detector de fallas en turbinas hidroeléctricas …detector de fallas en turbinas hidroeléctricas...
TRANSCRIPT
Detector de Fallas en Turbinas Hidroeléctricas
Basado en Ruido
Dr. Maximino Peña Guerrero*, Dr. Manuel González Hernández**, Ing. José J. Negrete Redondo*.
*Acústica, EIMEZ- Instituto Politécnico Nacional. **Universidad Autónoma de Hidalgo.
OBJETIVO
Dr. Maximino Peña Guerrero
• Con base en el sonido que produce una máquina, diseñar un sistema computacional que permita prever y sugerir las acciones de su mantenimiento.
• Proponer un sistema automático que “escucha los ruidos” que producen los componentes de una máquina cuando funcionan bien, mal, o de manera peligrosa, y que además explique el motivo de alguna falla si la hubo.
PROBLEMÁTICA
Dr. Maximino Peña Guerrero
• El mantenimiento de las máquinas que utiliza la industria es costoso y requiere de personal especializado.
• En máquinas de gran tamaño (plantas nucleares, presas hidro-eléctricas, turbo-reactores) existen riesgos de fallas que ponen en peligro al personal.
• Algunos instrumentos de medición que se utilizan un sitios donde existen materiales tóxicos son delicados, de uso continúo y de difícil acceso.
• El tiempo de reparación de los sistemas algunas veces es muy grande.
• Los sistemas incrustados (embedidos) son de tiempo real y de un propósito específico, los cuales requieren software “hecho a la medida”.
Estructura de un detector de fallas
Dr. Maximino Peña Guerrero
METODOLOGÍA • Captura y preparación del sonido en tiempo real. • Extracción de las características propias de un ruido. • Creación de los tokens de un determinado ruido. • Clasificación de tokens aislados. • Clasificación de una cadena de tokens conectados
secuencialmente. • Inferencia utilizando métodos de lógica difusa. • Inferencia utilizando métodos estocásticos (cadenas
de Marcov). • Inferencia utilizando redes neuronales. • Inferencia con técnicas de la Inteligencia Artificial
métodos simbólicos (LISP, PROLOG, redes neuronales) .
• Creación automática de una base de datos que co-rresponden a diferentes señales ruidosas.
Captura del ruido.
Dr. Maximino Peña Guerrero
Sistema MIDI MidiIn MidiOut
D/A A/D Sistema WAV
Driver WAV
Driver MIDI BUS BUS
M A
Captura del ruido
Mezclador por Software
Mezclador por Hardware
Buffer Primario Buffers por Software
Buffers por Hardware
Tarjeta
de
Sonido
(secundarios)
Fuente: bargen98 p. 192
Altavoces
HERRAMIENTAS MATEMÁTICAS
Dr. Maximino Peña Guerrero
• Análisis Armónico de Señales. • Transformadas de Fourier, Laplace, Z • Cruces por cero. • Energía de la señal. • Álgebra de matrices. • Álgebra vectorial. • Distancias vectoriales. • Teoría de autómatas. • Teoría de probabilidades. • Procesos estocásticos. • Cadenas de Markov (ocultas). • Expresiones regulares. • Teoría de convolución. • Topología de árboles. • Representaciones Backus Naur Form.
Etructura WAVEHDR
typedef struct { LPSTR lpData; // dirección del buffer. DWORD dwBufferLenght; // tamaño del buffer. DWORD dwBytesRecorded; // n bytes grabados. DWORD dwUser; // datos de usuario. DWORD dwFlags; // banderas de control. DWORD dwLoops; // n repeticiones. struct wavehdr_tag *lpNext; // si estan encolados. DWORD reserved; // otro tipo de control. } WAVEHDR;
Etructura WAVEFORMATEX
typedef struct { WORD wFormatTag; // tipo formato de audio. WORD nChannels; // monaural o estéreo. DWORD nSamplesPerSec; // relación muestreo. DWORD nAvgBytesPerSec; // relación Tx de datos. WORD nBlockAlign; // bloques dep. del tipo. WORD wBitsPerSample; // n bits por muestra. WORD cbSize; // información extra. } WAVEFORMATEX;
Banco de filtros
Dr. Maximino Peña Guerrero
Estructura de un filtro tipo FIR
Dr. Maximino Peña Guerrero
Estructura de un filtro tipo IIR
Dr. Maximino Peña Guerrero
Muestra de ruido 3
Dr. Maximino Peña Guerrero
CÁLCULO DE COEFICIENTES DE PREDICCIÓN LINEAL LPC
Dr. Max Peña Gro. 250309
Espectro LPC de ruido 3
Dr. Maximino Peña Guerrero
Transformada de Fourier en 2D de ruido 3
Dr. Maximino Peña Guerrero
Transformada de Fourier en 3D de ruido 3
Dr. Maximino Peña Guerrero
Espectros: 1000 Hz, ruido1-2-3
Dr. Maximino Peña Guerrero
Espectros 1000 Hz, ruido1-2-3
Dr. Maximino Peña Guerrero
Clasificador del ruido con redes neuronales
Dr. Maximino Peña Guerrero
Clasificador del ruido con redes neuronales
Dr. Maximino Peña Guerrero
CONCLUSIONES
Dr. Maximino Peña Guerrero
• Se utilizó un motor eléctrico para obtener el sonido característico cuando trabaja correctamente, y luego el sonido que produce cuando está dañado.
• El sistema compara los valores característicos de cada ruido y se comparan con una base de datos que corresponden a los sonidos BUENO, MALO, PELIGROSO, MANTENIMIENTO o EXTRAÑO.
• Es posible utilizar esta técnica con sistemas SCADA.
• Muchos procesos cambian su estado de operación automáticamente en tiempo real y se desearía conocer la causa.
• Nuestra contribución es mostrar una técnica alternativa en mantenimiento preventivo barato.