo de los coeficientes de tren de ondas, en una operación de un solo paso.

De acuerdo a un aspecto, un procedimiento de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas incluye el empleo de la transformación de tren de ondas de valor complejo, el rastreo del orden computado, y el análisis espectral. En el procedimiento de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas, las señales de las vibraciones, inducidas por un defecto estructural en el sistema mecánico bajo condiciones de velocidad variante, son descompuestas con base en las frecuencias espectrales.

La Figura 3 es un diagrama de flujo que ilustra un proceso de espectrograma de orden envolvente a escala múltiple, basado en tren de ondas, ejemplar. En el espectrograma de orden envolvente a escala múltiple, basado en tren de ondas, el tiempo, la escala, y la información del dominio de orden, contenidos en la señal, son utilizados de una manera sinérgica. De acuerdo a un aspecto, son procesadas dos tipos de señales medidas (1) la señal de la vibración y (2) la señal de la velocidad rotacional. Las dos señales son medidas de manera simultánea por un sistema de adquisición de datos que incluye los sensores y los componentes electrónicos de acondicionamiento de las señales. En el bloque 310 las muestras de señales de vibración medidas y las muestras de la velocidad rotacional medida son recibidas o adquiridas por una unidad de procesamiento. En el bloque 320, la transformación de tren de ondas, por ejemplo, la transformación de tren de ondas de valor complejo, es aplicada a las muestras de señales de vibración medidas y la señal de vibración medida, por ejemplo, medida sobre un cojinete de rodamiento defectuoso, es descompuesta en una o más escalas de tren de ondas. En el bloque 330, la señal envolvente en cada escala es calculada, por ejemplo, con base en el módulo de los coeficientes de tren de ondas. En el bloque 315, las muestras de velocidad rotacional medidas y las instancias de muestreo de tiempo correspondientes son utilizadas para calcular las instancias de tiempo de re-muestreo correspondientes a los intervalos o incrementos de ángulo rotacional constante. Las instancias de tiempo de re-muestreo pueden ser calculadas, por ejemplo, como se describe con respecto a las ecuaciones (1)-(4). En el bloque 340, es aplicado el re-muestreo sincrónico de modo que cada una de las señales de envolvente de tren de ondas es convertida a una señal envolvente de tren de ondas correspondiente, evaluada en las instancias de tiempo de re-muestreo, calculadas. Como tales, las señales envolventes de tren de ondas, convertidas, son evaluadas, o tienen muestras, que corresponden a incrementos constantes del ángulo rotacional.

La señal envolvente del tren de ondas en el dominio de ángulo puede ser expresada como: El operador Syn_Muestra(*) significa la operación de re-muestreo sincrónica por la interpolación de las señales de envolvente en las instancias de tiempo de re-muestreo calculadas, que corresponden a los incrementos de ángulo rotacional constante. En el bloque 350, es realizada la transformación de Fourier sobre las señales de envolvente, en el dominio de orden a cada escala, dando como resultado un "espectro de orden de envolvente" de la señal original a las diversas escalas. Tal espectro de orden de envolvente es expresado como: donde fd es el orden. En el bloque 360, la condición del cojinete monitorizado es determinada con base en las concentraciones de energía, en el espectro de orden de envolvente, a las frecuencias de defecto esperadas. La energía, o la potencia, de la señal de envolvente convertida es calculada con base en el cuadrado de la magnitud de Ewt (s, fd) .

Una vez que los valores de energía o de potencia, a diferentes frecuencias de defecto esperadas para una o más escalas de tren de ondas son computadas, la condición del cojinete puede ser determinada con base en una comparación de los valores de energía o potencia calculados a uno o más umbrales de acuerdo a un aspecto. De acuerdo a otro aspecto más, los valores calculados de energía o de potencia a través de una pluralidad de escalas de trenes de ondas, para una frecuencia particular de defectos esperados, puede ser promediada o sumada y luego comparada a un umbral simple. De acuerdo a otro aspecto más, una regla de decisión puede ser determinada para determinar la condición de un cojinete con base en qué tan cercanos están los valores de energía o potencia espectral calculada, o los promedios o sumas correspondientes a través de múltiples escalas de trenes de ondas, a los valores respectivamente previamente registrados de energía o de potencia, asociados con las diferentes condiciones del cojinete. La energía o potencial espectral a una o más frecuencias de defectos esperadas, pueden también ser clasificadas de acuerdo a los patrones de clasificación construidos utilizando los datos de entrenamiento correspondientes. La condición del cojinete es entonces determinada con base en la clasificación resultante. Otras características de la señal de vibración pueden ser también utilizadas, con la energía o potencia espectral calculada, si la clasificación de la característica es aplicada para determinar la condición del cojinete. La condición del cojinete es luego reportada en el bloque 370, y el proceso del espectrograma de orden de envolvente de escala múltiple, basado en tren de ondas es nuevamente repetido. El reporte de la condición en 370, puede incluir el inicio de una señal de alarma, la visualización de un mensaje sobre un dispositivo de pantalla o monitor, la reproducción de un mensaje de audio, la comunicación de la información relacionada a la condición hacia otro dispositivo, o sistema o similar.

La Figura 4 ilustra las señales de salida asociadas con diferentes fases del proceso de espectrograma de orden de envolvente de escala múltiple, basado en tren de ondas, en la Figura 3. La columna de las figuras (a) ilustra la transformación de tren de ondas de valor complejo. En la columna (b), son mostradas las partes real e imaginaria del coeficiente de tren de ondas computado. La columna (c) muestra las gráficas ejemplares de diferentes envolventes de trenes de ondas que corresponden a distintas escalas de tren de ondas. La columna (g) muestra las gráficas correspondientes de los envolventes de trenes de ondas convertidas para corresponder a incrementos de ángulo rotacional igual. Con base en la descripción en la Figura 4, la operación Ewt ( s, fd) es una matriz bidimensional , con cada una de sus hileras que corresponden al espectro del orden de envolvente de la señal de vibración a la escala específica s. Cada una de las columnas de la matriz bidimensional corresponde a un componente de frecuencia específico del espectro de orden de envolvente a través de todas sus escalas. La energía de la señal es calculada a través del cuadrado de la magnitud de Ewt (s, fd) . La salida mostrada en la sub-figura (h) es un mapa de energía de orden escalar que indica la intensidad y la posición de los componentes de frecuencia relacionados al defecto.

Las sub-figuras (d), (e), y (f), en la Figura 4, ilustran el cálculo de las instancias de tiempo de re-muestreo que corresponden a los incrementos de ángulo rotacional constante. Utilizando un primer grupo de instancias de tiempo empleadas en las muestras de medición de los datos medidos, y las muestras medidas de la velocidad, un segundo grupo de instancias de tiempo que corresponden a incrementos iguales del desplazamiento espacial es calculado, por ejemplo, como se describe en las ecuaciones (1) a la (4). El segundo grupo de instancias de tiempo es utilizado para calcular otro grupo de envolventes de tren de ondas con las muestras que corresponden al segundo grupo de instancias de tiempo.

Para evaluar cuantitativamente el funcionamiento del espectrograma de orden de envolvente de escala múltiple, desarrollado, una señal sintética para simular las señales de vibración medidas sobre un cojinete de enrollamiento, fue primeramente construida. Un tren de potencia, el cual es modulado por dos frecuencias armónicas de señal con un decaimiento exponencial, es utilizado para simular la señal de vibración de un cojinete defectuoso: (sín 2nfkT + \2 sin 2 n f2kD (16) con las constancias de tiempo determinadas por: t\ = mod(kT,1/ fBPFO) t2 =mod (kT,1/ fBFF¡) (17) En las Ecuaciones. (16)-(17) a = 800, EBPFO = 300 Hz, fsPFi = 470 Hz, fi= 3,000 Hz, få = 8,000 Hz, son la frecuencia exponencial, las dos frecuencias de modulación, y dos frecuencias portadoras, respectivamente. La frecuencia de muestreo es establecida como f = 20 kHz. La señal es construida para simular la aceleración y desaceleración variable dentro de un intervalo de velocidad rotacional de 2,000 a 4,200 rpm, como se muestra en las Figuras 5A y 5B. El siguiente paso es aplicar el método de espectrograma de orden envolvente de escala múltiple, para descomponer la señal de vibración. El tren de ondas complejo de Morlet fue seleccionado como el tren de ondas base, y las escalas utilizadas fueron 1-6, con un incremento de 0.2. La Figura 5C muestra los componentes de frecuencia de defectos £BPFO y fePFi, identificados a los órdenes de 3 y 4.7, respectivamente. La unidad de orden es el número de veces por revolución. Los componentes de frecuencia armónica de fBPFO y ÍBPFI son evidentes a los órdenes de 6 y 9.4 en el espectro.

Utilizando la disposición experimental de la Figura 2 para evaluar experimentalmente el espectrograma de orden de envolvente de escala múltiple, las señales de vibración medidas sobre dos tipos de cojinetes bajo diferentes condiciones de trabajo son analizadas, y los resultados son discutidos como sigue. El motor de inducción 201, en el ejemplo de la Figura 2, tiene un intervalo de velocidad de 0 ~ 6,000 revoluciones por minuto (rpm).

