Método y sistema para detectar automáticamente fallos en un eje rotatorio.

Método y sistema para detectar automáticamente fallos en un eje rotatorio.

La presente invención se refiere a un método y un sistema para detectar automáticamente fallos en un eje rotatorio. La invención comprende los pasos de: adquirir, mediante al menos un sensor, una señal de tipo vibratorio del eje rotatorio; procesar, mediante un procesador, en el dominio del tiempo y en el dominio de la frecuencia, la señal adquirida por el sensor, obteniendo como resultado de dicho procesado, unas medidas de energía de la señal adquirida; comparar, en el procesador, las medidas de energía con unos patrones de energía previamente establecidos; y finalmente determinar si existe algún fallo en el eje rotatorio en base a la comparación entre las medidas de energía y los patrones previamente establecidos.

Método y sistema para detectar automáticamente fallos en un eje rotatorio

Objeto de la invención

La presente invención tiene aplicación en el campo de la defectología y la prevención de daños, más específicamente en la detección automática de fallos en ejes rotatorios como puede ser un eje de ferrocarril, para diagnosticar el estado de dichos ejes y garantizar su mantenimiento.

Antecedentes de la invención

Actualmente los métodos de diagnóstico y monitorización de estado de los sistemas mecánicos presentan gran interés industrial. El mantenimiento predictivo es fundamental para evitar roturas en máquinas rotativas, y uno de los métodos de diagnóstico más usados es el análisis de vibraciones, ya que de las señales acústicas y vibratorias se pueden extraer patrones útiles para la detección de defectos en maquinaria.

La detección de defectos en elementos mecánicos rotatorios es crítica en el mantenimiento de los mismos y debido a que los engranajes y rodamientos son los componentes más utilizados en las aplicaciones industriales, estas técnicas de monitorización han sido ampliamente desarrolladas para estos elementos. Sin embargo, hoy en día, las técnicas de mantenimiento aplicadas son muy diferentes dependiendo del sector y, para elementos mecánicos como es el caso de los ejes ferroviarios, actualmente se utilizan otro tipo de técnicas de inspección no destructivas, principalmente ultrasonidos. En este caso se establecen unos intervalos fijos para realizar inspecciones que cuando se realizan obligan a dejar la máquina fuera de servicio durante el proceso, incluyendo el decalado de las ruedas, con los gastos que ello implica. Los ultrasonidos tienen además la desventaja de que no ofrecen probabilidades de acierto muy altas en las zonas de cambios de sección (que son precisamente las que presentan mayor probabilidad de tener una grieta), y en el caso de las partículas magnéticas (otra técnica habitual), el bajo nivel de automatización de los equipos de inspección, hace que se esté expuesto a errores humanos.

Las técnicas basadas en la monitorización de estado, en cambio presentan las ventajas de que se elimina la necesidad de parar y desmontar la máquina para comprobar el estado de

sus elementos y además la probabilidad de detectar un fallo, antes de que sea grave aumenta, evitando así pérdidas e incrementando la seguridad de los procesos. Estas dos razones hacen que la monitorización de estado en procesos industriales haya sido objeto de numerosas investigaciones en las últimas décadas.

Particularizando en la monitorización de ejes, desde los años 60 se han realizado multitud de estudios sobre el comportamiento dinámico de los mismos, tanto con la presencia de defectos como sobre ejes sanos. Sin embargo, este tipo de estudios no suele incluir el proceso inverso de identificación de defectos. Sobre el problema de detección de defectos en ejes, los métodos de diagnosis existentes en el estado del arte se pueden clasificar en métodos basados en las vibraciones, métodos basados en el análisis modal, y técnicas no tradicionales.

