Universidad CESIC MAESTRIA EN INGENIERIA INDUSTRIAL MANTENIMIENTO Y CONFIABILIDAD TECNOLOGÍA DEL DIAGNÓSTICO TÉCNICO 13 1.1 Introducción 1.2 Detección de Fallas 1.3 Técnicas de Detección de Fallas 1.4 Estructura General del Sistema de Detección 1.5 Modelos de Caja Negra 1.6 Técnicas de Detección sin Modelo. Análisis de Frecuencia. UNIDAD I. DETECCIÓN DE FALLAS 1.7 Tipos de Técnicas de Detección 3 01 Introducción Ningún proceso o instalación industrial tiene confiabilidad total, sino que en todos los casos existe una posibilidad de que no realice la función (objetivo) para la cual fue diseñado de forma satisfactoria. En general, diremos que la instalación ha fallado cuando ésta no realiza su función dentro de las tolerancias en las magnitudes del objetivo. 01 Introducción La falla se produce como consecuencia de la falla en alguno de los componentes de la instalación y es frecuente que esta falla provoque la falla global, si bien existen sistemas redundantes en los cuales no sería suficiente la falla de uno de los componentes para que se dé la falla global. 01 Introducción Las consecuencias de la falla son muy variadas, pueden ir desde una leve incomodidad hasta problemas de seguridad o medioambientales, pasando por las consecuencias económicas. Por lo tanto, existe un interés por evitar la presencia de fallas o disminuir la gravedad de sus consecuencias tanto en la fase de diseño como en la fase de explotación. Las inversiones que se realicen dependerán, fundamentalmente, de la gravedad de las consecuencias de las posibles fallas. Por esta razón, existen muchos equipos y procesos industriales que justifican claramente la realización de inversiones orientadas a evitar o disminuir la aparición de fallas. Consecuencias • • • • Ambientales Producción Instalación Equipo 01 Introducción 01 Introducción 01 Introducción Una forma de evitar la presencia de fallas o disminuir la gravedad de sus consecuencias, es mediante la detección incipiente de fallas. Así, los sistemas de detección de fallas se encargan de detectar anomalías o fallas incipientes contribuyendo, en la medida de lo posible, a minimizar tiempos de parada, optimizar mantenimiento (mantenimiento predictivo) y, finalmente, reducir las consecuencias negativas de los fallas. 02 Detección de fallas Las técnicas de detección y diagnosis de fallas (Fault Detection and Diagnosis: FDD) son herramientas que permiten identificar fallas en un sistema de forma automática, sin intervención humana. En general, estas técnicas constan de tres etapas básicas: 1. Detección de la presencia de una falla 2. Identificación. Localización 3. Evaluación magnitud de la falla 02 Detección de fallas En la mayor parte de las aplicaciones, sin embargo, las técnicas FDD tienen como objetivo final la detección y localización de la falla y no suelen entrar en la discusión de la magnitud del mismo ya que la utilidad de esta etapa no justifica los esfuerzos requeridos. Normalmente, las etapas de detección y diagnosis se realizan en tiempo real, pudiéndose ejecutar en paralelo o de forma consecutiva. Los sistemas de detección se encargan de detectar una anomalía. Un sistema de diagnosis es capaz de analizar los síntomas disponibles y localizar el origen de la avería. El primer paso consiste en detectar la presencia de una falla, y una vez determinada esta presencia, realizar un diagnóstico de la instalación. 02 Detección de fallas Los equipos de monitorización están formados por un conjunto de sensores, acondicionadores y un equipo para la adquisición de datos. Los sistemas detectores de fallas deben realizar las siguientes tareas: - Recoger datos del funcionamiento de manera periódica . - Analizar los datos para detectar fallas en el proceso. - En caso de falla, localizarlo en la instalación. 02 Detección de fallas Para realizar dichas tareas, se distinguen tres módulos: • Formado por sensores, acondicionadores de señal, convertidor analógico-digital y un programa de comunicaciones. Se trata fundamentalmente de un sistema El sistema de hardware. adquisición de datos. El módulo de detección de anomalías. • Analiza todos los datos que se obtienen del funcionamiento de la instalación y, en su caso, indicar al sistema de diagnosis la existencia de cualquier anomalía. • Se trata de un sistema experto basado en reglas, que en algunos casos se combina con técnicas de lógica difusa (fuzzy logic) y técnicas de clasificación. El módulo de diagnosis. 