Un defecto sembrado en la forma de un orificio de 0.1 mm de diámetro, fue inducido en la superficie de rodamiento interna del cojinete. A partir de los parámetros geométricos de los cojinetes y la velocidad rotacional, es analíticamente determinada una frecuencia repetitiva relacionada al defecto { EBPFI = 5.408 frpm) asociada con la superficie de rodamiento interna. El cojinete fue probado cuando el sistema estaba corriendo de modo ascendente. La Figura 6B muestra la señal de vibración del cojinete adquirida bajo la frecuencia de muestreo de 20 kHz. La velocidad rotacional correspondiente es mostrada en la Figura 6A. La velocidad rotacional se incrementa desde 2,100 hasta 3,000 rpm.

El algoritmo del espectrograma de orden de envolvente de escala múltiple, fue entonces aplicado para descomponer la señal de vibración del cojinete, medida. El tren de ondas del complejo de Morlet fue seleccionado como el tren de ondas base, y las escalas utilizadas fueron 1-6, con un incremento de 0.2, como fue utilizado para analizar los resultados de la simulación. Estas escalas cubren el intervalo de frecuencia de 2-10 kHz. Como se muestra en la Figura 6C, es observado un pico de frecuencia en el orden de 5.4, indicando la existencia de un defecto en la superficie de rodamiento interna del cojinete que tiene el valor de ÍBPFI = 5.408 frpm. Esto ilustra la efectividad del espectrograma de orden de envolvente de escala múltiple, en el diagnóstico de defectos de la superficie de rodamiento interna, bajo las condiciones de velocidad variante del eje, en oposición a las rpm fijas, como se reporta en general en la literatura.

El diagnóstico del defecto en la superficie de rodamiento externa del cojinete de bolas fue conducido utilizando el mismo modelo de cojinete y la disposición experimental de la Figura 2. La frecuencia de características relacionadas a defectos fue calculada como faPFO = 3.05 frp - La Figura 7B muestra la señal de vibración del cojinete adquirida bajo una frecuencia de muestreo de 20 kHz. La velocidad rotacional correspondiente es mostrada en la Figura 7A. La velocidad rotacional se desacelera de 2,750 hasta 1,860 rpm. La señal de vibración representa la señal de aceleración del cojinete.

El algoritmo del espectrograma de orden de envolvente de escala múltiple fue entonces aplicado para descomponer la señal, con la escala de descomposición que es de 1-6 a un incremento de 0.2. El espectrograma de orden envolvente de escala múltiple para la señal de vibración del cojinete, es mostrada en la Figura 7C.

Dos picos son mostrados a los órdenes de 3.05 y 6.1, respectivamente, indicando el componente de frecuencia fBPFo y su armónico 2*fspro. Estos componentes son las frecuencias características de un cojinete con un defecto de superficie de rodamiento externa. De este modo, el resultado demuestra que el espectrograma de orden de envolvente de escala múltiple desarrollado es efectivo en identificar la existencia de un defecto estructural localizado, así como su posición sobre el cojinete de rodamiento, probado, bajo condiciones de velocidad variantes.

Para evaluar adicionalmente la efectividad y la robustez del algoritmo, un cojinete de bolas del modelo MB ER-10K que es del mismo tipo de cojinete que uno en el cojinete con defecto en la superficie de rodamiento externa y contiene dos defectos localizados sobre sus superficies de rodamiento interna y externa, es probado utilizando la disposición en la Figura 2. Las frecuencias características relacionadas a los defectos son calculadas como de ÍBPFO = 3.052 frpm y fBPFi = 4.948 frpm, respectivamente. La Figura 8B muestra la señal de vibración adquirida a la frecuencia de muestreo = 20 kHz. La velocidad rotacional correspondiente es mostrada en la Figura 8A. La velocidad rotacional varía aleatoriamente en el intervalo de 3 , 520 3,620 rpm.

El análisis de la señal de vibración del cojinete fue realizado siguiendo el mismo procedimiento descrito anteriormente, y el resultado es mostrado en la Figura 8C. Dos picos mayores a los órdenes de 3.05 y 4.95 son mostrados, que corresponden a ÍBPFO y fBPFi, respectivamente. Esto demuestra que el espectrograma de orden de envolvente de escala múltiple fue capaz de identificar la existencia de múltiples defectos estructurales y llama puntualmente sus posiciones respectivas, bajo condiciones de operación a velocidad variable.

Para ilustrar adicionalmente el mérito del espectrograma de orden de envolvente de escala múltiple para el diagnóstico de cojinetes bajo condiciones de operación variantes, una comparación entre los espectros de orden de envolvente de escala múltiple con las téenicas de procesamiento que incluyen la transformación de tren de ondas y rastreo de orden, se presentan en seguida.

La transformación de tren de ondas (WT, por sus siglas en Inglés) y la técnica de rastreo de orden computado (COT, por sus siglas en Inglés) han sido investigadas para diferentes aplicaciones. Específicamente, el tren de ondas ha sido utilizado para extraer características transitorias en el diagnóstico de cojinetes bajo velocidades de operación constantes y casi constantes. El rastreo de orden ha sido utilizado para eliminar la dependencia de la velocidad cuando se extraen señales angulares para el diagnóstico de motores de combustión y de engranes. Ha existido un interés de investigación creciente en la extracción de características transitorias bajo condiciones de velocidad variantes. No obstante, estas dos téenicas no pueden realizar la extracción de característica transitoria en el diagnóstico de cojinetes bajo condiciones de operación variantes, separadamente.

Como un ejemplo, un defecto sembrado en la forma de un orificio de 0.1 mm de diámetro fue inducido en la superficie de rodamiento externa de un cojinete ejemplar. A partir de los parámetros geométricos de los cojinetes y la velocidad rotacional, una frecuencia característica relacionada al defecto, ÍBPFO = 3.05 ERPM, asociada con la superficie de rodamiento externa, es analíticamente determinada. La frecuencia ÍRPM es la frecuencia de las revoluciones por minuto en la velocidad rotacional. La Figura 9A muestra la velocidad rotacional que disminuye desde 2,750 hasta 1,860 rpm. La señal de vibración del cojinete, correspondiente, adquirida de acuerdo a una frecuencia de muestreo igual a 20 kHz es mostrada en la Figura 9B. La Figura 9C muestra una porción pequeña de la señal de vibración en la Figura 9B. El análisis utilizando el espectrograma de envolvente a escala múltiple, en la Figura 9D, muestra la frecuencia relacionada a defectos en la superficie de rodamiento externa y sus armónicos son dispersados a través del espectro, haciendo difícil identificar la presencia de los defectos.

El análisis de la señal de vibración del cojinete utilizando el rastreo de orden es mostrada en las Figuras 10A a la 10C. La Figura 10A muestra la señal de vibración adquirida. El re-muestreo angular es realizado primeramente sobre el dato de señal de vibración para eliminar el efecto de la vibración en el tiempo en la velocidad del cojinete o el eje sobre el dato de la señal de vibración, muestreado. La Figura 10B muestra la señal de vibración después del re-muestreo de acuerdo a los incrementos constantes en el ángulo rotacional. El espectro de la señal de vibración re-muestreada, calculado utilizando una transformación de Fourrier de la señal de vibración re-muestreada, se muestra en la Figura 10C. A partir del análisis del espectro de orden, el efecto de modulación de altas frecuencias resonantes relacionadas a la velocidad rotacional, es claro en el espectro de potencia en la Figura 10C. Sin embargo, no son claramente identificables las frecuencias relacionadas a los efectos del cojinete. Utilizando el método de espectros de orden de envolvente de escala múltiple como se describe anteriormente, la frecuencia relacionada a los defectos del cojinete y sus armónicos, son claramente identificados, como se ilustra en la Figura 10D por el componente de frecuencia fBPFo y sus armónicos. De acuerdo a un proceso de detección/diagnóstico de defectos, ejemplar, alternativo, el rastreo de orden computado puede ser realizado primeramente sobre las señales de vibración, y la transformación de tren de ondas es subsecuentemente aplicada a los datos re-muestreados para el diagnóstico de defectos. En otras palabras, las muestras medidas de la señal de vibración muestreada en el tiempo son re-muestreadas de una manera para obtener nuevas muestras que corresponden a incrementos iguales en el desplazamiento espacial, por ejemplo, el ángulo rotacional. El re-muestreo, o la conversión desde el dominio de tiempo al dominio espacial, es realizado con base al menos en parte en las muestras medidas de la velocidad muestreada en el tiempo del componente móvil. Un grupo de envolventes de trenes de ondas, que corresponden a una o más escalas de tren de ondas, de las muestras nuevas o convertidas de la señal de vibración, son luego calculadas. Una transformación de Fourrier es entonces aplicada al grupo calculado de envolventes de trenes de ondas y una o más concentraciones de energía espectral de envolventes de tren de ondas son determinadas a una o más frecuencias de defecto esperadas. La condición del componente móvil es entonces determinada con base en, al menos en parte, la o las concentraciones de energía espectral calculadas.