En cuanto a los métodos no tradicionales, se incluyen en este campo los métodos que utilizan sistemas inteligentes de clasificación tales como redes neuronales, y lógica borrosa, además de técnicas sofisticadas de procesamiento de señales, como por ejemplo, la transformada wavelet (WT). La transformada wavelet (WT) es de hecho la herramienta más utilizada para el tratamiento de señales. Su uso está reemplazando al de la FFT ya que consigue eliminar las limitaciones de esta técnica clásica al incluir información sobre el dominio del tiempo. debido a esto, la WT es una herramienta muy apropiada para trabajar con señales de tipo no estacionario, cualidad que la hace especialmente indicada para defectología en máquinas; ya que cuando aparece una fisura en un elemento se generan efectos transitorios en la señal que no pueden ser detectados teniendo en cuenta solamente el dominio de la frecuencia. De esta manera, tanto para defectología de ejes y de otros elementos mecánicos importantes como rodamientos, engranajes, e incluso elementos estructurales, la transformada wavelet ha tomado mucho protagonismo en los últimos años. Una de las últimas evoluciones de la WT, es la llamada transformada wavelet packet o transformada wavelet de paquetes (WPT), que está teniendo un gran número de aplicaciones. Esta técnica permite la descomposición de todas las bandas de frecuencia de la señal, permitiendo localizar las diferencias entre elementos sanos y defectuosos, permitiendo además ampliar o reducir la resolución con la que se examina la información. Los coeficientes obtenidos de la WPT se pueden usar directamente como patrones para la detección de defectos, ya que poseen gran sensibilidad a los fallos, pero hay una multitud de alternativas de aplicar esta técnica y usar otros tipos de información relativa a los coeficientes, como parámetros estadísticos de la señal o medidas de energía.

El estado del arte de la diagnosis de defectos en máquinas, está provisto de distintos tipos de clasificadores artificiales. Se ha seguido una evolución desde los enfoques estadísticos clásicos de decisión iniciales (determinísticos y probabilísticos), enfoques sintácticos o árboles de decisión, hasta otros que se han desarrollado recientemente a través de paquetes informáticos y que derivan de los anteriores, como enfoques teóricos de grupos borrosos, algoritmos genéticos y conexionistas (RNA: redes neuronales artificiales); incluyendo versiones híbridas de todos los mencionados anteriormente. En la actualidad, las RNA se han convertido en un sistema de clasificación inteligente de gran interés para la industria.

Las redes de neuronas artificiales son un ejemplo de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. Las partes fundamentales de una unidad neuronal básica son:

entrada: es el vector (pj) que excita a la neurona. Se compone de aquellos datos más representativos (patrones) del fenómeno al que se desea aplicar una RNA.

pesos: son los valores (wj) que se asocian a cada una de las conexiones entre neuronas de una red. La variación de éstos determina el proceso de aprendizaje.

función de activación: se encarga de calcular el nivel o estado de activación de la neurona en función de la entrada total. Es quizás la característica principal de las neuronas, la que mejor define el comportamiento de la misma. Las funciones de activación más populares en las diferentes arquitecturas RNA son: la función sigmoidea para obtener valores en el intervalo [0,1] y la tangente hiperbólica, para obtener valores en el intervalo [-1,1].

función de red o de propagación: calcula el valor de base o entrada total a la unidad neuronal. Equivale a la combinación de las señales que excitan o inhiben a las neuronas biológicas. Las funciones de red más utilizadas son la lineal y la de segundo orden. La ecuación para la obtención de la salida de la unidad neuronal para una función de red lineal es:

salida: es el valor de salida de la neurona en función de la activación de la misma. En el caso de la utilización de una RNA para el proceso de diagnóstico de fallos, la salida equivale al diagnóstico de la red.

Las neuronas se organizan por capas, donde se conectan a través de los pesos. Las RNA básicas tienen al menos tres capas de neuronas: una capa de entrada, una o más capas ocultas, y una capa de salida. Cada capa de la RNA contiene un grupo de unidades de procesamiento, llamadas nodos o neuronas, que envían su propia salida a todos los nodos de la capa siguiente de manera unidireccional.

Existen dos fases en la utilización de una RNA convencional: la fase de aprendizaje o entrenamiento y la fase de prueba y/o utilización. En el caso de una RNA con aprendizaje de tipo supervisado, el entrenamiento consiste en la presentación de un conjunto variado de patrones de entrada, cuya salida es conocida. La red ajusta las conexiones entre capas (pesos wj), en un proceso iterativo de minimización del error, hasta conseguir que dicha red cumpla los requisitos impuestos. Existen diferentes algoritmos de ajuste de pesos que constituyen las diferentes configuraciones de red.

