Machine Translated by Google

Medida xxx (xxxx) xxx

Listas de contenidos disponibles en ScienceDirect

Medición

página de inicio de la revista: www.elsevier.com/locate/measurement

Detección de bloqueo y cavitación en bombas centrífugas a partir de señal de

presión dinámica usando algoritmo de aprendizaje profundo

Rajiv Tiwari *, DJ Bordoloi , Aakash Dewangan

Departamento de Ingeniería Mecánica, Instituto Indio de Tecnología Guwahati, Guwahati 781039, India

INFORMACIÓN DEL ARTÍCULO RESUMEN

Palabras clave: Las bombas centrífugas juegan un papel importante en muchas aplicaciones industriales incluso en entornos hostiles durante períodos prolongados.
Bomba centrífuga La alta eficiencia con un consumo de energía muy bajo los hace muy populares en la industria. Sin embargo, durante su funcionamiento, pueden
Bloqueo
fallar debido a algunas fallas desarrolladas operativamente, lo que posteriormente puede conducir a la interrupción del funcionamiento continuo de
Cavitación
las bombas. Por lo tanto, monitorear el estado de salud de las bombas centrífugas es esencial para evitar paradas no deseadas, que pueden
Firma de presión
conducir a la falla de todo el sistema.
Válvula moduladora
Aprendizaje profundo
El objetivo principal de este estudio es proponer una metodología para identificar la presencia y la gravedad de los bloqueos y la cavitación en la

Clasificación de datos binarios bomba centrífuga utilizando la presión del fluido, que es muy importante para las fallas relacionadas con los fluidos. Para simular el bloqueo en la
bomba, el área de flujo de la tubería de succión se restringe dividiéndola en seis intervalos iguales (es decir, 0 %, 16,7 %, 33,3 %, 50 %, 66,6 % y
83,33 %) mediante una válvula moduladora mecánica. Debido al bloqueo y la cavitación, el principal parámetro que se ve directamente afectado es
la presión dinámica del fluido. Por lo tanto, en el presente estudio, las firmas de presión se capturaron en diferentes niveles de bloqueo y a diferentes
velocidades de funcionamiento con la ayuda de un transductor de presión, que se montó en la circunferencia de la carcasa de la bomba centrífuga.
La metodología de clasificación de datos binarios basada en aprendizaje profundo se utiliza para clasificar los datos adquiridos del transductor de
presión.
Para obtener un mejor rendimiento del clasificador de datos, las características estadísticas se extraen de las señales de presión en el dominio del
tiempo. Para identificar la gravedad de las fallas, se realiza una clasificación binaria de los datos a diferentes niveles de bloqueo y velocidades de
funcionamiento. Finalmente, con base en los resultados obtenidos del clasificador, la existencia de fallas (es decir, el bloqueo y la cavitación), se
presentan sus niveles de severidad.

1. Introducción
Las bombas son maquinaria hidráulica muy popular en aplicaciones industriales y
domésticas. La mayoría de las bombas industriales son bombas centrífugas, cuando se
trata de un alto volumen de fluido a manejar. Son parte crucial de muchas industrias,
para regular el flujo de procesos [1]. Las bombas se utilizan en centrales eléctricas,
refinerías de petróleo, servicios de construcción, ingeniería industrial y del agua, industrias
químicas y de procesos, y aplicaciones biomédicas [1].
El uso continuo de bombas centrífugas a alta velocidad sin ningún trabajo de
mantenimiento da como resultado fallas en sus componentes mecánicos y, en ocasiones,
causa daños graves en todo el conjunto. Las fallas pueden ser inducidas mecánicamente,
fallas del sistema, desarrolladas operativamente o cualquier combinación de estas. Las
fallas inducidas mecánicamente ocurren debido a partes defectuosas de la bomba, a
saber. el rotor doblado, desalineaciones y fallas en los cojinetes.
La instalación defectuosa y las fallas de tipo fuga son fallas del sistema. Las fallas
desarrolladas operativamente son las que se desarrollan mientras la bomba está funcionando. ondas de choque. Cavitación
correr, a saber problemas relacionados con el bloqueo, la cavitación y el flujo [2]. Las
fallas típicas que se desarrollan con frecuencia en la bomba son la cavitación (debido a
la presión del líquido por debajo de la presión de vapor), daños en la carcasa y el impulsor
(debido a las pulsaciones de presión asociadas con la recirculación interna), bloqueo de
la tubería de succión y descarga (debido a la presencia de las partículas sólidas y las
impurezas en el líquido de bombeo), fallas de instalación, funcionamiento en seco,
arrastre de vapor (debido a vórtices en el tanque, fuente de agua insuficiente o
condiciones incorrectas de cabeza de succión positiva neta) [2]. Estas fallas pueden
desarrollarse en cualquier etapa sin importar la condición de la bomba.
Por lo tanto, en el presente trabajo se estudia la falla de bloqueo en la tubería de succión
y la cavitación en la bomba centrífuga.
En las bombas centrífugas, el movimiento radial hacia afuera del fluido se debe a las
paletas giratorias del impulsor. El movimiento del fluido provoca la caída de la presión en
la tubería de succión de la bomba. Cuando la presión cae por debajo de la presión de
vapor del fluido, provoca la formación de burbujas. Este fenómeno se denomina cavitación
[3]. Cuando el fluido entra en la zona de alta presión, las burbujas colapsan y generan