02 Detección de fallas 45’ 03 Técnicas de detección de fallas La mayor parte de los sistemas industriales de detección de fallas son sistemas de alarma basados en el análisis de señales aisladas, sin modelo. Estos sistemas tienen una capacidad para la detección incipiente de fallas limitada. Por otro lado, los sistemas de detección basados en modelos (redundancia analítica) son más eficaces pero su utilización en la industria no es generalizada. 03 Técnicas de detección de fallas Detección de fallas sin modelo. Análisis de señales aisladas Se basa en límites de variables características de funcionamiento (sistemas de alarma), sistemas expertos o análisis espectral. El caso más común, consiste en incorporar un sistema de tolerancias a las variables características del proceso para definir límites de funcionamiento normal. El segundo, consiste en técnicas de análisis de señales aplicadas a una única variable monitorizada para identificar tendencias, frecuencias e identificar la presencia de fallas. En el primer caso, los sistemas de monitorización incorporan un módulo que permite definir límites de funcionamiento para cada variable, que actúan de umbral para disparar sistemas de alarma y constituyen el sistema más sencillo de detección de fallas en tiempo real. Es habitual tener al menos dos niveles de alarma, uno de aviso, que realiza modificaciones de condiciones y programa una inspección; y otro de parada, que detiene el proceso inmediatamente. 03 Técnicas de detección de fallas Detección de fallas basada en modelos. En estas técnicas, el elemento clave es el modelo utilizado para caracterizar el comportamiento del sistema analizado. En ocasiones resulta difícil distinguir si los cambios producidos en una variable son consecuencia de una anomalía o están justificados por la propia del sistema. Un método para aclarar esta distinción sería contar con un segundo sistema de iguales características al sistema monitorizado sometido a las mismas condiciones; entonces la evolución de las variables de los dos sistemas debería ser idéntica salvo que exista alguna anomalía. Este concepto se aplica en sistemas antibloqueo de frenos (ABS) y en sistemas de control de tracción (ETS). Durante la frenada se conoce la velocidad del vehículo y las ruedas que se bloquean en cierto momento ya que su velocidad angular disminuye drásticamente en comparación con la velocidad del resto de ruedas. Es decir, la detección de bloqueos de frenos se realiza únicamente mediante comparación con equipos de similares características que deberían tener el mismo comportamiento en situación normal, redundancia física. 03 Técnicas de detección de fallas 03 Técnicas de detección de fallas Detección de fallas basada en modelos . No es fácil encontrar una redundancia de equipos trabajando en las mismas condiciones que puedan aprovecharse para verificar su funcionamiento. Por ello, se recurre a crear modelos matemáticos del proceso que estimen el valor de un conjunto de variables de salida a partir de otro conjunto de variables de entrada, redundancia analítica. Estos modelos son algoritmos que operan matemáticamente con las variables de entrada para obtener una estimación de las variables de salida y pueden clasificarse en dos grandes grupos: Modelos de caja negra Modelos basados en fundamentos físicos. 03 Técnicas de detección de fallas Detección de fallas basada en modelos . Los cuales deben de cumplir con características como: Sensibilidad a los fallas. • Habilidad del método para detectar fallas incipientes. Rapidez de respuesta. • Que la determinación de la presencia de una falla se produzca con el menor retardo posible. Robustez. • Es deseable que el modelo pueda trabajar en presencia de ruidos que puedan ‘ensuciar’ las mediciones sin dar falsas alarmas. 03 Técnicas de detección de fallas Detección de fallas basada en modelos. Modelos de caja negra Aquellos que calculan las variables de salida a partir de una serie de operaciones matemáticas con las variables de entrada, sin que dichas operaciones estén basadas en la estructura física o tipo de proceso que modelan. Mediante estas técnicas de identificación de sistemas es posible encontrar una relación de las variables de entrada que permitan calcular las variables de salida. Dentro de este tipo de modelos se encuentran los modelos de regresión, modelos ARX, modelos ARMAX, redes neuronales, etc. Un caso particular de modelos de caja negra los constituyen los modelos de caja gris, siendo aquellos modelos que utilizan cierta información cualitativa del proceso que describen. 