Data size increment for fault detection on rotating machinery

Adriana Guaman Buestán, Diego Cabrera Mendieta, René V. Sanchez Loja, Mariela Cerrada Lozada, Juan Manuel Cevallos Ampuero

Resumen


En los últimos años se ha incrementado el uso de técnicas de modelamiento basado en datos para el diagnóstico de fallos en maquinaria rotativa. Estas técnicas requieren de grandes cantidades de datos que no siempre se pueden obtener pues generan  altos costos y tiempo excesivo, que son difíciles de solventar desde el punto de vista económico y técnico.  El presente trabajo se enfoca en el pre-procesamiento de las señales de vibración y propone un método para incrementar el número de series temporales informativas de una máquina rotativa sin el incremento del tiempo y costos en la etapa de adquisición de las señales. Como resultado se ha obtenido una ampliación de 315 señales en la fase de adquisición de datos a 429000 luego de la aplicación del método; cantidad adecuada para la construcción de modelos basados en datos, incluso de deep learning para la detección de fallos en maquinaria rotativa.

 

Palabras clave: Adquisición de datos, pre-procesamiento, rodamientos, señales.  

 


Texto completo:

PDF

Referencias


Ahmad, R., y Kamaruddin, S. (2012). An overview of time-based and condition-based maintenance in industrial application. Computers & Industrial Engineering, 63(1), 135-149. https://doi.org/10.1016/j.cie.2012.02.002.

Cabrera, D., Sancho, F., Cerrada, M., Sánchez, R.-V., y Tobar, F. (2018). Echo state network and variational autoencoder for efficient one-class learning on dynamical systems. Journal of Intelligent & Fuzzy Systems, 34(6), 3799-3809. https://doi.org/10.3233/JIFS-169552.

Fugate, M. L., Sohn, H., y Farrar, C. R. (2001). VIBRATION-BASED DAMAGE DETECTION USING STATISTICAL PROCESS CONTROL. Mechanical Systems and Signal Processing, 15(4), 707-721. https://doi.org/10.1006/mssp.2000.1323.

Goyal, D., y Pabla, B. S. (2016). The Vibration Monitoring Methods and Signal Processing Techniques for Structural Health Monitoring: A Review. Archives of Computational Methods in Engineering, 23(4), 585-594.https://doi.org/10.1007/s11831-015-9145-0.

Jardine, A. K. S., Lin, D., y Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483-1510. https://doi.org/10.1016/j.ymssp.2005.09.012.

Kumar, A., Shankar, R., y Thakur, L. S. (2017). A big data driven sustainable manufacturing framework for condition-based maintenance prediction. Journal of Computational Science. https://doi.org/10.1016/j.jocs.2017.06.006.

Sanchez, L.,Vinicio, R. (2017). Diagnóstico de fallos en cajas de engranajes mediante la aplicación de diferentes técnicas de inteligencia artificial. Recuperado de http://e-spacio.uned.es/fez/view/tesisuned:ED-Pg-TecInd-Rvsanchez.

Ramírez AL, Gil J, Medina MH, Cruz B. (2016). Implementación en entorno Labview de un sistema multifuncional de medidas magnetoópticas y magnetoeléctricas para caracterización de materiales. BISTUA Revista de la Facultad de Ciencias Básicas, 14 (2): 116-125. doi: https://doi.org/10.24054/01204211.v2.n2.2016.2188

Virtanen, T., Plumbley, M. D., y Ellis, D. (2017). Computational Analysis of Sound Scenes and Events. Springer.

Yin, S., Ding, S. X., Xie, X., y Luo, H. (2014). A Review on Basic Data-Driven Approaches for Industrial Process Monitoring. IEEE Transactions on Industrial Electronics, 61(11), 6418-6428. https://doi.org/10.1109/TIE.2014.2301773.




DOI: https://doi.org/10.24054/01204211.v2.n2.2019.3521

Enlaces refback

  • No hay ningún enlace refback.