* Autor correspondiente.
Dirección de correo electrónico: rtiwari@iitg.ac.in (R. Tiwari).

https://doi.org/10.1016/j.measurement.2020.108676 Recibido el 4 de
julio de 2020; Recibido en forma revisada el 7 de octubre de 2020; Aceptado el 26 de octubre de 2020 Disponible en línea
el 2 de noviembre de 2020
0263-2241/© 2020 Elsevier Ltd. Todos los derechos reservados.

Cite este artículo como: Rajiv Tiwari, Medición, https://doi.org/10.1016/j.measurement.2020.108676

Machine Translated by Google
R. Tiwari et al.
provoca la eliminación de material de la superficie de los componentes y, en última
instancia, daña los componentes de la bomba [3].
El monitoreo basado en la condición (CBM) es una estrategia de mantenimiento,
en la que se extraen y monitorean los parámetros medibles del sistema. El rendimiento
cambiante o deteriorado del sistema se puede capturar observando estos parámetros.
Por lo tanto, el mantenimiento puede iniciarse siempre que los parámetros crucen un
límite de umbral prescrito.
Esta estrategia se basa en la filosofía de mantener solo cuando se necesita [4]. En el
caso de las máquinas rotativas, en general, y de las bombas centrífugas en particular,
se pueden medir parámetros como la vibración, las corrientes del motor, las presiones
de los fluidos y la señal de las emisiones acústicas para CBM [5]. En el presente trabajo,
se explora la estrategia CBM para monitorear el estado de las bombas centrífugas.
Se han revisado algunas fallas comunes que generalmente afectan el desempeño
de las bombas centrífugas y los métodos para detectarlas. Rapur y Tiwari [2]
consideraron la fisura del impulsor y el bloqueo de succión en la bomba centrífuga. La
física detrás de la inestabilidad del flujo se discutió mediante el uso de señales de
vibración. Se encontró que el desempeño del clasificador también depende del tipo de
falla inducida. Para el mantenimiento predictivo, Dister [6] usó muchos tipos de señales,
como corriente, vibración, acústica y variación de presión, y también sugirió el desarrollo
de técnicas para el monitoreo en línea del estado de las bombas.
McNulty y Pearsall [7] utilizaron la técnica de detección de ruido para diferenciar el ruido
de cavitación de otros tipos de ruido. Se observó que la detección de presencia de
cavitación era relativamente conveniente con la medición de ruido de alta frecuencia.
Chudina [8] trabajó en la detección de cavitación en la bomba centrífuga y la relacionó
con espectros de ruido para detectar el inicio de la cavitación mediante acústica. Alfayez
et al. [9] utilizó el sensor de emisión acústica para identificar la cavitación en bombas
centrífugas.
También se sugirió que el sensor debería estar cerca del impulsor para un mejor
rendimiento. Spence y Teixeira [10] encontraron que la salida del impulsor es la región
de la bomba, que experimenta grandes pulsaciones de presión. Sakthivel et al. [11]
utilizó una bomba centrífuga monobloque con el defecto del sello, el defecto del cojinete,
el defecto del impulsor y la cavitación para predecir el efecto de tales fallas en el
rendimiento de la bomba. La señal de vibración se utilizó para el diagnóstico de fallas
utilizando la metodología de clasificación de datos del árbol de decisión. Tabar et al.
[12] trabajaron en la identificación de la severidad de la cavitación en la bomba. Las
características se seleccionaron en función de la sensibilidad mediante el enfoque de
evaluación de la distancia de compensación. Lu et al. [13] utilizaron simulación numérica
e investigación experimental para el desarrollo de la cavitación mediante el análisis de
la pulsación de presión en la entrada y salida de la bomba. Del trabajo de literatura
anterior, la importancia del bloqueo y la detección de cavitación se puede observar
utilizando diferentes señales. El bloqueo en la bomba produce un cambio en la presión
del fluido de bombeo, lo que puede provocar la cavitación en la bomba. Para los pulsos
de presión relacionados con el fluido de las fallas, se transmiten a las estructuras de la
bomba, lo que genera vibraciones y varios investigadores han analizado las
características de la señal de vibración para la clasificación de fallas. La relación
correspondiente entre la cavitación y la vibración de la bomba se puede representar
midiendo la señal de vibración de la bomba con un acelerómetro. Pero durante la
propagación de los pulsos de fluido a través de las estructuras de la bomba, existe la
posibilidad de disminuir y amortiguar el fenómeno del fluido real. Por lo tanto, la señal
de presión, que tiene la información de primera mano de la turbulencia en el fluido, ha
sido elegida como señal más confiable para el presente estudio.
Aparte del tipo de señal capturada, el algoritmo de clasificación de datos juega un
papel vital en la obtención del éxito/precisión. Los investigadores todavía están
trabajando en esta área para encontrar la idoneidad del algoritmo para un problema
determinado. El tipo de datos disponibles, la cantidad de datos y la flexibilidad del
algoritmo elegido son algunos factores comunes en función de qué algoritmos se
seleccionan. Samanta et al. [14] consideró datos de fallas de cojinetes para comparar
el rendimiento de la red neuronal (NN) y la máquina de vectores de soporte (SVM). Para
optimizar el rendimiento se utilizó el algoritmo genético. Los resultados también revelaron
que la selección de características juega un papel importante en el desempeño del
