Uploaded by NorFran Veldia

Unidad I MIIMC.pptx

advertisement
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
Download