RT Dissertation/Thesis
T1 Nuevas metodologías no invasivas de diagnosis de defectos incipientes en rodamientos de bola
A1 Lara Castro, Omar José
AB Los rodamientos de bola forman parte del subsistema de apoyo de máquinasrotativas, soportando una gran porción de la carga estática y dinámica del sistema, porlo que la posibilidad de un defecto incipiente en su estructura, es inherente a lastensiones involucradas en la conversión de energía del sistema.En las últimas décadas se ha incrementado la demanda de la automatización dela diagnosis de defectos en procesos industriales, por su influencia en la economía de laempresa, al reducir costes operacionales y de mantenimiento, y mejorar el nivel deseguridad. De las distintas formas de diagnosticar un defecto mecánico, los métodos noinvasivos aportan mediciones de bajo coste y de fácil acceso, a la vez que persiguen laevaluación del estado dinámico de la máquina sin la necesidad de proceder a sudesmontaje; debido a tales factores, es de gran importancia su uso y puesta a punto.La diagnosis de defectos en componentes de máquinas, toma en consideraciónlos datos de vibración mecánica obtenidos, que se conforman por señales complejas denaturaleza estocástica y no estacionaria, dada la no linealidad de la dinámica demáquinas. Esta información suele ser procesada y clasificada con distintas herramientaspara diagnosticar el estado del sistema mecánico.En la presente Tesis Doctoral, se han desarrollado y aplicado diferentesmetodologías de diagnosis de defectos incipientes en rodamientos de bola. Para ello, seha adquirido un conjunto de señales de un banco de ensayos de rodamientos,completando tres tipos de condición defectuosa y una condición normal en rodamientos.Estas señales han sido procesadas mediante una herramienta de procesamiento de datos,denominada Transformada Wavelet que, a pesar de su edad temprana, posee unatrayectoria amplia en el análisis de señales vibratorias, siendo capaz de extraerinformación relevante del fenómeno físico en estudio, en dimensiones reducidas.Adicionalmente, esta información ha sido clasificada por medio de tres tipos de redesneuronales, que han demostrado ser capaces de efectuar un diagnóstico automático de lacondición de un sistema, al aprender adecuadamente con un conjunto representativo demuestras, e imitar el proceso de aprendizaje humano.Los resultados señalan que hay diversos factores que influyen en la precisión delsistema clasificador, como son, la cantidad de datos utilizados, la complejidad de la redneuronal, y diversas consideraciones de diseño que se explican en detalle para cada reden particular. Finalmente, se introduce la aplicación de Sistemas Híbridos declasificación para la diagnosis de defectos en componentes mecánicos rotativos,consiguiendo índices de éxito nunca antes alcanzados en este campo.____________________________________________
AB Ball bearings are part of the rotating machinery anchor subsystem, supporting aconsiderable portion of the static and dynamic load, and the possibility of incipientfaults is inherent due to the stresses involved in the energy conversion of the system.In the past few decades, there has been an increasing demand for fault diagnosisautomation in industrial process, due to its influence in plant economy, by reducingoperational and maintenance costs and the improvement of the safety level. Differentmethods are used to diagnose a mechanical fault, but the non-invasive schemes offereasily accessible and inexpensive measurements to predict the system condition withoutdisintegrating the machine structure. Due to their characteristics, its use andconditioning are very important.Fault diagnosis in mechanical devices consider the mechanical vibration dataobtained, which is conformed of stochastic and non-stationary complex signals due tomachine dynamics are not linear. This information should be processed and classifiedwith different tools in order to diagnose the mechanical system condition.In the present Doctoral Thesis, there have been acquired experimental data setsfrom a bearing test bench, obtaining three different faulted conditions and a normaloperation condition for bearings. These signals have been processed using the WaveletTransform, which has been becoming important, with a wide trajectory in the vibrationsignal analysis, capable to extract relevant information about the physical phenomenonstudied, with reduced dimensionality. In addition, this information has been classifiedwith three different Neural Networks types, whose have demonstrated capability todiagnose automatically the system condition, by learning properly with a representativeset of samples, imitating the human learning process.The results show that several variables affect the Neural Network precision, aslength dataset, net complexity and some design considerations which are detailed foreach network in particular. Finally, it has been introduced the application ofClassification Hybrid Systems for the mechanical rotating devices fault diagnosis,obtaining success rates never reached in this field
YR 2007
FD 2007-05
LK https://hdl.handle.net/10016/2598
UL https://hdl.handle.net/10016/2598
LA spa
LA spa
DS e-Archivo
RD 24 may. 2024