03 Técnicas de detección de fallas Detección de fallas basada en modelos. Modelos basados en fundamentos físicos Cuando el proceso que se quiere modelar tiene un comportamiento conocido y bien descrito en base a fundamentos físicos, puede plantearse el modelo matemático basado en las ecuaciones físicas directamente. La mayor diferencia con respecto a los modelos de caja negra es que los parámetros de las ecuaciones suelen representar características físicas de los componentes. Algunas de estas características son conocidas y se convierten directamente en constantes, lo que simplifica el modelo ya que se reducen el número de parámetros a estimar durante el proceso de ajuste. Los parámetros obtenidos en el proceso de ajuste del modelo pueden aportar información útil, ya que sus valores corresponden a características físicas de la instalación. Así, los parámetros del modelo físico pueden convertirse en indicadores del estado de salud del sistema y ayudar al proceso de diagnosis. 03 Técnicas de detección de fallas Criterios de presencia de fallas Se persigue una detección de fallas incipientes, es decir, antes que la falla se manifieste por completo. Para ello es necesario obtener y analizar datos del sistema con suficiente velocidad. La utilización de datos del pasado es imprescindible para el cálculo de tendencias y para modelos donde explícitamente se hace referencia a estos datos. El análisis basado en señales aisladas es muy limitado por lo que se recurre a la utilización de modelos para estudiar el comportamiento del sistema. Se presentan dos enfoques diferentes utilizados para detección de anomalías que se fundamentan en la utilización de modelos del proceso monitorizado: análisis de residuos y análisis de parámetros de ajuste. Los modelos se utilizan para estimar el valor de determinadas variables características de la instalación. 03 Técnicas de detección de fallas Criterios de presencia de fallas Por comparación entre los valores estimados por el modelo y los valores reales de las variables (medidos con los sensores) se obtiene una medida de la discrepancia, conocida como residuo. Los métodos de detección basados en el análisis de residuos utilizan directamente esta información para decidir la existencia de la falla. Otra posibilidad es el estudio de las variaciones que sufren los parámetros de los modelos que describen el comportamiento de la instalación. 03 Técnicas de detección de fallas Criterios de presencia de fallas Detección basada en el análisis de residuos Los residuos miden la discrepancia existente entre las señales reales de salida del proceso y los valores estimados por los modelos. El residuo asociado a cada señal se calcula para cada instante de muestreo utilizando el valor actual de la señal, proporcionado por un sensor, y el valor actual calculado por el modelo. Definiremos el residuo como: Donde y es el valor de la señal de salida real, ŷ es el valor de la predicción del modelo. Otras posibilidad, consiste en definir los residuos como el módulo de la diferencia o el error cuadrático medio. No obstante, el error cuadrático penaliza más los errores grandes (>1) y subestima los errores pequeños; a la hora de seleccionar el método de cálculo de los residuos es importante tener en cuenta este comportamiento en función de los niveles de discrepancia esperados. En determinadas situaciones puede ser interesante trabajar con errores porcentuales en lugar de absolutos. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de residuos La manera de calcular los residuos afecta directamente al sistema de detección de fallas. El cálculo de residuos suele representarse gráficamente según el siguiente diagrama, aunque cómo la forma de calcular los residuos no es necesariamente la diferencia entre la señal real y la estimada, resulta más preciso sustituir el símbolo de adición por un generador de residuos. Funcionamiento Real y(t) Generado r de residuos SISTEMA Modelo (Funcionamiento esperado) ŷ(t) Evaluació n 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de residuos Análisis de los residuos El método de detección más sencillo basado en el análisis de los residuos es fijar un umbral para los mismos. Si las discrepancias entre la señal real y la predicción del modelo son suficientemente grandes, los residuos superan dicho umbral y se detecta la anomalía. Es importante remarcar la diferencia existente entre esta técnica y la detección basada en análisis de señales aisladas. El análisis basado en residuos es mucho más robusto porque los residuos son poco dependientes de las condiciones de trabajo, a diferencia de las señales producidas por los sensores que generalmente vienen marcadas por el punto de funcionamiento. