Monitorización y clasificación de defectos en rodamientos de bolas : estudio transitorio

Abstract

Hoy en día, los rodamientos son los elementos de apoyo de ejes más empleados junto con los cojinetes en máquinas rotativas, soportando gran parte de la carga y sometidos a numerosos esfuerzos, por lo que la posibilidad de aparición de un defecto incipiente en su estructura es elevada. Esto ha generado en las últimas décadas un esfuerzo económico importante para desarrollar y mejorar los métodos automáticos de detección de defectos en los procesos industriales, ya que va acompañado de una cuantiosa reducción de los costes operacionales y de mantenimiento. De todos los métodos existentes debemos hacer hincapié en métodos no invasivos como el análisis de vibraciones mecánicas, ya que nos permiten conocer el estado de la máquina interfiriendo mínimamente en el proceso productivo. Y es en este punto en el que el presente Proyecto comienza su desarrollo, con el interés en desarrollar nuevos métodos de detección de defectos en rodamientos a partir de señales vibratorias. Para ello nos centramos en un tipo concreto de señal, la obtenida de un rodamiento sometido a una rampa de velocidad, y un objetivo, desarrollar un método que permita identificar el estado del rodamiento a partir de esta señal. Para ello se adquieren un conjunto de señales en un banco de ensayos habilitado para la obtención de señales en rodamientos. Estos rodamientos corresponden a cuatro condiciones de operación diferentes: una define el estado de rodamiento sano y las otras tres corresponden a tres condiciones de defecto. Las señales obtenidas serán procesadas con Transformadas Wavelet y Wavelet Packet para determinar los niveles que mejor definen cada tipo de señal y obtendremos distintos patrones con el fin de encontrar el que nos permita identificar el tipo de rodamiento. Para ello introduciremos estos patrones en diferentes tipos de red neuronal, para así desarrollar un sistema inteligente capaz de, a partir de señales obtenidas clasificar e identificar su procedencia, imitando con ello el procedimiento de aprendizaje humano. De los resultados obtenidos se concluirá qué métodos de procesamiento son más eficaces, los tipos de redes más apropiados para este tipo de señales así como su configuración óptima para obtener buenos resultados. ___________________________________________________________________________________________________________

Nowadays, bearings are the elements of shaft supporting most used in rotating machinery, so the possibility of have a defect in its structure is quite a bit high. This has led in last decades an economic effort to develop and improve methods for automatic detection of failures in industrial processes, and that’s because it leads an important reduction in operational and maintenance costs. We would like to emphasize in non-invasive methods such as mechanical vibration analysis, as they allow us to know the status of the machine with minimal disruption in the production process. It’s at this moment when this project began, with interest in developing new methods of detection of failures in bearings from vibration signals. To do this we focus on a particular type of signal obtained from a bearing subjected to transient effort. Obviously we need a goal too, develop a method to identify the state of bearing from their vibration signals. For this purpose we acquired a set of signals on a test simulator enabled to obtain signals from ball bearings. We have four types of bearings, one is a healthy bearing and the other three are three kinds of bearings with little failures. The signals obtained are processed with Wavelet Transform and Wavelet Packet to know the levels that are able to define each type of signal. Thanks to it we can get some different patterns that allow us to classify signals. Introducing these patterns in different models of neural networks we can achieve an intelligent system capable to classify and identify the source. It’s like human learning process. In this way we can conclude which methods are more effective processing different types of networks suitable for each kind of signals, as well as their optimal settings to get the best results.