La determinación de la condición del componente móvil puede incluir la comparación de la o las concentraciones de energía espectral calculada, o cualquier función de las mismas, a uno o más umbrales o aplicando la clasificación de características a la o las concentraciones de energía espectral calculada. Si es empleada la clasificación de características, otras características pueden ser también calculadas, utilizando las muestras medidas de la señal de vibración, y clasificadas. El proceso de espectrograma de orden envolvente de escala múltiple, basado en tren de ondas, no obstante puede funcionar mejor que el proceso de detección/diagnóstico de defectos, alternativo, descrito, específicamente, cuando la región de interés para el diagnóstico de defectos del componente móvil está asociado con la resonancia de alta frecuencia.

La explicación para el análisis de la resonancia de alta frecuencia es que los modos resonantes pueden ser excitados cuando los elementos giratorios ruedan sobre el defecto. Los componentes de frecuencia asociados están típicamente concentrados dentro de una banda estrecha de una alta frecuencia. Si el rastreo de orden computado es primeramente realizado sobre las señales de vibración, la operación del re-muestreo angular actúa como una interpolación, que tiene la propiedad de filtración de paso bajo. Como resultado, esto puede conducir a solape y difu inación de la banda de frecuencia de interés, en el dominio de ángulo, se disminuye la efectividad del diagnóstico de defectos.

Para entender el efecto del orden de ejecución de la transformación de tren de ondas y el rastreo de orden computado o el re-muestreo para la conversión al dominio de ángulo rotacional, es comparado el funcionamiento del método de espectrograma de orden envolvente de escala múltiple con otro método ejemplar, donde el rastreo de orden computado, o el re-muestreo, es llevado a cabo primeramente sobre la señal de vibración y los envolventes de tren de ondas son computadas utilizando la señal de vibración re-muestreada. La aplicación de ambos métodos a las señales de vibración provenientes de un cojinete con defecto en la superficie de rodamiento externa, son mostrados los resultados correspondientes en la Figura 11A. El término WT -> COT se refiere al método del espectrograma de orden envolvente de escala múltiple donde la transformación de tren de ondas es llevado a cabo primeramente, y el rastreo de orden computado es luego aplicado a las envolventes de trenes de ondas. El término COT -> WT se refiere al otro método ejemplar donde el rastreo de orden computado es llevado a cabo primeramente sobre la señal de vibración y las envolventes de trenes de ondas son luego computadas utilizando la señal de vibración re-muestreadas. Se observa que aproximadamente {(0.59-0.50)/O.50} x 100% = 18% de mejoramiento puede ser logrado, las amplitudes de la concentración de potencia calculada a las frecuencias de defecto esperadas.

El funcionamiento del método de espectrograma de orden envolvente de escala múltiple es también comparado con el método de espectro de orden envolvente convencional. Como se muestra en la Figura 11B, el proceso del espectrograma de orden envolvente de escala múltiple, basado en tren de ondas tiene mejor capacidad de identificación de frecuencia de defectos, por aproximadamente 0.59-0.42)/O.42 = 40%, en comparación al método de espectro de orden envolvente, convencional.

Los ejemplos descritos anteriormente con respecto al espectrograma de orden envolvente de escala múltiple hacen uso de la velocidad y aceleración rotacionales, o la vibración, las señales para calcular las concentraciones de energía espectral a una o más frecuencias de defecto esperadas para una o más escalas de tren de ondas. Una persona de experiencia ordinaria en la téenica debe apreciar que la velocidad y la aceleración son dos representaciones o características del movimiento, y como tales deben ser utilizadas otras representaciones o características de movimiento. En otras modalidades ejemplares, la aceleración y el sacudimiento, o la velocidad de cambio de la aceleración, las señales pueden ser utilizadas en vez de la velocidad y la aceleración, respectivamente. Una persona de experiencia ordinaria en la téenica debe también apreciar que los ejemplos descritos no están limitados al movimiento rotacional y pueden ser empleados con el movimiento traslacional. Como tal, el re-muestreo podría estar basado, en general, en incrementos constantes de desplazamiento espaciales, por ejemplo, incrementos de ángulo rotacional, incrementos en la distancia traslacional, o incrementos en cualquier otro desplazamiento espacial.

En otras palabras, las envolventes de trenes de ondas de una primera representación muestreada en el tiempo de movimiento, son computadas a una o más escalas del tren de ondas. Las envolventes de tren de ondas computadas son luego convertidas del dominio de tiempo al dominio espacial con base en las muestras medidas de una segunda representación de movimiento muestreada en el tiempo. Por ejemplo, la primera representación de movimiento es la aceleración y la segunda representación de movimiento es la velocidad. En otro ejemplo más, la primera representación de movimiento es el sacudimiento y la segunda representación es la aceleración. En ambos ejemplos, el movimiento puede ser rotacional, traslacional, o cualquier otro movimiento.

Diagnóstico de defectos en los motores de inducción, con base en el envolvente de la corriente del motor Cuando ocurre una anormalidad tal como una barra de rotor rota en un motor de inducción, la frecuencia lineal es la modulación entre el suministro, o la fuente, la frecuencia fs y la frecuencia introducida de falla 2ksfs I(t)=cos(2/r fst)(\+«¾*cos(2;r(2 sf )t) + m2 *cos(2;r(4.y/¡X)+.·.) ^lg donde k es un número entero, s es el deslizamiento del motor, m es el índice de modulación relacionada a la severidad del defecto. Utilizando la transformación de Hilbert, la envolvente o el módulo de amplitud de la corriente del motor es calculada como: La Figura 12 es un diagrama de flujo que ilustra un proceso ejemplar para la detección de defectos en un motor utilizando el envolvente de la corriente del motor. En 1210, la corriente del motor medida es adquirida. En 1215 es computada la transformación de Hilbert de la corriente medida del motor. En 1220, la corriente medida del motor y la transformación de Hilbert son utilizadas para calcular la envolvente de la corriente del motor. En 1230, la o las concentraciones de energía espectral de la envolvente de la corriente del motor a una o más frecuencias de defectos del motor es/son calculadas. El cálculo de la energía espectral puede ser obtenido, por ejemplo, mediante el cómputo de la transformación de Fourier de la envolvente de la corriente del motor y luego calculando la potencia a las frecuencias de defecto. Utilizando la o las concentraciones de energía espectral calculada, la condición del motor es determinada en 1240. En la determinación de la condición del motor, la o las concentraciones de energía espectral calculada, o una función de las mismas, pueden ser comparadas a uno o más umbrales. Alternativamente, la o las concentraciones de energía espectral calculadas pueden ser clasificadas de acuerdo a los clasificadores de patrón construidos utilizando los datos de entrenamiento del envolvente de la corriente del motor.

Analizando un motor con una barra de rotor rota, como en el ejemplo, la Figura 13A muestra la diferencia entre la corriente del motor y la envolvente de la corriente. La Figura 13B ilustra la comparación del espectro, utilizando la corriente del motor, entre un motor saludable y un motor con una barra de rotor rota. A partir de la Figura 13B, es difícil identificar la diferencia entre el motor saludable y el motor con una barra de rotor rota. Esto es debido a que la mayor parte de la energía espectral, en el espectro de la corriente del motor, está asociada con la frecuencia de suministro del motor. Como tales, las frecuencias relacionadas a los defectos son difíciles de ser identificadas a partir del análisis espectral de la corriente del motor. Se sabe que las frecuencias de defecto esperadas son de la forma (1 ± 2ks) fs. En el ejemplo de la Figura 13B, s £ [0.020.04] y las frecuencias del defecto esperadas (1 ± 2 fs) fs están en el intervalo de 40 Hz a 60 Hz. La Figura 13C muestra la comparación del espectro de envolvente de corriente entre un motor saludable y un motor con una barra de rotor rota. Es claro que las energías a las frecuencias relacionadas a los defectos 2ksf s £ [0.02 0.04], 2 ksf están en el intervalo de 0 y 12 Hz en el motor con la barra de rotor rota son más altas que aquellas provenientes del motor saludable. Las razones son debidas a que la envolvente de la corriente elimina el efecto de la corriente del motor, como es ilustrada en la ecuación (19) y manifiesta mejor las características relacionadas a los defectos.

Con base en el análisis de las Figuras 13A a la 13C, los defectos en el motor son detectados por la verificación de la energía, o la potencia, la concentración a las frecuencias de defecto esperadas. Por ejemplo, los valores calculados de energía o de potencia, a una o más frecuencias de defectos esperadas son comparados con uno o más umbrales respectivos, para determinar de si existe o no un defecto.