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de residuos Sensibilidad del modelo En todos los procesos pueden aparecer distintos modos de falla, pero las variaciones que experimentan los residuos pueden ser de diferente tamaño en cada caso. A estas variaciones de los residuos con respecto a la magnitud de un determinado modo de falla se les llama "sensibilidad del modelo frente a la falla". La sensibilidad depende fundamentalmente de las variables que intervienen en el modelo, de la estructura del modelo y de los parámetros utilizados. Por lo tanto, en función del tipo de modelo y de las técnicas empleadas para su ajuste se pueden obtener modelos especialmente sensibles o insensibles a un tipo de falla. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de residuos Sensibilidad del modelo Un aspecto interesante de la sensibilidad de los residuos es la posibilidad de realizar el diagnóstico directamente. Suponiendo que se dispone de varios modelos de un sistema, pero cada modelo es sensible a unos modos de falla determinados y no a otros, es posible localizar el tipo de falla analizando qué modelos han detectado anomalía y cuales no. Para analizar si es posible identificar los diferentes modos de falla se estudia el subconjunto de residuos que se ve alterado para cada modo de falla (considerando una única falla cada vez). Con esta información se construye la "matriz de incidencia" donde cada columna representa un modo de falla y cada fila el residuo de un modelo. Las columnas correspondientes a cada modo de falla tendrán un cero cuando el residuo no es sensible a la falla y un uno cuando es detectable. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de residuos Sensibilidad del modelo Es evidente que sólo son detectables los modos de fallas cuya columna tenga algún elemento distinto de cero, y que sólo es posible emitir un diagnóstico correcto si todas las columnas son diferentes. La secuencia de ceros y unos que forma cada columna de la matriz de incidencia constituye el código de falla del modo correspondiente. Es deseable que los códigos que corresponden a cada modo de falla se diferencien en más de un elemento, esto facilita su aislamiento. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de residuos Sensibilidad del modelo Esta propiedad se cumple si el número de ceros y de unos es igual para cada modo de falla y se dice que la matriz de incidencia es fuertemente aislada (caso b). Caso contrario, pueden producirse diagnósticos equivocados. En el caso a, si el segundo modo de falla no activa el tercer residuo se obtiene el código de falla [1 0 0], lo que llevaría a establecer un diagnóstico incorrecto, ya que dicho código de falla corresponde al primer modo. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de parámetros. Alternativa que utiliza modelos matemáticos del sistema, utiliza la información inherente a los parámetros que se obtienen tras un proceso de ajuste del modelo. En el caso de utilizar modelos basados en fundamentos físicos, los parámetros corresponden a características de los componentes del sistema; el proceso de estimación de parámetros mediante técnicas de ajuste equivale a medir dichas características de forma indirecta. La mayoría de los ensayos experimentales de componentes se basan en este concepto. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de parámetros. En el diagnóstico de fallas, si se utiliza un modelo matemático basado en fundamentos físicos, donde los parámetros representan características de los componentes, el proceso de ajuste del modelo para obtener los valores de los parámetros equivale a medir el valor de las características de los componentes. Estos valores pueden obtenerse en cualquier momento, a partir de un conjunto de datos de funcionamiento, para compararlos con los valores de diseño. De esta manera contamos con un procedimiento de detección de fallas que además localiza el componente dañado, es decir un procedimiento de detección y diagnóstico de fallas. 03 Técnicas de detección de fallas Criterios de presencia de fallas. Detección basada en el análisis de parámetros. La estabilidad de los parámetros es un requisito básico para los sistemas de detección basados en el análisis de los parámetros, pero es más fácil de obtener en modelos lineales y en modelos basados en fundamentos físicos, suponiendo que se cuenta con suficiente información de funcionamiento. En el siguiente diagrama se tiene la representación esquemática de un sistema de análisis de la evolución de los parámetros. 