clasificador. Zouari et al. [15] utilizó señales de vibración para la detección de fallas en
bombas centrífugas usando
2
Medida xxx (xxxx) xxx
la red neuronal y la técnica neuro-fuzzy. Se consideraron fallas de inyección de aire,
cavitación y flujo parcial para adquirir los datos mediante el uso de un acelerómetro.
Rajakarunakaran et al. [16] utilizó la red neuronal artificial para la detección de fallas en
bombas centrífugas. Se utilizaron redes feed-forward con algoritmo de retropropagación
y modelo de red de resonancia adaptativa binaria. Nasiri et al. [17] utilizó una señal de
vibración para detectar la gravedad de la cavitación. También sugirieron que la ubicación
radial del sensor de vibración brinda los resultados más efectivos. Azadeh et al. [18]
desarrolló un algoritmo para la clasificación de dos fallas distintas de bombas centrífugas
mediante el uso de una máquina de vectores de soporte y una red neuronal artificial. El
algoritmo propuesto fue capaz de manejar datos ruidosos. Jia et al. [19] propusieron
una arquitectura profunda de una red neuronal para extraer información más útil del
conjunto de datos sin procesar que no era posible con la red superficial. Se utilizaron
conjuntos de datos de cojinetes de elementos rodantes y cajas de engranajes planetarios
para el diagnóstico de fallas. El resultado mostró una mejor precisión en comparación
con los métodos existentes anteriormente. Zhao et al. [20] usó una señal de vibración
para el diagnóstico de fallas usando la técnica de aprendizaje no supervisado. Azizi et
al. [21] sugirió un algoritmo, que se basa en la red neuronal de regresión generalizada,
para la estimación de la gravedad de la cavitación. En el estudio no se consideró
cavitación, cavitación limitada y cavitación desarrollada. Bordoloi y Tiwari [22] utilizaron
señales de vibración del bloque de cojinetes y la carcasa de la bomba para determinar
la gravedad del bloqueo de succión y la cavitación mediante el algoritmo de la máquina
de vectores de soporte (SVM). Los parámetros del kernel y SVM se eligieron de manera
óptima mediante el uso de tres técnicas de optimización. Panda et al. [23] utilizó una
señal de vibración para predecir la cavitación y el bloqueo del flujo en la bomba. Los
parámetros del kernel se eligieron de manera óptima para obtener el mejor rendimiento
del clasificador SVM. Rapur y Tiwari [24] trabajaron en la falla de la placa de cubierta,
el bloqueo de descarga, el bloqueo de succión y la falla del impulsor para clasificar la
condición de falla utilizando la corriente de línea del motor y la señal de vibración de la
bomba. El algoritmo clasificó las fallas mecánicas, la inestabilidad del flujo y la
combinación de estas fallas a diferentes velocidades.
A partir de la revisión de la literatura, se puede observar que el diagnóstico de fallas
de la bomba centrífuga es una tarea desafiante, pero se ha realizado una cantidad
limitada de trabajo de investigación en esta área. La identificación de la presencia de
bloqueo y cavitación y su gravedad no se exploran juntos.
También se puede ver que la mayoría de los trabajos se basaron en la vibración.
y señal acústica. La clasificación y el diagnóstico de fallas no se exploraron por completo
mediante el uso de pulsos de presión del fluido de la bomba, que es una señal muy
pertinente ya que lleva información de primera mano sobre fallas relacionadas con el
fluido en las bombas. Esto crea una brecha en la investigación y brinda un alcance para
explorar el diagnóstico de fallas de cavitación y bloqueo mediante el uso de señales de
presión. En el presente trabajo se utiliza una válvula moduladora para simular la falla
de bloqueo. Los avances recientes en el campo de la inteligencia artificial muestran que
los algoritmos de clasificación de datos basados en el aprendizaje profundo pueden
manejar conjuntos de datos masivos con una precisión muy alta y apenas se usan para
bombas centrífugas. Por lo tanto, aquí se utiliza una metodología de clasificación de
datos basada en aprendizaje profundo para diferenciar la gravedad de las fallas.
2. Configuración experimental
La experimentación se realizó en la configuración de Machinery Fault Simulator™
(MFS) como se muestra en la Fig. 1.
Los siguientes son los componentes principales utilizados para la experimentación
y la recopilación de datos de presión: (i) Machinery Fault Simulator™ (MFS), (ii)
Bombas centrífugas (CP), (iii) Transductor de presión, (iv) Sistema de adquisición de
datos (sistema DAQ) y (iv) Unidad de fuente de alimentación de CC constante. Se usó
un motor de inducción de velocidad variable con una relación de velocidad de 1:1,04
para accionar la bomba centrífuga con la ayuda de una transmisión por correa. Se
proporcionó un regulador de velocidad del motor para controlar la velocidad del motor.
Tanto la bomba como el motor se montaron en la placa base del MFS como se muestra
en la Fig. 1. El agua se suministró desde el tanque de recirculación de agua que se
colocó a una altura particular para asegurar una cabeza de succión positiva neta. El
transductor de presión se montó en la carcasa de la bomba como se muestra en la Fig.
2. Este transductor de presión se conectó a un sistema DAQ para la recopilación de
datos. En la Fig. 3 se muestra un diagrama esquemático simple de la configuración experimental .
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