La Figura 14 muestra una estructura para la clasificación de defectos del motor, con base en la envolvente de la corriente del motor. En 1410 la envolvente de corriente del motor es computada a partir de la señal de la corriente del motor, medida, utilizando la transformación de Hilbert. En 1420 diferentes características son calculadas o extraídas a partir de la envolvente de la corriente del motor, calculada. Las características calculadas o extraídas pueden ser las características estadísticas, las características del dominio de frecuencia, las características autorregresivas, o una combinación de las mismas. Las características calculadas o extraídas son luego filtradas, en 1430, y un subgrupo de las características calculadas o extraídas es seleccionado, por ejemplo, con base en el método de selección de característica de Relevancia Máxima de Redundancia Mínima mRMR. Otros métodos de selección de características, conocidos en la téenica, pueden ser utilizados. Las características seleccionadas son luego clasificadas en patrones, en 1440, utilizando clasificadores. La selección de características o la filtración pueden ser opcionales, de acuerdo a al menos a un aspecto donde todas las características calculadas o extraídas son seleccionadas. El proceso descrito por 1410 a 1440 es usualmente repetido para múltiples señales de corriente del motor de datos de entrenamiento. Como se muestra en 1405, el dato de la corriente del motor de entrenamiento corresponde preferentemente a diferentes condiciones operacionales del motor, por ejemplo, saludable, barra de rotor rota, rotor pandeado, rotor desbalanceado, cojinete defectuoso, defecto en el bobinado del estator, y similares. Al final del proceso de entrenamiento, un modelo entrenado con patrones de clasificaciones es logrado en 1465. Cada nueva señal de la corriente del motor o grupo de prueba 1455 es mapeado a uno de los patrones de clasificación del modelo entrenado 1465 para lograr una clasificación de la condición del motor en 1475.

Un clasificador es una herramienta computacional que identifica una clase desconocida de señales provenientes de un modelo entrenado. Matemáticamente, un clasificador es una función f que mapea un grupo de vectores de característica de entrada x 6 c a una clase de salida y 6 {l, ... C}, donde c representa el espacio de las características, y la clase de salida está etiquetada como {l, ..., C}. La función f puede ser estimada por el aprendizaje supervisado a partir de los grupos de datos de entrenamiento etiquetados ( xn , y ) , con n = 1 :N, donde N es el número total de grupos de datos de entrenamiento disponibles. En lo subsecuente, son brevemente presentados varios clasificadores representativos, tales como Bayesiano Simple, Vecino k-Más Cercano, y Máquina de Vector de Soporte, son brevemente presentados.

Bayesiano Simple: El clasificador Bayesiano Simple (NB, por sus siglas en Inglés) representa un procedimiento probabilístico para la clasificación de señales, basado en el teorema de Bayes. Dado un objeto no clasificado con su vector de característica x, el clasificador Bayesiano Simple considera el objeto x como la clase yi, que tiene la más alta probabilidad posterior P(yi|x) condicionado sobre x. De acuerdo al teorema de Bayes, la probabilidad puede ser expresada como: Ya que P(x) es lo mismo para todas las clases, y P(yi) puede ser determinada a partir del grupo de datos de entrenamiento, determinando la probabilidad condicional P(x|yi) es crítico para calcular P(yi|x). En general, la determinación de P(x|yi) es computacionalente intensiva y requiere un grupo de entrenamiento grande. El modelo Bayesiano Simple simplifica la estimación de P(x|yi) al asumir: El clasificador Bayesiano Simple combina este modelo con la regla de decisión por la elección de la probabilidad máxima a poteriori . El clasificador correspondiente es la función definida como sigue - Vecino k-Máa Cercano : El Vecino k-Más Cercano (k- NN, por sus siglas en Inglés) es un clasificador para clasificar objetos con base en las instancias k-más cercanas en el espacio de características c de los grupos de entrenamiento. La clase de objeto no clasificado puede ser determinada por mayoría de votos entre estas clases de vecinos k-más cercanos. La medición de la distancia Euclidiana es a menudo utilizada para calcular la distancia entre el grupo de datos de prueba y las muestras de entrenamiento, como se define por: donde m y v representan los vectores de característica provenientes de los grupos de datos de prueba y las muestras de entrenamiento, respectivamente, y d es la dimensión del vector de característica. Una medida de distancia alternativa es la distancia de Mahalanobis, la cual hace posible que diferentes esquemas de ponderación sean asociados con diferentes características. donde å es una matriz definitiva simétrica y positiva, la cual puede ser obtenida a través de la estimación de la matriz de covarianza. Debido a la habilidad de la ponderación, el algoritmo vecino más cercano a k identifica la clase de grupo de datos de prueba al hallar los vecinos más cercanos como es expresado por: HM) ~ ’ donde «* = arg min £>(//, n)2 ( 25 ) Máquina de Vector de Soporte: La máquina de vector de soporte (SVM, por sus siglas en Inglés), es una téenica de clasificación de patrones basada en la teoría del aprendizaje estadístico. En comparación con otros clasificadores tales como las redes neurales artificiales (AN, por sus siglas en Inglés), la SVM tiene buena habilidad de generalización y el modelo de entrenamiento correspondiente converge típicamente con menos muestras de entrenamiento. La SVM transforma el espacio de característica original en un espacio dimensional más alto para determinar un híper-plano óptimo mediante la maximización de las distancias de separación entre las clases. Dado un grupo de datos de entrenamiento de entrada x e c, el espacio de característica dimensional más alto transformado puede ser obtenido como: C' = F(C) (26) donde f es la función transforma. Asumiendo dos clases y e {l,-l} etiquetadas como clase positiva y = 1 y clase negativa y = -1, un híper-plano f (x ') = 0 puede ser determinado co o: donde w es un vector n-dimensional y b es un escalar. El vector w y el escalar b son utilizados para definir la posición del híper-plano de separación. Este híper-plano es construido para maximizar la distancia entre las clases más cercanas a través de la siguiente optimización. ®ax v(>; +&)³£>,Vi »«·*·* sujeto a 1 (28) donde D es la distancia de la clase más cercana al híper-plano y puede ser establecido como l/||w|| después de la normalización. Tomando en cuenta el ruido con las variables auxiliares x* y la penalidad por error C, la Ecuación (8) puede ser reescrita como: (29) sujeto a Entonces el híper-plano puede ser determinado como la siguiente función de signo (sgn (i) = 1 para t >0, y sgn (t) = -1 para t < 0) í f(x) =sgn åy (x ) F?? + b \ (30) Posteriormente, la función del híper-plano puede ser determinada por la función de K (X , X) = (c?) tf (c) mediante el cómputo de los productos internos sin especificar la forma explícita de la función de transformación f. Diferentes funciones de dos variables pueden ser formuladas como se lista en la Tabla 1, donde g es un parámetro de función de dos variables, C es un parámetro de costo en la función de dos variables, y d denota el grado de función polinomial. Específicamente, la función de dos variables de RBF Gaussiana es utilizada en este estudio debido a su popularidad y reportó buen funcionamiento en el monitoreo de las condiciones de maquinaria [29]. En consecuencia, la función de decisión asociada es expresada como: Tabla 1. Formulaciones de las funciones de dos variables Modelo Autorregresivo: El modelo autorregresivo es una téenica de modelación paramétrica ampliamente utilizada con aplicaciones en procesamiento de voz, modelación de sistemas mecánicos e identificación de sistemas. Los métodos paramétricos están disponibles para modelar sistemas mecánicos. Teóricamente, un proceso aleatorio determinístico puede ser predicho con base en observaciones pasadas infinitas. donde x[n] es el punto de dato de la serie en el tiempo, y ct [k] representa los coeficientes autorregresivos. Los parámetros n y k representan el índice de tiempo y el número simulado, respectivamente. La ecuación (32) puede ser aproximada por sus valores precedentes finitos (p), expresados por una regresión lineal sobre los puntos de la serie en el tiempo más un término de error: donde p es el orden del modelo, e[n] es el término de error, el cual es una serie de ruido blanco Gaussiano con cero medias y la varianza s2. Los coeficientes AR pueden ser estimados por diferentes procedimientos, tales como el método de mínimos cuadrados o las ecuaciones de Yule-Walker. En este documento, el método de Yule-Walker ha sido investigado por su eficiencia computacional mejorada. Un asunto importante es la modelación AR para seleccionar el orden del modelo. Tres criterios populares de selección del orden del modelo son: el Criterio de Información Akaike (AIC, por sus siglas en Inglés), Error de Predicción Final (FPE, por sus siglas en Inglés), y longitud de descripción mínima (MDL), que son mostrados enseguida: ÍÍDL(d)~v(l+<i ln 'j (36) En las ecuaciones anteriores, V es la función de pérdida, d es el orden del modelo Ar y N es el número de observaciones para el ajuste del modelo. De acuerdo a estos tres criterios, el modelo más exacto tiene el valor de criterio más mínimo. Se sabe que el criterio AIC sufre de un sobreajuste, y FPE y MDL producen mejor funcionamiento de selección de orden, como se discute en la siguiente sección.

La disposición experimental descrita en la Figura 2 es utilizada para conducir experimentos para la clasificación de defectos del motor. En el estudio experimental, seis motores con modelos idénticos pero diferentes defectos incipientes, son investigados. Estos son suministrados con energía con la corriente de suministro o de la fuente, de la misma frecuencia, por ejemplo, 50 Hz, y son probados bajo las mismas condiciones de carga. La Tabla 2 describe las diferentes condiciones de los motores.

Tabla 2. Condiciones de prueba de los motores de inducción Después de que son recolectadas las señales de corriente del motor a partir de los seis motores probados, el envolvente de corriente, c (t) , es computado utilizando la transformación de Hilbert de acuerdo a: (37) donde c (t) es el envolvente de la señal de corriente I (t) e I{ t) es la Transformación de Hilbert de la señal de corriente del motor. Fueron extraídas un total de 23 características para la detección de elementos de defectos del motor. Las características son descritas en la Tabla 3 de acuerdo a tres categorías: características estadísticas de dominio de tiempo, características de dominio de frecuencia y coeficientes AR.