04 Estructura General del Sistema de Detección Un sistema de detección de fallas basado en modelos tiene una estructura modular y consta de: Conjunto de reglas Generador de residuos Modelo de la instalación Sistema de clasificación 04 Estructura General del Sistema de Detección Modelo: Simula el comportamiento de la instalación es deseable que sea un modelo dinámico (y no lineal, en función de la no linealidad del proceso) para que sea poco sensible a las variaciones en las condiciones de funcionamiento. Cualquier técnica de modelado puede aplicarse en este módulo. Generador de residuos: Se encarga de obtener una medida de la discrepancia entre el comportamiento estimado por el modelo y la respuesta real del sistema. 04 Estructura General del Sistema de Detección Conjunto de reglas: Busca los indicios de falla aplicando diferentes técnicas de detección. Cuando se utiliza la detección basada en el análisis de residuos, las reglas de falla utilizan como fuente principal de información el valor instantáneo de los residuos. Sin embargo, cuando se aplica la detección basada en el análisis de los parámetros del modelo, estas reglas se centran en la evolución de dichos parámetros. Función de detección: Evalúa todas las reglas de falla de forma conjunta de manera que se obtenga un diagnóstico que será de situación normal o falla. La construcción de un sistema de detección tiene varias fases: a) Construcción del modelo y generación de residuos b) Definición de las reglas de falla Y finalmente, la implementación de la función de detección. 04 Estructura General del Sistema de Detección Construcción del modelo Los modelos matemáticos de cualquier sistema son ecuaciones que dependen de varios parámetros. En modelos basados en fundamentos físicos cada parámetro suele representar una característica del sistema. El ajuste de modelos debe realizarse a partir de datos experimentales del funcionamiento del sistema en diferentes situaciones. Esto es imprescindible cuando se utilizan modelos de caja negra. El modelo será mejor cuanta más información se tenga, en cuanto a cantidad de datos y cantidad de situaciones de funcionamiento diferentes recogidas en esos datos. Un modelo puede producir malas predicciones debido a efectos transitorios desconocidos o no incluidos en el modelo y, sin embargo, realizar buenas predicciones el resto del tiempo. Utilizar límites de falla que varíen dinámicamente en función de las condiciones de trabajo es una buena solución. 04 Estructura General del Sistema de Detección Construcción del modelo En definitiva toda condición de funcionamiento no considerada durante el proceso de ajuste representa una incertidumbre. Así, cuantas más situaciones queden tipificadas en el modelo mejor comportamiento tendrá nuestro sistema de detección. Los modelos más sencillos para simular el comportamiento del sistema suelen ser modelos efectivos que dependen de un número reducido de parámetros que hay que ajustar para distintas condiciones de trabajo. El método más utilizado para el ajuste de estos parámetros, es el método de los mínimos cuadrados, que reduce el problema a la resolución de un sistema de ecuaciones. Una vez se tiene un modelo para el sistema, un generador de residuos se encarga de obtener una medida de la discrepancia entre el comportamiento estimado por el modelo y la respuesta real del sistema. 04 Estructura General del Sistema de Detección Definición de las Reglas de Falla Es un paso muy importante en la detección y diagnosis de la falla, tras la obtención de un modelo robusto del sistema. El modo más sencillo de caracterizar una falla en el funcionamiento dinámico del sistema es establecer unos límites máximos para los residuos que definirán la presencia de la falla. Estos límites pueden definirse a partir de límites basados en la experiencia o a partir de algún criterio estadístico. Una posibilidad es establecer unos límites máximo y mínimo para la variable y(t) del siguiente modo: Donde ṝ es la media de los residuos, σ(r(t)) es la desviación típica de los residuos y α es un parámetro que define el intervalo de confianza de los límites. 