Monitor Motor de inducción

Sistema de adquisición de datos

Depósito de agua
Transductor de presión

Tubería de descarga

Regulador de velocidad del motor

Bomba centrífuga
Placa base MFS Tubo de succión

Fig. 1. Montaje experimental.

Fig. 2. (izquierda) Bomba centrífuga con transductor de presión, (derecha) tuberías de entrada y salida.

Fig. 3. Diagrama esquemático del montaje experimental.

La Fig. 4 (izquierda) muestra la válvula de modulación mecánica, que se montó en la
tubería de succión. La descarga a través de la bomba podría cambiarse cambiando el
área de flujo de fluido de la válvula. La Fig. 4 (derecha) muestra la división del área de
flujo en términos de nivel de bloqueo. En la válvula de modulación, se marcaron seis
intervalos iguales para que diferentes bloqueos
los niveles se pueden obtener regulando la válvula en estos intervalos. B0 muestra 0 %
de bloqueo (flujo total/sin fallas), B1 muestra 16,7 % de bloqueo, de manera similar
B2-33,3 %, B3-50 %, B4-66,6 % y B5-83,33 % de bloqueos.
A continuación se describen los componentes importantes de la configuración
experimental. (i) Transductor de presión: un chip de silicio altamente sensible que emplea presión