Tabla 3. Lista de características extraídas Dominio Características Expresión Estadístico RMS Asimetría Curtosis Entropía Factor de cresta Frecuencia Excentricidad de aire Potencia a: Barra rota Potencia a: cojinete Potencia a: Modelo Coeficientes AR Características estadísticas Cinco características estadísticas provenientes de la corriente del motor medida y la envolvente de corriente fueron extraídas incluyendo la media cuadrática (RMS, por sus siglas en Inglés), la Asimetría, la Curtosis, la Entropía y el factor de cresta. La RMS es una medida para la magnitud de una cantidad variante. Esta está relacionada con la energía de la señal la asimetría es utilizada para caracterizar el grado de asimetría de la señal de la distribución alrededor de su media, la curtosis indica el carácter puntiagudo de la señal. El factor de cresta es calculado a partir del valor pico dividido entre el valor de RMS de la señal. De acuerdo a la teoría de la información, la entropía proporciona una medida cuantitativa para la incertidumbre asociada con la señal.

Características de frecuencia: Las característica fms iel dominio de frecuencia proporcionan . 5)/r] más de la corriente del motor y la e fsms ~ corriente, y revelan la información que de otro modo no es encontrada en el dominio de tiempo. En este estudio, las energías a las frecuencias características de defectos del motor de la barra rota ( ÍBRB ) , excentricidad espacio de aire ( ÍECE) , y cojinete defectuoso ( f BNG ) han sido extraídas para construir el vector de característica: (38) (39) (40) En las ecuaciones anteriores, fa es la frecuencia de suministro del motor, s es el deslizamiento del motor, k=l , 2 , 3 , . . .p es el número de polos del motor de inducción, y fdefect es la frecuencia de defectos del cojinete, que puede ser calculada con base en el número de elementos de rodamiento y las dimensiones de la superficie de rodamiento interna, la superficie de rodamiento externa, y los elementos giratorios. Todos los parámetros excepto el deslizamiento del motor s, son conocidos. En vez de estimar el valor de s, ha sido desarrollado un algoritmo EEMD para extraer las frecuencias características de defecto, como se ilustra en las ecuaciones (38-40). Como se discutió anteriormente, la corriente del motor es una señal modulada en amplitud de la frecuencia del suministro del motor (fs) , con frecuencias características de defecto tales como 2ksfs, k (l-s) fs/p, y kf e ec. A través de un análisis de la envolvente basada en la transformación de Hilbert, las frecuencias características de defecto pueden ser desmoduladas y extraídas por la eliminación de la frecuencia de suministro del motor en la señal de la envolvente de corriente del motor. En la Figura 12, se muestra una comparación entre los resultados de utilizar la corriente del motor y la envolvente de la corriente. Ya que la frecuencia del suministro del motor contiene una porción mayor de la energía de la señal, y domina en la corriente del motor, es difícil identificar la señal armónica de banda lateral que es indicadora de la frecuencia característica de la barra de rotor rota (ÍBRB) . Esto es ilustrado en la Figura 13B, donde los espectros de las señales provenientes de un motor saludable y un motor con una barra rota, son difíciles de ser diferenciados. En comparación, la comparación espectral en la Figura 13C que utiliza las envolventes de corriente entre el motor saludable y el motor con la barra rota, ha mostrado claramente la diferencia en la concentración de energía asociada con las frecuencias relacionadas a la barra del rotor rota ( 2kfs ) . Esto confirma la efectividad de la envolvente de corriente en manifestar las características relacionadas a los defectos.

Coeficientes AR: Existen dos escenarios ejemplares de utilizar características relacionadas a los modelos AR. El primero es utilizar la señal residual derivada del coeficiente AR de la condición normal, mientras que el segundo es para utilizar los coeficientes AR como la característica. El primer escenario constituye una operación de pre-blanqueamiento, que tiene los mismos puntos de datos con la señal original. Como un ejemplo de la reducción de la dimensión de un vector de características, los coeficientes AR son elegidos como las características en este estudio. El número de los coeficientes AR, el cual corresponde al orden del modelo, puede ser determinado de acuerdo a uno o más criterios. Los criterios para la selección del orden, Criterio de Información (AIC), El criterio Error de Predicción Final (FPE, por sus siglas en Inglés), y el criterio de Longitud de descripción Mínima (MDL), son ilustrados en las Figuras 15A y 15B. Se observa que los criterios FPE y MDL, producen ambos resultados similares, mientras que AIC se aproximó a su valor en estado de reposo lentamente, debido a un problema de sobreajuste. En el estudio experimental, el orden 15 ha sido seleccionado con base en los criterios FPE y MDL, ya que el orden de modelo más alto no mejoró adicionalmente la exactitud del modelo. En consecuencia, los primeros quince coeficientes del modelo AR fueron extraídos y seleccionados como las características para la corriente del motor y la envolvente de la corriente.

Un número de características pueden ser extraídas de las mediciones para representar las señales originales para la clasificación de defectos del motor. No obstante, estas características pueden contener información redundante. Para la eficiencia computacional mejorada en la clasificación, es empleada una estrategia de selección de características para eliminar las características irrelevantes y redundantes y disminuir la dimensión del espacio de características. Una téenica de selección de característica ejemplar es el método de selección de característica de Relevancia Máxima de Redundancia mínima (mRMR). El método mRMR mide la relevancia y la redundancia de los candidatos de características con base en la información mutua, y selecciona un subgrupo de características "dominantes" que tiene relevancia máxima y redundancia mínima a un bajo gasto de tiempo. Debido a tal mérito, el método mRMR es investigado en este estudio. No obstante, otras téenicas de selección de características conocidas en la materia, tales como el método de Selección Secuencial retrógrada (SBS, por sus siglas en Inglés), algoritmo genético, método de Análisis de Componentes Principales (PCA, por sus siglas en Inglés), y el método de Análisis de Componentes Independientes (ICA, por sus siglas en Inglés), pueden ser utilizados. Después de llevar a cabo un mRMR, la calificación, por ejemplo, la diferencia entre la relevancia y la redundancia de cada característica, es obtenida. Una curva porcentual de calificación acumulada con el número de característica es mostrada en las Figuras 15C y 15D, lo cual corresponde a las características provenientes de la corriente del motor y la envolvente de la corriente, respectivamente. Un criterio de 95 % es ajustado para seleccionar la característica dominante en este estudio, ya que contiene la mayor parte de la información de estos grupos de características. Es claro que las 15 características provenientes de la corriente del motor y 18 características provenientes de la envolvente de la corriente son seleccionadas, respectivamente.

En el estudio experimental, tres clasificadores de patrones diferentes, incluyendo k-NN, NB y SVM han sido estudiados para la evaluación del funcionamiento de las características. Un parámetro de k-NN, por ejemplo, el número de vecinos más cercanos, es determinado a través de una validación cruzada quíntuple durante el proceso de entrenamiento, y se selecciona uno que produce la mejor proporción de reconocimiento. La distancia Euclidiana es elegida como la métrica de distancia para k-NN. Para el clasificador NB, se asume la distribución normal de los datos. Para construir un modelo SVM, dos parámetros, el parámetro de costo C y el parámetro de función de dos variables Gaussiano g, han sido seleccionados a través de un proceso de validación cruzada quíntuple para prevenir el sobreajuste. La exactitud del reconocimiento de los defectos del motor a partir de estos tres clasificadores, sigue un procedimiento de validación cruzada vía dejar uno fuera.

Un total de 600 grupos de vectores de características que corresponden a seis diferentes motores fueron extraídos de las señales de la corriente del motor y la envolvente de la corriente, respectivamente. Cada grupo de vectores de característica estuvo compuesto de cinco características estadísticas, tres características provenientes del dominio de frecuencia, y quince coeficientes AR. De acuerdo al procedimiento mRMR, quince características fueron seleccionadas de la corriente del motor y dieciocho características fueron seleccionadas de la envolvente de la corriente como las características dominantes, respectivamente. Para comparar la significancia de las características entre la corriente del motor y la envolvente de la corriente, las características estadísticas, las características provenientes del dominio de frecuencia, los coeficientes AR, sus combinaciones, y las características seleccionadas, fueron alimentados en los tres clasificadores, y los resultados se muestran en las Figuras 16A a la 16C y en la Tabla 4, respectivamente. Es claro que la exactitud de reconocimiento ha sido mejorada de manera significativa utilizando las características individuales provenientes de la envolvente de la corriente, en comparación con aquellas provenientes de la corriente del motor. Por ejemplo, la exactitud de clasificación ha sido mejorada de 50.5 % a 87.3 % mediante el uso de las características de los coeficientes AR para la envolvente de la corriente. Las características combinadas y seleccionadas han mostrado también exactitud de clasificación mejorada, en comparación con las características individuales, por ejemplo, las características estadísticas, las características provenientes del dominio de frecuencia, los coeficientes AR. Con base en la evaluación experimental, se observa que las características provenientes de la envolvente de la corriente han sobrepasado consistentemente a aquellas provenientes de la corriente del motor. Debido a que la frecuencia del motor domina en la señal de la corriente del motor, las características provenientes de la corriente podrían ser menos efectivas para identificar los rotores defectuosos que de la envolvente de la corriente. Ya que las envolventes de corriente no involucran la frecuencia de suministro del motor, la exactitud de la clasificación es más alta.

