Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Helwig2015 TRADUCIDO
Helwig2015 TRADUCIDO
I. INTRODUCCIÓN
El monitoreo del estado de los sistemas hidráulicos ha adquirido una importancia creciente en
aplicaciones industriales, energéticas y móviles [1, 2] como un requisito del mantenimiento basado
en el estado con varios beneficios, como la reducción del tiempo de inactividad de la máquina y los
costos de mantenimiento. En general, hay dos filosofías de monitoreo de condición: primero, el
enfoque basado en modelos que requiere un conocimiento físico y matemático detallado sobre el
comportamiento del sistema que es difícil de obtener con suficiente detalle para sistemas complejos
y, segundo, el enfoque estadístico que se basa en el análisis de fallas observadas previamente y datos
de medición asociados y requiere una cantidad suficiente de datos históricos [3]. La literatura
contiene diferentes enfoques para el monitoreo de condición de sistemas hidráulicos usando
estadísticas multivariadas, por ejemplo. Máquinas de vectores de soporte, redes neuronales
artificiales, árboles de decisión y métodos semánticos estadísticos. Tchakoua et al. Determinó el
análisis de vibración (VA) como la técnica de monitoreo de condición más popular y eficiente para
sistemas giratorios como los aerogeneradores que detectan fallas mecánicas como defectos de
rodamientos, ejes y cajas de engranajes [4]. Sin embargo, VA alcanza su límite funcional para
sistemas no rotativos, p. Ej. el sistema hidráulico auxiliar de una caja de engranajes donde se
requiere el análisis de los valores del sensor del fluido de proceso y rendimiento para identificar
fallas típicas como problemas de la bomba y fugas de aceite. Laouti et al. presentó un marco
estadístico para aerogeneradores basados en máquinas de vectores de soporte y propuso vectores de
características específicas que se utilizarán para la detección de diferentes fallas de actuadores y
sensores que se evalúan con datos simulados de entrenamiento de fallas [5].
Un enfoque para el monitoreo de condición de un sistema de energía hidráulica es propuesto por El-
Betar et al. [6] analizando datos obtenidos experimentalmente con una red neuronal artificial
avanzada que detecta las fugas del actuador interno y el bloqueo de la bobina de la válvula. Además,
los sistemas expertos para sistemas hidráulicos basados en modelos de fallas jerárquicas de árboles se
pueden encontrar en la literatura que realiza un diagnóstico en tiempo real basado en el análisis de
umbrales de datos de sensores de proceso [7]. Anteriormente, hemos reportado análisis de datos de
sensores de turbinas eólicas utilizando una combinación de métodos de análisis de datos estadísticos y
semánticos para la predicción del reemplazo del filtro de aceite y pudimos demostrar que la
capacitación de un sistema podría transferirse a otra turbina eólica en el mismo parque eólico [8 ]. En
este documento, hemos utilizado el aprendizaje supervisado basado en la dispersión con la extracción
y selección de características automatizadas a partir de datos de sensores de procesos reales y
virtuales. Esto permite que el sistema se adapte a las condiciones cambiadas, como los cambios en la
configuración hidráulica, la falla del sensor o la aparición de un nuevo escenario de falla con un
mínimo esfuerzo. El objetivo final de este enfoque es un método o marco que pueda adaptarse
fácilmente a nuevos sistemas con un mínimo de esfuerzo para el usuario.
Los datos de medición se obtienen de sensores reales instalados en el sistema hidráulico (por
ejemplo, presión), así como sensores virtuales que combinan diferentes valores medidos
directamente utilizando un modelo físico (por ejemplo, eficiencia del sistema o potencia de
enfriamiento). Sobre la base de este conjunto de datos, la extracción de características se realiza
seleccionando un sensor, un intervalo de tiempo característico del ciclo de trabajo repetido
continuamente y calculando la función de característica.