05 Modelos de Caja Negra A partir de la experiencia, se puede determinar que el funcionamiento del equipo es tal que la relación entre las variables que se estudian sigue una función conocida. Las relaciones más usuales son las relaciones lineales y las cuadráticas. Esto es, si estudiamos la respuesta y(t) frente a distintos valores de otra variable x(t), podemos establecer relaciones de la forma lineales: O bien, cuadrático: 05 Modelos de Caja Negra Otro tipo de modelos lineales que son más generales que los que acabamos de presentar, y que son de utilidad para modelizar el comportamiento del sistema, son los modelos AR (p, q), que tienen la estructura siguiente: El tipo de modelos que se han expuesto, son modelos estáticos que se ajustan a un sistema en un determinado régimen de funcionamiento. Existen modelos dinámicos, que se denominan modelos adaptativos, donde los parámetros del modelo cambian con el tiempo y permiten modelar procesos transitorios. 05 Modelos de Caja Negra Ejemplo de detección de fallas con modelo de caja negra . Supongamos que se dispone de una enfriadora de agua basada en el sistema de compresión de vapor que se muestra en la imagen a la derecha. En este tipo de sistemas la presión de evaporación en funcionamiento normal depende de la temperatura de retorno del agua. Este tipo de relación se puede utilizar para desarrollar un modelo de caja negra para obtener la presión de evaporación como función de la presión de aspiración y que servirá para la detección de fugas de refrigerante. 05 Modelos de Caja Negra Ejemplo de detección de fallas con modelo de caja negra . Se dispone de los datos experimentales de la evolución de la presión de evaporación y de la temperatura de retorno del agua que se muestran en las Figura A y Figura B, respectivamente. Figura A Figura B 05 Modelos de Caja Negra Ejemplo de detección de fallas con modelo de caja negra . Para la construcción de un modelo de detección incipiente de fallas seguiremos los pasos siguientes. El primer paso consiste en ajustar el modelo a partir de datos experimentales en funcionamiento normal. Supongamos que se disponen de los datos de la presión de evaporación frente a temperatura de retorno del agua. Con ellos, se realiza un ajuste lineal del tipo: En particular, hemos obtenido el siguiente ajuste: 05 Modelos de Caja Negra Ejemplo de detección de fallas con modelo de caja negra . Una vez ajustado el modelo, ya podemos aplicar una metodología de detección de fallas como la mostrada en la siguiente figura: Como segundo paso el Generador de residuos Un generador de residuos que se encarga de obtener una medida de la discrepancia entre el comportamiento estimado por el modelo y la respuesta real del sistema. En particular se obtienen los residuos para la presión 05 Modelos de Caja Negra Ejemplo de detección de fallas con modelo de caja negra . Tercer Paso: Evaluación de residuos Se establecen unos límites máximos para los residuos, dados por: La media de los residuos es ṝ=0.0015 La desviación típica de los residuos σ=0.0068 Tomamos un intervalo de confianza del 99%, con lo que α toma un valor aproximado de 3. 05 Modelos de Caja Negra Ejemplo de detección de fallas con modelo de caja negra . En la Figura siguiente se muestran los residuos obtenidos junto con los límites inferior y superior para los mismos. Observamos que aproximadamente a los 1000s se produce una anomalía en el funcionamiento del equipo. 06 Técnicas de Detección sin Modelo. Análisis de la Frecuencia Cabe destacar la detección basada en el análisis de la frecuencia. Esta técnica se utiliza cuando se tiene una serie de datos que varían en el tiempo y se base en la obtención del espectro de frecuencias de los datos. Se puede estudiar frecuencias características de los fallas (firmas de falla o frecuencias de falla) para posteriormente realizar el diagnóstico más probable para la falla a partir del estudio del espectro de frecuencias. Este análisis necesita que adecuemos el sistema de detección a las características de la falla a detectar. Cuando el comportamiento del sistema es periódico o quasi-periódico, para la obtención del espectro de frecuencias de una señal se puede utilizar la densidad espectral de potencia (DEP). Para señales con ruido, se suelen utilizar otros métodos para estimar su DEP, como son el método del periodograma y el método del correlograma. 06 Técnicas de Detección sin Modelo. Análisis de la Frecuencia Ejemplo de detección de fallas sin modelo. Para el mantenimiento predictivo de ciertas máquinas, como pueden ser los motores eléctricos, es conveniente hacer un seguimiento continuo de algunas variables que determinan el estado del sistema, y comparar con patrones preestablecidos con el fin de determinar el instante óptimo en el que se ha de realizar la reparación. En otras palabras, se supervisa la máquina y se repara justo en el momento en que empieza a fallar. Esta estrategia, es de difícil implementación ya que es necesaria una fuerte inversión inicial en equipos de medida, y formación de técnicos. Una de las decisiones más importantes que se ha de tomar en el momento de implementar un sistema de mantenimiento predictivo de motores, es cuál o cuáles serán las variables que se monitorizarán y que permitirán realizar el diagnostico de la máquina. En un principio, serían muchas las variables que se podrían tomar en consideración a la hora de poder emitir un diagnóstico, pero han de cumplir el requisito de poder monitorizarlas con la máquina en funcionamiento y realizando medidas no invasivas. Estas restricciones reducen el conjunto de posibilidades al análisis de las vibraciones mecánicas o al análisis de las corrientes de alimentación. 