Tabla 4. Comparación de la exactitud de la clasificación utilizando diferentes características provenientes de la corriente del motor y la envolvente del motor.

ACC (%) NB k-NN SVM Características Corr. Env. Corr. Env. Corr. Env.

AR 50.5 87.3 65.3 90.5 91.5 97.2 Estadística 89 91.7 86.8 95.7 93.7 96.5 Frecuencia 68 90.3 60.2 92.5 69.2 94 AR+Estat. 93.3 98.5 87.2 98.7 96.5 99.7 Todas 94 99.5 87.8 99.7 98.7 99.8 combinadas Seleccionadas 94.7 99.7 92.8 99.8 99 100 Adicionalmente, el efecto de las funciones de dos variables, diferentes sobre el funcionamiento del modelo SVM es investigado. Cuatro diferentes funciones de dos variables, como se muestra en la Tabla 1, son probadas utilizando los grupos de características extraídos de la corriente del motor, y los resultados son resumidos en la Tabla 5. Es claro que la función de dos variables de RBF Gaussiana presenta una exactitud de clasificación consistente más alta que otras funciones de dos variables, validando la efectividad del análisis de envolvente en la identificación y diagnóstico de defectos de los motores de inducción.

Tabla 5. Efecto de las funciones de dos variables diferentes, en el modelo SVM Gaussiano Sigmoide AR 90.8 91.3 91.5 65.8 Estadística 91.2 90.3 93.7 91 Frecuencia 60.8 68.7 69.2 60.5 AR+Estat. 94.5 93.7 96.5 92.3 Todas 98.2 98.5 98.7 91.5 combinadas Seleccionadas 97.8 98 99 96.2 De acuerdo a otro aspecto más, se proporciona un sistema de medición con sensores múltiples, integrado con los algoritmos computacionales del monitoreo de la condición en tiempo real, en línea, y el diagnóstico de la salud de las plataformas de perforación. El sistema permite que las alarmas sean establecidas o que las advertencias sean visualizadas para proporcionar indicación del nivel de defectos estructurales en la plataforma de perforación, u otro sistema mecánico. Con base en el modelo de regla lógica, la progresión del defecto, o el grado de degradación del equipo, pueden ser especificados. Esto establece la base para predecir la vida de servicio restante de la plataforma. El modelo de la regla lógica es establecido con base en la extracción de la característica multidimensional, la selección de característic , y las téenicas de reconocimiento de patrón. Además del monitoreo de las condiciones de la plataforma con base en las corrientes de datos continuas, el examen y la cuantificación rutinaria de la salud de la plataforma de perforación, bajo condiciones de prueba cuantificables y consistentes, puede ser analizada para asegurar la consistencia en la prueba de las plataformas de perforación.

La Figura 17 muestra un diagrama de bloques de un sistema de adquisición de datos de sensores múltiples, de acuerdo a una modalidad ejemplar de la presente invención. Los componentes del equipo de perforación 1710 son usualmente monitorizados e incluyen en los engranes 1702, los cojinetes 1704, el eje 1706 y el motor 1708. Múltiples sensores, por ejemplo acelerómetros 1722, el codificador 1724, y la o las ondas de corriente eléctrica 1726, son utilizados para medir diferentes parámetros relevantes para los componentes monitorizados del equipo de perforación 1710. Por ejemplo, los acelerómetros 1722 son usualmente empleados para medir la aceleración, o la liberación, de los engranes 1702 y los cojinetes. El codificador 1726 es un dispositivo electromecánico que convierte en la posición o el movimiento angular del eje 1706 a un código analógico o digital. La o las sondas de corriente 1726 son empleadas en la medición de la corriente eléctrica del motor de inducción 1708. Los acondicionadores de señales 1730 son dispositivos utilizados para convertir un tipo de señal electrónica en otro tipo. En el contexto de esta solicitud, los acondicionadores de señales son utilizados para convertir las señales o los datos medidos, asociados con diferentes parámetros, en formato electrónico que es legible por la unidad de procesamiento 140. El medio de recolección de datos 1740 incluye uno o más dispositivos de memoria para almacenar temporalmente los datos medidos y/o los medios de comunicación para comunicar los datos medidos a la unidad de procesamiento 140. Los medios de comunicación incluyen, por ejemplo, una interfaz de transmisión, los transmisores inalámbricos, el cableado y/o cualesquiera otros dispositivos o conjuntos de circuitos para la transmisión de datos. El sistema de adquisición de datos de sensores múltiples está configurado para proporcionar datos de los sensores en tiempo real. Alternativamente, los datos de los sensores pueden ser temporalmente almacenados y proporcionados a la unidad de procesamiento 140 periódicamente en periodos de tiempo.

La Figura 18 muestra una arquitectura de una detección de defectos del modelo de regla lógica, basado en la fusión de datos de múltiples sensores. Las mediciones de los diversos tipos de señales o los datos de los parámetros asociados con uno o más componentes de un sistema mecánico, por ejemplo, la vibración/aceleración, la corriente del motor, la velocidad, el sacudimiento o similares, son recibidos desde el sistema de adquisición de datos de sensores múltiples en 1810. Un grupo de características o firmas de defectos son luego calculados o extraídas, en 1820, a partir de las mediciones de cada señal o parámetro. Cuatro características estadísticas, por ejemplo, a partir de la o las señales de vibración y el envolvente de corriente son calculadas, incluyendo la media cuadrática (RMS), la Asimetría, la Curtosis y los factores de cresta. La RMS es una medida para la magnitud de una cantidad variante. Esta está relacionada a la energía de la señal. La asimetría es utilizada para caracterizar el grado de la simetría de la señal de la distribución alrededor de su media, y la Curtosis indica el carácter puntiagudo de la señal. El factor de crest es calculado a partir del valor del pico dividido entre el valor de RMS de la señal.

Las características de frecuencia de la o las señales de vibración son también utilizadas para construir el espacio de características, incluyendo las energías a las frecuencias características del cojinete ÍBSF, EBPFO, ÍBPFI, y la banda lateral del engrane alrededor de la frecuencia de engranado del engrane. Para extraerlas, las señales de vibración y de alimentación son alimentadas en los algoritmos para espectros de orden de envolvente de escala múltiple y el análisis de patrón de banda lateral. De manera similar, el análisis espectral de la envolvente de la corriente del motor es realizado para extraer las energías o las potencias a la frecuencia característica del motor, tal como la barra del rotor roto (£BRB = 2ksfs) y la excentricidad ( ÍECE = k (l -s) fs/ p) , donde s es el deslizamiento del motor, p es el número de polo del motor, y Je es el número de índice k = 1, 2, 3, - Un número de características pueden ser extraídas o calculadas a partir de las mediciones para representar las señales originales para la clasificación de los defectos. No obstante, estas características pueden contener información redundante. Para la eficiencia computacional mejorada en la clasificación, un procedimiento de selección de características, tal como la redundancia máxima de redundancia mínima (mRMR), es aplicada en 1830 para eliminar las características irrelevantes y redundantes y para disminuir la dimensión del espacio de características. De acuerdo a un aspecto, la selección de características puede ser opcional y todas las características extraídas son utilizadas en el proceso de clasificación en 1840.

El método mRMR mide la relevancia y la redundancia de los candidatos de características con base en la información mutua. La información de dos variables de características m y n es definida con base en su distribución probabilística conjunta p (m, n) y las probabilidades marginales respectivas p (m) y p (n) : El algoritmo de mRMR selecciona el subgrupo de características dominantes que tiene relevancia máxima y redundancia mínima, eficientemente. Después de realizar el mRMR, la calificación, por ejemplo, la diferencia entre la relevancia y la redundancia, de cada característica es obtenida. Puede ser utilizada una curva de porcentaje de calificación acumulado con el número de la característica, y un criterio de 95 % es establecido para seleccionar las características dominantes. Las características irrelevantes o redundantes son eliminadas, y las características más representativas son seleccionadas.

Las características seleccionadas son luego fusionadas por un clasificador de patrón en 1840 con base en, por ejemplo, una máquina de vector de soporte (SVM). La máquina de vector de soporte es una téenica de clasificación de patrones basada en la teoría del aprendizaje estadístico. La SVM transforma el espacio de características en un espacio dimensional más alto para determinar el híper-plano óptimo por la maximización de las distancias de separación entre las clases. Dado un grupo de entrenamiento de características de entrada x E c, el espacio de características dimensional más alto, transformado es obtenido co o: donde f es la función de transformación. Asumiendo dos clases y e {l, -1} etiquetado como clase positiva yi = 1, y como clase negativa f (x ') = 0 es entonces determinado como: donde w es un vector n-dimensional y b es un escalar. El vector w y el escalar b son utilizados para definir la posición del híper-plano de separación.