Esto se repite para todos los sensores disponibles, intervalos característicos y funciones; utilizamos
funciones de características que representan la forma de la señal (pendiente de ajuste lineal,
posición del valor máximo) y las características de densidad de distribución (mediana, varianza,
asimetría y curtosis). Las características basadas en el ciclo se pueden extraer del dominio del
tiempo o de la frecuencia y son adecuadas para efectos de fallas deterministas y reproducibles que
tienen síntomas [9] en una escala de tiempo corta (por ejemplo, cambio de válvula). Las
características basadas en la frecuencia se calculan a partir de varios intervalos del espectro de
amplitud de frecuencia de las señales del sensor durante el ciclo de trabajo. Normalmente, el
número de características basadas en ciclos del dominio del tiempo o de la frecuencia está en el
rango de varios cientos. Sin embargo, también hay escenarios de fallas que pueden no mostrar
síntomas distintos dentro de un ciclo, pero solo durante un período de tiempo más largo (por
ejemplo, burbujas de aire en el fluido hidráulico). Esto requiere una segunda capa de extracción de
características basada en características de ciclo de ventana. Aquí, los datos de diferentes grados de
cada escenario de falla se extraen de los datos de medición a largo plazo y se recopilan en
conjuntos de datos específicos de grado de falla cuyos elementos se iteran y analizan dentro de una
ventana de tiempo definida utilizando funciones de descripción de densidad de distribución
(mediana, varianza, asimetría y kurtosis). Este enfoque da como resultado la cuadruplicación del
número de características en comparación con las características basadas en ciclos y una reducción
de las observaciones debido a las ventanas de los datos del ciclo, es decir, la recopilación de datos
durante períodos más largos. Todas estas características deben evaluarse para determinar su
importancia para detectar una falla específica y su grado de gravedad. Debido a la gran cantidad de
datos, este proceso de evaluación debe automatizarse tanto como sea posible y la evaluación
manual es muy poco práctica.
Así, la correlación de características y las características de falla se analizaron automáticamente en
un proceso por lotes utilizando el coeficiente de correlación de Pearson, un método que describe la
correlación lineal de dos variables y el coeficiente de correlación de rango de Spearman, que
también es adecuado para dependencias no lineales y más robusto en el caso de los valores atípicos
[10]. Después de calcular todos los coeficientes de correlación de la característica de falla, estos se
ordenan de acuerdo con su valor absoluto y solo las n características con la correlación más alta
para una falla específica se seleccionan como entradas para calcular un análisis discriminante
lineal (LDA) [11].
La LDA maximiza la separación entre diferentes clases (aquí: fallas y sus grados de severidad) al
tiempo que minimiza la dispersión dentro de una clase. Esto se logra al maximizar la función de
criterio J (w):
IV. RESULTADOS
La Fig. 3a muestra el ciclo de trabajo fijo con una duración de 60 segundos, que se divide en 13
intervalos de tiempo para los cuales se extraen las diferentes características de los valores de
medición. El ciclo de trabajo variable también tiene una duración de 60 segundos, pero se basa en
niveles de carga pseudoaleatorios durante cada ciclo. Luego, el sistema de prueba realizó varios
cientos de ciclos de trabajo durante los cuales se simularon las diferentes condiciones de falla
(tipos y grados) en todas las combinaciones (Fig. 3b) nuevamente, teniendo en cuenta las
diferentes escalas de tiempo de los efectos esperados (es decir, la refrigeración reducida tiene un
tiempo prolongado constante, mientras que la válvula tiene una constante de tiempo corto). Los
estados de transición de la temperatura del aceite se excluyeron de los datos de entrenamiento.
La temperatura del aceite que se ve afectada por el ciclo de trabajo del ventilador del enfriador
varía desde 44 ° C (ciclo de trabajo del 100%) hasta 55 ° C (ciclo de trabajo del 20%) hasta 66 ° C
(ciclo de trabajo del 3%) en equilibrio. Debido a la dependencia exponencial de la temperatura en
la viscosidad, la condición del enfriador dominante influye en gran medida en las características de
cada falla. Los valores de ajuste de la corriente de la válvula son 100%, 90%, 80% y 73% del valor
nominal, los niveles de fuga de la bomba interna son causados por la conexión en cascada de tres
orificios de 0,2 mm y 0,25 mm y los pasos de presión de precarga del acumulador son 115, 110,
100 y 90 bar.