06 Técnicas de Detección sin Modelo. Análisis de la Frecuencia Ejemplo de detección de fallas sin modelo. Diagnóstico por análisis de Vibraciones. Uno de los métodos clásicos de diagnóstico utilizados, es el análisis de vibraciones de la máquina. En condiciones ideales, en una máquina rotativa no debería existir ningún tipo de vibración. Las imperfecciones en la construcción de las máquinas, los procesos en los que están implicados y la existencia de averías provocan un incremento global de las vibraciones, o la aparición de frecuencias de vibración nuevas. El análisis frecuencial de las vibraciones se ha mostrado eficaz durante décadas para el diagnóstico de averías de tipo mecánico: desequilibrios, desalineaciones, degradación de los cojinetes, etc. No obstante, es difícil a partir de un análisis de vibraciones el poder determinar la presencia de averías de tipo eléctrico como la rotura de barras del rotor, o el cortocircuito de espiras de las bobinas del estator. Otro inconveniente del diagnóstico por análisis de vibraciones, radica en la necesidad de incorporar en la máquina los acelerómetros necesarios para poder obtener la señal a monitorizar. 06 Técnicas de Detección sin Modelo. Análisis de la Frecuencia Ejemplo de detección de fallas sin modelo. Diagnóstico por análisis de señales en el dominio de la frecuencia. Como alternativa al análisis de vibraciones, se tienen técnicas basadas en el análisis espectral de las corrientes de estator. Mediante el análisis de las corrientes se pueden diagnosticar averías mecánicas y eléctricas, pero se aplica fundamentalmente en la detección de la rotura de barras de la jaula del rotor. La presencia de barras rotas en el rotor, no es motivo de parada inminente, pero provoca una degradación del funcionamiento del motor, y la posible aparición de serios efectos secundarios. Las partes rotas de las barras pueden causar serios daños mecánicos al aislamiento y a los devanados, provocando costosas reparaciones. Es conocido que la presencia de barras rotas en el rotor de un motor de inducción trifásico provoca la aparición de armónicos adicionales en las corrientes de fase del estator. En concreto, entre otras frecuencias, los armónicos aparecen en (Thomson, 2001): 06 Técnicas de Detección sin Modelo. Análisis de la Frecuencia Donde f₁ es la frecuencia de alimentación del motor, y s el deslizamiento. Aunque el motor esté en perfecto estado, estos armónicos están siempre presentes en la corriente de la máquina, debido a las asimetrías del rotor inherentes al proceso de fabricación y ensamblado. Por lo tanto el método consiste más que en detectar la presencia de los armónicos, en monitorizar su amplitud y comparar que no exceda de un cierto umbral en referencia a la componente de la frecuencia de alimentación. El umbral que marca la frontera entre el motor sano y el motor con barras rotas se suele fijar alrededor de los 40 dB’s. En las sig. imágenes se puede observar el espectro frecuencial de las corrientes de una fase del estator de un motor considerado sano (imagen superior ) y del mismo motor con un número considerable de barras rotas (imagen inferior) 07 Tipos de Técnicas de Detección Para propósitos de la materia, las técnicas de detección se van a dividir de acuerdo a la aplicación en la siguiente forma: TÉCNICAS DE DETECCIÓN DE FALLAS EN EQUIPOS ROTATIVOS • Termografía. • Análisis de Vibración. • Análisis de Aceite Lubricante. TÉCNICAS DE DETECCIÓN DE FALLAS SUPERFICIALES. • Inspección Visual. • Partículas Magnéticas. • Líquidos Penetrantes. TÉCNICAS DE DETECCIÓN DE DEFECTOS INTERNOS • Radiografía. • Ultrasonido. • Corrientes de Edy. • Emisión Acústica. BILBIOGRAFÍA Hurtado, L., Villarreal, E., y Villarreak, L. (2016). Detección y diagnóstico de fallas mediante técnicas de inteligencia artificial, un estado del arte. Colombia. Recuperado de: https://revistas.unal.edu.co/index.php/dyna/article/view/55612/63408