3
Machine Translated by Google
R. Tiwari et al.
Fluir fuera
Perilla giratoria
Fig. 4. Válvula moduladora mecánica (izquierda), nivel de obstrucción (derecha).
El sensor (Fig. 5) se utilizó para medir la presión del fluido. (ii) Unidad de fuente de
alimentación de CC constante: el sensor de presión requería una fuente de alimentación
de CC del rango de ±24 V/2 A para funcionar y se proporcionaba a través de una fuente
de alimentación de CC constante. (iii) Sistema de adquisición de datos: Para la
adquisición se utilizó el hardware de adquisición de datos suministrado por National
Instruments (controlador NI PXI-8108 Core 2 Duo 2.53 GHz con 8 canales NI PXI-4472
con frecuencia de muestreo 102.4 kS/s y 24 bit). de los datos del transductor de presión.
La corriente fluctúa (4–20 mA) con la respuesta de la presión (0–60 psi) en el sensor de
presión. El factor de sensibilidad del sensor de presión puede ser determinado por el
calibrador de peso muerto. El presente sistema DAQ utilizado puede medir el voltaje.
Por lo tanto, se conectó una resistencia en la salida del sensor de presión y cerró el
circuito.
Finalmente, el DAQ midió el voltaje a través de la resistencia. Debido a la simplicidad de
la medición y la generación de características, la unidad de medición de la presión no
se transfirió a la unidad real de la presión con la ayuda del factor de sensibilidad del
sensor.
2.1. Procedimiento de medición
Las señales de presión se tomaron en seis niveles de bloqueo, desde el nivel B0
hasta el nivel B5 a ocho velocidades de funcionamiento diferentes (30–65 Hz en un
intervalo de 5 Hz) de la bomba. Por lo tanto, el número total de combinaciones es 48 (6 ×
8). Para un conjunto de mediciones en el dominio del tiempo, se recolectaron 2000
muestras a una tasa de muestreo de 20 000 muestras por segundo. El tiempo de
duración de la recolección de datos para cada combinación fue de 35 s. por una falla
condición, el transductor de presión recopiló 2000 × 350 puntos de datos no superpuestos.
Esto da un total de 350 conjuntos de medidas en cada condición de falla. La toma de
datos de presión se realizó en voltios en
Fig. 5. Transductor de presión.
4
Medida xxx (xxxx) xxx
B5
B4
B3
B2
B1 Fluir en
B0
perilla giratoria
el software de recopilación de datos LabVIEW. higos. 6–8 muestran muestras típicas de
datos sin procesar a diferentes niveles de bloqueo y velocidades de ejecución. Los datos
se almacenaron en el disco duro del sistema en archivos de medición de LabVIEW
separados para cada condición de falla de bloqueo a ocho velocidades de las bombas
centrífugas. Algunas estadísticas importantes de recopilación de datos se dan en la Tabla 1.
2.2. Observaciones experimentales
Ahora se presentan las observaciones experimentales de la bomba sana con
obstrucciones en la tubería de entrada.
1. 0% de bloqueo o flujo total (B0): esta condición se trata como una condición de
funcionamiento saludable (sin bloqueo ni cavitación) de la bomba. En este caso, la
válvula de modulación está completamente abierta y, por lo tanto, el flujo no está
restringido. No se observaron inestabilidades de flujo. Esto se considera como una
condición de referencia.
2. Bloqueo del 16,7 % (B1): a este nivel de bloqueo, se restringió el 16,7 % del área de
flujo de entrada de la tubería. No se observaron burbujas a baja velocidad en el
patrón de flujo. Pero a alta velocidad (55 Hz, 60 Hz, 65 Hz) se observaron pequeñas
burbujas en el extremo de descarga de la tubería. 3. Bloqueo del 33,3 % (B2): se
bloqueó el 33,3 % del área del flujo de entrada. En esta condición, se encontró que la
pulsación de presión en el sistema era considerable. Esto puede deberse a un
bloqueo excesivo. Se observaron burbujas en el patrón de flujo como se muestra en
la Fig. 10. 4. 50% de bloqueo o la mitad del flujo total (B3): a la mitad de la restricción
de flujo, se encontró que la intensidad del sonido aumentó. Se observó un gran número
de burbujas.
5. 66,6% de bloqueo (B4): 33,33% del área de flujo estaba disponible para el flujo de
agua, el área restante estaba restringida. Se encontró que el sonido de la bomba
aumentaba. Se observó el colapso de las burbujas en la pared y el tubo de salida