Fig. 3. (a) Ciclo de trabajo fijo (medido por PS1) con pasos de carga predefinidos con intervalos
de tiempo 1-13 para la extracción de características; cuando se usa el ciclo de trabajo variable,
los niveles de carga (5,7,9,11,13) se generan aleatoriamente dentro del rango de 120 a 140 bar,
(b) medición de caracterización de condición de falla con superposición de diferentes tipos de
falla. Se excluyen los transitorios entre condiciones de falla.
Fig. 4. Tasa de clasificación de los datos de entrenamiento de fuga de la bomba interna frente a la
longitud de la ventana del ciclo y el número de funciones (submuestreo aleatorio con 20 ciclos y
20 experimentos, funciones en el dominio del tiempo, selección de características por el
coeficiente de correlación de Pearson, ciclo de trabajo de carga aleatoria).
Fig. 5. Velocidad de clasificación de los datos de entrenamiento de fuga de gas del acumulador
frente a la longitud de la ventana del ciclo y el número de características (submuestreo aleatorio
con 20 ciclos y 20 experimentos, características del dominio del tiempo, selección de
características por el coeficiente de correlación de Pearson, ciclo de trabajo de carga aleatoria).
Fig. 6. Características proyectadas de LDA del ciclo de trabajo aleatorio y monitoreo de fugas de
gas del acumulador dependiendo de la duración de la ventana del ciclo (características del
dominio del tiempo, número de características: 20).
V. CONCLUSIÓN
Desarrollamos un sistema de monitoreo de condición flexible y versátil basado en la evaluación de
datos estadísticos y una clasificación supervisada basada en LDA con extracción y selección de
características automatizadas utilizando criterios de correlación para los escenarios de falla a
diagnosticar. El enfoque se basa en los sensores de proceso existentes, pero también puede hacer
uso de sensores adicionales y, por lo tanto, puede adaptarse fácilmente a diferentes sistemas debido
al esquema de procesamiento de señales totalmente automatizado. En la actualidad, un método
similar para el monitoreo del estado de los sistemas hidráulicos que cubren los aspectos
mencionados no se puede encontrar en la literatura según nuestro conocimiento. El enfoque se basa
en la medición directa de los valores del proceso, es decir, la presión, el caudal, la vibración, la
potencia eléctrica y las temperaturas, pero también en sensores virtuales que describen valores
físicamente relevantes, que no pueden medirse directamente como el sistema y la eficiencia de
enfriamiento. Por lo tanto, el método seleccionado combina enfoques de monitoreo de condición
típicos basados en modelos físicos y evaluación de datos estadísticos. El enfoque seleccionado ha
demostrado ser adecuado para la detección de diferentes tipos de fallas que presentan síntomas
típicos en una amplia escala de tiempo desde milisegundos hasta horas y se puede usar para
estimar el grado de severidad de la falla. El método se evaluó con éxito con un banco de pruebas
hidráulico utilizando ciclos de trabajo fijos y pseudoaleatorios que simulaban aplicaciones de
maquinaria industrial y móvil, respectivamente. Debido a la simulación combinada y la
superposición de perturbaciones de diferentes escenarios de fallas (por ejemplo, la temperatura del
aceite) en el entrenamiento de LDA, la detección del grado de falla es altamente selectiva e
insensible a los efectos de interferencia. Además, las deficiencias de clasificación especialmente
observadas para los ciclos de trabajo aleatorios se remediaron mediante el análisis de la
distribución de características en una ventana de tiempo más larga. El sistema se puede expandir
para incluir más condiciones de fallas y calificaciones al repetir el análisis automatizado, lo que
permite un enfoque abierto. Además, la monitorización de la condición se puede mejorar
continuamente tomando medidas en línea durante la operación normal y la evaluación de la
condición fuera de línea del sistema, es decir, durante el mantenimiento regular, en cuenta.