El propósito de construir el híper-plano es elevar al máximo la distancia entre las clases más cercanas a través de la siguiente operación de optimización: max D, sujeto a (4) donde D es la distancia de la clase más cercana al híper-plano, que puede ser establecido como l/Mldespués de la normalización. Tomando en cuenta el ruido con las variables auxiliares xi y la penalidad de error C, la Ecuación (3) es entonces reescrita como: S ujeto a Entonces el híper-plano puede ser determinado como una función de (signo (t) = 1 para t > 0, y sgnft)= -1 para t<0): (6) Subsecuentemente, la función del híper-plano puede ser determinada por la función de dos variables (·>¾*)= F(c1)t (^} por medio del cómputo de los productos internos sin especificar la forma explícita de la función de transformación f. En consecuencia, la función de decisión asociada expresada como: (7) En 1845, una condición de la plataforma de perforación, o cualquier otro sistema mecánico, es determinada. En 1850, es reportada la condición por ejemplo mediante el establecimiento de una alarma. El algoritmo de fusión de datos descrito anteriormente, mejora la efectividad del diagnóstico de defecto y establece la base para un modelo de regla lógica que determina el ajuste de las diversas etapas de alarmas en 1850, por ejemplo, en formas visuales o audibles, que corresponden a diversos niveles de degradación de la plataforma de degradación, por ejemplo, saludable, advertencia, defecto severo. Las características extraídas de las corrientes de datos de los diferentes sensores, contienen típicamente información redundante, debido al acoplamiento físico de los diversos componentes en el sistema de la plataforma de perforación.

La Figura 19 es un panorama general de un sistema para imple entar un procedimiento centralizado para monitorizar las plataformas de perforación u otros sistemas mecánicos. Una o más plataformas de perforación, por ejemplo 1910a, 1910b y 1910c están asociadas con uno o más sistemas de audición de datos respectivos, por ejemplo, 1920a, 1920b y 1920c. Los sistemas de adquisición de datos recolectan datos de sensores y los envían a una unidad central de procesamiento 1930 a través de una red de comunicación 1950. La red de comunicación puede ser una red de área local, una red de área ancha inalámbrica, una red de área local inalámbrica, la internet, una red telefónica, o una combinación de las mismas. La unidad central de procesamiento 1930 puede ser un servidor de computadora o una nube de servidores. La unidad de procesamiento 1930 procesa los datos recibidos de los sensores, y determina la condición de una o más plataformas u otros sistemas mecánicos, y reporta las condiciones determinadas a uno o más dispositivos electrónicos, por ejemplo, 1940a, 1940b y 1940c, a través de la red de comunicación 1950. La unidad de procesamiento 1930 puede también, o alternativamente, reportar las condiciones determinadas a los sitios de perforación correspondientes a las plataformas de perforación respectivas.

En el reporte de la condición determinada de las plataformas de perforación, la unidad de procesamiento 130 puede enviar un mensaje de Servicio de Mensaje Corto (SMS, por sus siglas en Inglés), mensaje de Servicio de Mensaje Multimedia (MMS, por sus siglas en Inglés), correo electrónico, o cualquier otro tipo de mensaje de comunicación, incluyendo la información respecto a las condiciones de las plataformas de perforación, hacia una o más entidades. La unidad de procesamiento 130 puede, alternativamente o en adición, enviar la información respecto a las condiciones de las plataformas de perforación sobre una página de la red de intranet o internet o hacer a la información disponible a otras entidades a través de una base de datos accesible. De acuerdo a otro ejemplo más, la unidad de procesamiento puede ser configurada para iniciar remotamente una alarma. De acuerdo a otro ejemplo más, la unidad de procesamiento 130 puede estar configurada para provocar que una plataforma de perforación u otro sistema mecánico, asociado con un defecto diagnosticado, impida la operación con el fin de evitar algún daño no deseable.

Mientras que la Figura 19 es descrita con respecto a una pluralidad de plataformas de perforación, el mismo sistema y el concepto correspondiente pueden ser empleados con respecto a una plataforma de perforación simple. De manera similar, el mismo sistema y el concepto correspondiente pueden ser empleados en el monitoreo de uno o más sistemas mecánicos asociados con uno o más sitios, tales como los sitios de fabricación o de ingeniería.

La Figura 20 es un diagrama de bloques de un aparato ejemplar 2000 con los medios para realizar los métodos de diagnóstico de defectos. El aparato incluye una memoria de almacenamiento 2020 configurada para almacenar datos y computar las instrucciones de los códigos. Las instrucciones de código de computadora, cuando son ejecutadas por un procesador provocan que el aparato realice cualquiera de los métodos anteriormente descritos o en las siguientes reivindicaciones. El aparato también incluye la interconexión de entrada/salida 2030 y una interconexión de comunicaciones para recibir y para transmitir datos hacia otros dispositivos electrónicos. El dispositivo puede también incluir una unidad de pantalla para visualizar el contenido asociado con la alarma, por ejemplo.

Una persona experta en la téenica debe apreciar que las muestras de datos medidas, asociadas con un componente monitorizado, pueden ser medidas en el componente monitorizado o en otro componente, por ejemplo, acoplado al componente monitorizado. Por ejemplo, cuando se mide la velocidad o la aceleración, la medición puede ser realizada en un cojinete monitorizado (o engrane) o de otro modo en un eje u otro componente acoplado al cojinete o al engrane monitorizado. También las mediciones asociadas con un motor, por ejemplo, pueden ser utilizadas en el diagnóstico de un cojinete o engrane, y viceversa.

Las modalidades descritas en la presente pueden ser implementadas en equipo físico (hardware), programas (firmware), dotación lógica e informática (software), o cualquier combinación de los mismos. En ciertas modalidades, los procedimientos, los dispositivos y los procesos descritos en la presente constituyen un producto de programa de computadora, incluyendo un medio legible en computadora (por ejemplo, un medio de almacenamiento removible tal como uno o más DVD-ROM's, CD-ROM's, disquetes, cintas, etc.), que proporciona al menos una porción de las instrucciones de software para el sistema. Tal producto de programa de computadora puede ser instalado mediante cualquier procedimiento de instalación de software, adecuado, como es bien conocido en la téenica. En otra modalidad más, al menos una porción de las instrucciones de software puede ser también descargada sobre una conexión por cable, de comunicación y/o inalámbrica.

Las modalidades pueden ser también implementadas como instrucciones almacenadas sobre un medio legible en máquina, no transitorio, las cuales pueden ser leídas y ejecutadas mediante uno o más procedimientos. Un medio legible en máquina, no transitorio puede incluir cualquier mecanismo para almacenar o transmitir información en una forma legible por una máquina (por ejemplo, un dispositivo de cómputo). Por ejemplo, un medio legible en máquina, no transitorio puede incluir la memoria de solo lectura (ROM, por sus siglas en Inglés); memoria de acceso aleatorio (RAM, por sus siglas en Inglés); medio de almacenamiento de disco magnético; medio de almacenamiento óptico; dispositivos de memoria instantánea; y otros.

Además, el firmware, el software, las rutinas o las instrucciones pueden ser descritos en la presente como los que realizan ciertas acciones y/o funciones de los procesadores de datos. Sin embargo, se debe apreciar que tales descripciones contenidas en la presente son meramente para conveniencia y que tales acciones de hecho resultan de dispositivos de cómputo, procesadores, controladores u otros dispositivos que ejecutan el firmware, el software, las rutinas, las instrucciones, etc.

Se debe entender, que los siguientes diagramas de flujo, diagramas de bloques y diagramas de red pueden incluir más o menos elementos, estar acomodados de manera diferente, o ser representados de una manera diferente. Pero se debe entender además que ciertas implementaciones pueden dictar los diagramas de bloques y de red y el número de diagramas de bloques y de red que ilustran la ejecución de las modalidades que son imple entadas de una manera particular.

En consecuencia, las modalidades adicionales pueden ser también implementadas en una variedad de arquitecturas de computadora, físicas, virtuales, computadoras de nube y/o una combinación de las mismas, y de este modo los procesadores de datos descritos en la presente están destinados para fines de ilustración únicamente y no como una limitación de las modalidades.

Mientras que esta invención ha sido particularmente mostrada y descrita con referencia a las modalidades ejemplares de la misma, deberá ser entendido por las personas expertas en la téenica que pueden ser realizados diversos cambios en la forma y los detalles en ésta, sin apartarse del alcance de la invención abarcada por las reivindicaciones anexas.

Se hace constar que con relación a esta fecha, el mejor método conocido por la solicitante para llevar a la práctica la citada invención, es el que resulta claro de la presente descripción de la invención.

Claims (39)

REIVINDICACIONES Habiéndose descrito la invención como antecede, se reclama como propiedad lo contenido en las siguientes reivindicaciones:

1. Un método para detectar un defecto en un sistema mecánico, caracterizado porque comprende: calcular una pluralidad de características utilizando, al menos en parte, los datos de sensores múltiples, asociados con al menos un componente del sistema mecánico; clasificar un subgrupo de la pluralidad calculada de características, con base en patrones de clasificación construidos a partir de los datos de entrenamiento de múltiples sensores; y determinar si existe o no un defecto en al menos un componente, con base en el subgrupo clasificado de características.

2. El método de conformidad con la reivindicación 1, caracterizado porque el sistema mecánico es una plataforma de perforación.