de la carcasa de la bomba centrífuga. Se observaron burbujas en la carcasa (Fig.
11), en la manguera de salida y en la tubería de entrada.
6. 83,3% de obstrucción (B5): A este nivel de obstrucción se observaron más burbujas
en el casing (Fig. 12), tubería de entrada así como en la tubería de salida. Esta
condición se consideró como una condición de cavitación completa a todas las
velocidades.
7. Las observaciones generales de arriba son que, (a) la bomba muestra la formación
de burbujas (cavitación) y la pulsación de presión con la restricción de flujo en
diferentes niveles de bloqueo, y (b) la formación de burbujas se intensifica con el
aumento de la velocidad y el bloqueo. nivel. La presencia de las burbujas se indica
en las Figs. 10–12. En la región marcada de las Figs. 10–12 en comparación con la
Fig. 9 (sin burbuja).
Cuando el área de flujo de agua disminuye, la presión del agua también disminuye
dentro de la bomba. Eventualmente, la presión cae por debajo de la presión de vapor
del agua y ocurre la formación de burbujas. Se observa que a medida que aumenta la
restricción de flujo, también aumenta la formación de burbujas, y provoca
Machine Translated by Google
R. Tiwari et al.
(a)
(b)
Fig. 6. Muestra de datos de presión en B1 (a) 30 Hz, (b) 65 Hz.
(a)
(b)
Fig. 7. Muestra de datos de presión en B3 (a) 30 Hz, (b) 65 Hz.
aumento de la vibración y pulsación de presión. Por lo tanto, se elige la presión del
fluido para la detección de fallas, ya que es el principal portador de fallas del fluido.
información. La cantidad y el tamaño de las burbujas dependen del nivel de bloqueo y
de la velocidad de funcionamiento. La formación de burbujas ocurre incluso a un nivel
de bloqueo bajo con una alta velocidad de funcionamiento. Esto muestra la sensibilidad
de la pulsación de presión, y la formación de burbujas depende de la velocidad de
funcionamiento y el nivel de bloqueo. El trabajo actual implica la detección temprana de
bloqueo y cavitación en la bomba, lo que solo permite la formación de burbujas durante
la condición de funcionamiento. Por lo tanto, el experimento durante tanto tiempo no
permitió que ningún componente se desgastara. Pero prolongar el funcionamiento de la
bomba sin ningún tipo de mantenimiento definitivamente causará el desgaste de los
componentes.
3. Metodología de clasificación de datos
Se han utilizado algoritmos de aprendizaje automático para el diagnóstico de fallas
de la maquinaria. Estos algoritmos se pueden entrenar a partir de un conjunto de datos
de entrenamiento de entrada dado. Para la clasificación de datos, se le pide al programa
que especifique a cuál de las categorías conocidas pertenece la entrada dada. Actuar
5
Medida xxx (xxxx) xxx
clasificación, el algoritmo de aprendizaje automático crea una función y = f(x) utilizando
la entrada x dada y su categoría y correspondiente. Pero encontrar una función ideal
es un problema de optimización difícil. En situaciones prácticas, en lugar de encontrar
la mejor función, el algoritmo intenta minimizar el error durante el período de
entrenamiento. Además, el rendimiento del algoritmo de aprendizaje se puede mejorar
ajustando los hiperparámetros.
El aprendizaje profundo es un subconjunto del aprendizaje automático, que utiliza
redes neuronales para extraer información más útil de los datos proporcionados. Las
funciones matemáticas se utilizan para asignar un conjunto dado de datos de entrada
x a la categoría de salida y. Los datos en forma de información pasan a través de una
serie de unidades operativas, llamadas "capas" de la red neuronal. Aquí, x son los
datos de entrada dados a la capa de entrada de la red en forma de vector. Después de
la capa de entrada, una serie de capas ocultas extraen cada vez más información útil
de los datos. Finalmente, la capa de salida predice el tipo de clase de la entrada dada.
Durante el período de entrenamiento de la red, le damos a la red una entrada x con una
etiqueta conocida de salida y .
Primero, la red trata de aproximar una función compleja (z) que representa la relación
entre x e y. Esta función compleja pasa por las funciones de activación para generar la
salida. lineal rectificado
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