Según lo expuesto anteriormente, las invenciones hasta ahora conocidas por el estado de la técnica realizan la función del objeto de invención, pero de una manera poco fiable y poco eficiente debido...

1.- Método para detectar automáticamente fallos en un eje rotatorio, el método está caracterizado por que comprende los pasos de:

a) adquirir, mediante al menos un sensor, una señal de tipo vibratorio del eje rotatorio;

b) procesar, mediante un procesador, en el dominio del tiempo y en el dominio de la frecuencia, la señal adquirida por el sensor, obteniendo como resultado de dicho procesado, unas medidas de energía de la señal adquirida;

c) comparar, en el procesador, las medidas de energía con unos patrones de energía previamente establecidos;

d) determinar si existe algún fallo en el eje rotatorio en base a la comparación entre las medidas de energía y los patrones previamente establecidos.

2.- Método de acuerdo a la reivindicación 1 donde el procesado del paso b) comprende aplicar una transformada wavelet en paquetes a la señal adquirida.

3.- Método de acuerdo a la reivindicación 2, donde el aplicar la transformada wavelet a la señal adquirida comprende además escoger un nivel de descomposición para la señal adquirida y una wavelet madre.

4.- Método de acuerdo a cualquiera de las reivindicaciones anteriores donde los patrones de energía se encuentran distribuidos en paquetes que corresponden a distintas bandas de frecuencia de la señal adquirida.

5.- Método de acuerdo a cualquiera de las reivindicaciones anteriores donde además comprende, para establecer los patrones de energía, detectar los cambios de energía en una misma banda de frecuencia entre distintas señales obtenidas previamente del eje rotatorio.

6.- Método de acuerdo a cualquiera de las reivindicaciones anteriores donde la comparación de las medidas de energía con los patrones previamente establecidos se realiza mediante una red neuronal.

7.- Método de acuerdo a la reivindicación 6 donde la red neuronal se selecciona entre una red neuronal unidireccional, una red neuronal de reconocimiento de patrones, una red neuronal perceptrón multicapa, una red neuronal de función de base radial o una red neuronal probabilística.

8.- Método de acuerdo a la reivindicación 7 que además comprende una etapa de entrenamiento de la red neuronal donde se utilizan, como entrada de la red neuronal, señales de las que se conoce su resultado de salida.

9.- Método de acuerdo a la reivindicación 8 donde, durante la etapa de entrenamiento, en el caso de obtener una tasa de acierto inferior a un cierto umbral, el método además comprende incrementar el nivel de descomposición de la señal adquirida.

10.- Método de acuerdo a cualquiera de las reivindicaciones anteriores donde el eje rotatorio es un eje de ferrocarril montado, donde dicho ferrocarril se encuentra en movimiento.

11.- Método de acuerdo a cualquiera de las reivindicaciones anteriores que además comprende clasificar los fallos detectados en el eje rotatorio en distintos niveles de gravedad.

12.- Sistema para detectar automáticamente fallos en un eje rotatorio, el sistema está caracterizado por que comprende:

- un sensor configurado para adquirir una señal de tipo vibratorio del eje rotatorio;

- un procesador, en comunicación con el sensor, configurado para analizar señales en el dominio del tiempo y en el dominio de la frecuencia, obtener medidas de energía de dichas señales, comparar las medidas de energía con unos patrones de energía previamente establecidos y determinar si existe algún fallo en el eje rotatorio de acuerdo a la comparación de las medidas de energía con los patrones previamente establecidos.

13.- Sistema de acuerdo a la reivindicación 12 donde el sensor es un acelerómetro.

14.- Sistema de acuerdo a cualquiera de las reivindicaciones 13, 14 donde el eje rotatorio es un eje de ferrocarril.

15.- Programa informático que comprende medios de código de programa adaptados para realizar las etapas del procedimiento según cualquiera de las reivindicaciones 1-11, cuando dicho programa se ejecuta en un procesador de propósito general, un procesador de señal digital, una FPGA, un ASIC, un microprocesador, un microcontrolador, o cualquier otra forma de hardware programable.