3. El método de conformidad con las reivindicaciones 1 ó 2, caracterizado porque la pluralidad calculada de características incluye las características estadísticas .

4. El método de conformidad con cualquiera de las reivindicaciones 1-3, caracterizado porque la pluralidad calculada de características incluye las características del dominio de frecuencia.

5. El método de conformidad con la reivindicación 4, caracterizado porque las características del dominio de frecuencia incluyen las características de los espectros de orden de envolvente de escala múltiple.

6. El método de conformidad con la reivindicación 4, caracterizado porque las características del dominio de frecuencia incluyen las características espectrales de la envolvente de corriente del motor.

7. El método de conformidad con cualquiera de las reivindicaciones 1-6, caracterizado porque la pluralidad calculada de características incluye coeficientes autorregresivos.

8. El método de conformidad con cualquiera de las reivindicaciones 1-7, caracterizado porque el cálculo de una característica incluye la estimación de la característica.

9. El método de conformidad con cualquiera de las reivindicaciones 1-8, caracterizado porque comprende además seleccionar el subgrupo de la pluralidad calculada de características, el subgrupo seleccionado es clasificado.

10. El método de conformidad con la reivindicación 9, caracterizado porque la selección de un subgrupo de la pluralidad calculada de características incluye la selección de un subgrupo de la pluralidad calculada de características, con base en un método de selección de características de relevancia máxima de redundancia mínima (mRMR).

11. El método de conformidad con la reivindicación 9, caracterizado porque la selección de un subgrupo de la pluralidad calculada de características incluye la selección de un subgrupo de la pluralidad calculada de características, con base en al menos en un método de selección retrograda secuencial, el método de análisis de componente principal, y el método de análisis de componente independiente.

12. El método de conformidad con cualquiera de las reivindicaciones 1-11, caracterizado porque la clasificación del subgrupo de características incluye clasificar el subgrupo de características de acuerdo a un método de máquina de vector de soporte.

13. El método de conformidad con cualquiera de las reivindicaciones 1-11, caracterizado porque la clasificación el subgrupo de características incluye clasificar el subgrupo de características de acuerdo al método de vecino k-más cercano.

14. El método de conformidad con cualquiera de las reivindicaciones 1-11, caracterizado porque clasificar el subgrupo de características incluye clasificar el subgrupo de características de acuerdo a un método bayesiano simple.

15. El método de conformidad con cualquiera de las reivindicaciones 1-14, caracterizado porque comprende además reportar si existe o no un defecto en el motor.

16. El método de conformidad con la reivindicación 15, caracterizado porque el reporte de si existe o no un defecto en el componente del motor, incluye el inicio de una alarma.

17. El método de conformidad con cualquiera de las reivindicaciones 1-16, caracterizado porque los datos de entrenamiento de los múltiples sensores incluyen los datos medidos.

18. El método de conformidad con cualquiera de las reivindicaciones 1-17, caracterizado porque los datos de entrenamiento de los múltiples sensores incluyen los datos simulados por computadora.

19. Un método para detectar un defecto en un sistema mecánico, caracterizado porque comprende: calcular un grupo de envolventes de tren de ondas de una primera representación muestreada en el tiempo, de un componente móvil del sistema mecánico; convertir el grupo de envolventes de tren de ondas de un dominio de tiempo a un dominio espacial, con base en las muestras medidas de una segunda representación muestreada en el tiempo, del movimiento asociado con el componente móvi1; determinar una o más concentraciones de energía espectral de las envolventes de tren de ondas, convertidas, asociados con al menos una frecuencia de defecto esperado del componente móvil; y determinar si existe o no un defecto en el componente móvil, con base en una o más de las concentraciones de energía espectral, calculadas.

20. El método de conformidad con la reivindicación 19, caracterizado porque el sistema mecánico es una plataforma de perforación.

21. El método de conformidad con las reivindicaciones 19 ó 20, caracterizado porque la primera representación de movimiento es una señal de aceleración, la segunda representación de movimiento es una señal de velocidad, y el dominio espacial es el dominio de ángulo rotacional.

22. El método de conformidad con cualquiera de las reivindicaciones 19-21, caracterizado porque la segunda representación de movimiento es variante en el tiempo.

23. El método de conformidad con cualquiera de las reivindicaciones 19-22, caracterizado porque la segunda representación de movimiento muestreada en el tiempo es muestreada en un primer grupo de instancias de tiempo de muestreo, con periodo de tiempo constante, y en donde la conversión del grupo de envolventes de tren de ondas incluye: calcular un segundo grupo de instancias de tiempo que corresponden a incrementos iguales del desplazamiento espacial; y calcular otro grupo más de envolventes de tren de ondas con las muestras que corresponden al segundo grupo de instancias de tiempo.

24. El método de conformidad con cualquiera de las reivindicaciones 19-23, caracterizado porque la determinación de si existe o no un defecto en el componente móvil incluye comparar una o más concentraciones de energía espectrales determinadas, con uno o más umbrales.

25. El método de conformidad con cualquiera de las reivindicaciones 19-23, caracterizado porque la determinación de si existe o no un defecto en el componente móvil incluye comparar los promedios de una o más concentraciones de energía espectral determinadas, a través de diferentes escalas de tren de ondas a uno o más umbrales.

26. El método de conformidad con cualquiera de las reivindicaciones 19-23, caracterizado porque la determinación de si existe o no un defecto en el componente móvil incluye comparar las sumas de una o más concentraciones de energía espectral, determinadas, a través de diferentes escalas de tren de ondas a uno o más umbrales.

27. El método de conformidad con cualquiera de las reivindicaciones 1-26, caracterizado porque comprende además reportar si existe o no un defecto en el componente móvil.

28. El método de conformidad con la reivindicación 27, caracterizado porque el reporte de si existe o no un defecto en el componente móvil, incluye el inicio de una alarma.

29. Un método para detectar un defecto en un sistema mecánico, caracterizado porque comprende: calcular una envolvente de una señal de corriente eléctrica de un motor del sistema mecánico; calcular una o más concentraciones de energía espectral del envolvente en una o más frecuencias de defecto esperadas del motor; y determinar si existe o no un defecto en el motor, con base en una o más concentraciones de energía espectral, calculadas.

30. El método de conformidad con la reivindicación 29, caracterizado porque la determinación de si existe o no un defecto en el motor, incluye comparar una o más de las concentraciones de energía espectral, determinadas, a uno o más umbrales.

31. El método de conformidad con las reivindicaciones 29 ó 30, caracterizado porque además incluye calcular otras características de la envolvente, diferentes de una o más de las concentraciones de energía espectral de la envolvente, a una o más frecuencias de defecto esperadas del motor, y en donde la determinación de si existe o no un defecto en el motor, incluye la clasificación un subgrupo de las características calculadas, a partir del grupo de características calculadas, incluyendo una o más concentraciones de energía espectral, calculadas y otras características, con base en los patrones de clasificación, siendo calculados los patrones de clasificación utilizando los datos de entrenamiento asociados con las concentraciones de energía a las frecuencias de defecto esperadas del motor, y utilizando los datos de entrenamiento asociados con las otras características.

32. El método de conformidad con la reivindicación 31, caracterizado porque además incluye seleccionar el subgrupo de características con base en un método de selección de característica de relevancia máxima, de redundancia mínima.

33. El método de conformidad con cualquiera de las reivindicaciones 29-32, caracterizado porque además comprende reportar si existe o no un defecto en el motor.

34. El método de conformidad con la reivindicación 33, caracterizado porque el reporte de si existe o no un defecto en el motor, incluye el inicio de una alarma.

35. El método de conformidad con la reivindicación 33, caracterizado porque el motor es un motor de plataforma de perforación.

36. Un método para detectar un defecto en un sistema mecánico, caracterizado porque comprende: convertir un grupo de muestras medidas de una primera representación muestreada en el tiempo, del movimiento asociado con un componente móvil del sistema mecánico, del dominio de tiempo al dominio espacial con base en las muestras medidas de una segunda representación del movimiento, muestreada en el tiempo, asociada con el componente móvil; calcular un grupo de envolventes de tren de ondas del grupo convertido de muestras medidas de la primera representación muestreada en el tiempo del componente móvil del sistema mecánico; determinar una o más concentraciones de la energía espectral de las envolventes de tren de ondas, calculadas, asociadas con al menos una frecuencia de defecto esperada de los componentes móviles,; y determinar si existe o no un defecto en el componente móvil, con base en una o más concentraciones de energía, calculadas.

37. Un aparato, caracterizado porque comprende los medios para realizar el método de conformidad con cualquiera de las reivindicaciones 1-36.

38. Un aparato, caracterizado porque comprende una memoria con las instrucciones del código de computadora almacenadas en ésta y un procesador, la memoria y las instrucciones del código de computadora, con el procesador que está configurado para provocar que el aparato realice el método de conformidad con cualquiera de las reivindicaciones 1-36.

39. Un medio legible en computadora, caracterizado porque comprende las instrucciones del código de computadora almacenadas en ésta, las instrucciones del código de computadora cuando son ejecutadas por un procesador provocan que un aparato realice el método de conformidad con cualquiera de las reivindicaciones 1-36.