(a)

(b)
Fig. 8. Muestra de datos de presión en B5 (a) 30 Hz, (b) 65 Hz.

La función de activación de la unidad (ReLU) se utiliza en la capa oculta y la función

tabla 1
de activación Sigmoid para la capa exterior de la red. La función de pérdida de entropía
. Estadísticas de recopilación de datos.
cruzada se utiliza para reducir el error de entrenamiento. La expresión de la función de
Nivel de bloqueo B0 (flujo completo/sin fallas), B1, B2, B3, B4 y B5
pérdida de entropía cruzada, L(ÿy,y), en términos de la salida deseada y y la salida

Velocidad de carrera 30 Hz, 35 Hz, 40 Hz, 45 Hz, 50 Hz, 55 calculada ÿy está dada por
Hz, 60 Hz y 65 Hz 350
Conjunto de medidas para cada condición de falla Tamaño L(ÿy, y) = ÿ yloÿy ÿ (1 ÿ y)log(1 ÿ ÿy) (1)
de muestra El intervalo de tiempo entre dos puntos de 2000
La pérdida calculada está asociada con un solo ejemplo de entrenamiento. Si
datos Intervalo de tiempo para una medida de conjunto de 5 5 × 10ÿ s
datos 0.1 s tomamos m ejemplos de entrenamiento, entonces la pérdida viene dada por la función
El tiempo total de duración de la recopilación de datos. 35 segundos de costo J (w, b). La expresión de la función de costo está dada por
para una condición de falla
1
Puntos de datos totales para cada condición de falla 350 × 2000
J(w, b) =
ÿm L(ÿy, y) (2)
yo=1
metro

El objetivo es calcular con precisión la función z, que puede ser

Fig. 9. (Izquierda) Nivel de bloqueo B0, velocidad 40 Hz, (Derecha) Nivel de bloqueo B0, velocidad 65 Hz.

Fig. 10. (Izquierda) Nivel de bloqueo B2, velocidad 40 Hz, (Derecha) Nivel de bloqueo B2, velocidad 65 Hz.

6
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

Fig. 11. (Izquierda) Nivel de bloqueo B4, velocidad 40 Hz, (Derecha) Nivel de bloqueo B4, velocidad 65 Hz.

Fig. 12. (Izquierda) Nivel de bloqueo B5, velocidad 40 Hz, (Derecha) Nivel de bloqueo B5, velocidad 65 Hz.

hecho minimizando el error. El error puede minimizarse mediante el ajuste adecuado de

Tabla 2 .
los pesos (w) y el sesgo (b) a sus valores óptimos. En el presente trabajo se ha utilizado
Hiperparámetros preferidos.
el algoritmo de optimización Adaptive Moment Estimation (Adam) para minimizar el error.
A partir de entonces, el rendimiento del clasificador se puede mejorar mediante el ajuste Número de ÿ (tasa de ÿ Época Mini Número de
capas aprendizaje) (Impulso) tamaño nodos
adecuado de los hiperparámetros, que se describe en la siguiente sección.
de lote

2 0.01 0,1, 0,01 3000, 50 6, 3

5000
3.1. Ajuste de los hiperparámetros

Para obtener una mejor precisión en la clasificación, es importante elegir los
hiperparámetros de tal manera que juntos realicen muy bien su función. Para entrenar el
algoritmo se utilizan diferentes hiperparámetros, como la tasa de aprendizaje (ÿ), el
impulso (ÿ), el tamaño del mini lote, el número de capas y los nodos.
El ajuste de los hiperparámetros puede generar tres tipos de situaciones (i) Ajuste
insuficiente : cuando la precisión del entrenamiento y la prueba son bajas, (ii) Ajuste
excesivo: cuando la precisión del entrenamiento es alta pero la precisión de la prueba es
baja, y (iii) Ajuste justo: Cuando tanto la precisión del tren como la de la prueba son altas
(Fig. 13). La Tabla 2 muestra los valores óptimos de los hiperparámetros que se
seleccionan mediante la técnica de "búsqueda manual". En la técnica de búsqueda
manual, los resultados se observan después de cada intento de los parámetros. En
función de los resultados, los parámetros se pueden ajustar. Este proceso se repite hasta
que encontramos la mejor combinación posible de los hiperparámetros. Para la selección
de los hiperparámetros Ref. [25] fue referido.
3.2. Enfoque de clasificación de datos propuesto
En el presente trabajo, se ha utilizado una biblioteca de aprendizaje profundo de flujo
de tensor de código abierto [26] en el software Python ('Spyder', Scientific Python
Development Environment) [27] para la clasificación binaria de la firma de presión. La
aplicación de la técnica de clasificación de datos binarios minimiza la complejidad
innecesaria en la clasificación, en comparación con la clasificación multiclase. Las
características se extraen de los datos experimentales de presión en el dominio del
tiempo para obtener información útil de ellos. Estas características extraídas se ingresan
al algoritmo. Una red neuronal con dos capas ocultas puede mapear una función muy
compleja. Por lo tanto, se considera que la red neuronal de dos capas evita la situación
de sobreajuste y ajuste insuficiente de los parámetros utilizados, el conjunto de datos, el
algoritmo de aprendizaje y el ruido en los datos. Los datos totales disponibles a cada
velocidad y bloqueo se dividen en conjuntos de entrenamiento y prueba en una proporción
de 80:20 para entrenar y probar el modelo, respectivamente.
Los diferentes parámetros que influyen en el rendimiento del modelo se eligen sabiamente
para obtener la mejor precisión de clasificación. El enfoque básico para la clasificación de
datos se presenta en esta sección. Sin embargo, para una comprensión más detallada
de los algoritmos de aprendizaje profundo, Refs. [25,28] puede ser referido. La
metodología discutida para la clasificación de los datos se da en la Fig. 14.

4. Resultados y discusión

Como ya se mencionó, la clasificación de datos se realiza a diferentes niveles de

bloqueo y velocidades de la bomba centrífuga. La elección correcta de las características
ayuda a capturar e interpretar la gravedad de la falla en el sistema con condiciones físicas
Fig. 13. Tipos de ajuste (a) Ajuste inferior (b) Ajuste justo (c) Ajuste superior. cambiantes y brinda un mejor rendimiento del sistema.

7
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

Bomba centrífuga con transductor de

presión

Adquisición de datos

Crudo
señal de
presión

Nueva generación Generación

Prueba de datos
de características de características

Datos de entrenamiento

Refinamiento

de características
Neural
la red

No ¿La característica está dando un buen resultado?

Sí

Resultado final

Fig. 14. Diagrama de flujo del procesamiento de datos.

clasificador No existe una regla fija para la selección de características adecuadas para un
1
dada la condición de falla. Inicialmente, se seleccionan seis características (desviación ÿ=
norte
ÿn xi
yo=1
(3)
estándar (ÿ), media (ÿ), curtosis (ÿ), varianza (ÿ2 ), raíz cuadrática media (RMS) y asimetría
(ÿ)) para comprobar el rendimiento del clasificador.
Media (ÿ): donde, n es el número de puntos en un conjunto de datos y x es la amplitud del punto de
datos en el conjunto de datos.
Desviación estándar (ÿ):

8
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ

2
4.1. Prueba de rendimiento de funciones
(xi ÿ ÿ)
ÿ=
ÿn (4)
ÿ yo=1 (n - 1)
El rendimiento de las funciones se prueba a diferentes niveles de bloqueo (B0,
Curtosis (ÿ): B1……B5) y a diferentes velocidades (30 Hz, 35 Hz, 40 Hz…….
1 4 ….0,65 Hz). La Fig. 19 muestra la precisión de clasificación dada por función
norte
ÿn i=1(xi ÿ ÿ) individual a diferentes velocidades después de considerar los datos de todos los
k= (5)
ÿ4
niveles de bloqueo (B0, B1, B2, B3, B4 y B5). El etiquetado de los datos para la
Varianza (ÿ2): clasificación de datos binarios se realiza en base a observaciones visuales, es decir,
los datos de formación de burbujas se etiquetan como C0 y no hay datos de formación de burbujas.
2
(xi ÿ ÿ) etiquetado como N0. En la Fig. 19, podemos observar que a baja velocidad (30–50
ÿ2 = ÿn (6)
yo=1 (n - 1) Hz), la desviación estándar (ÿ), la media (ÿ), la curtosis (ÿ) y la asimetría (ÿ) dan casi
la misma precisión, es decir, la precisión de clasificación para estas características no
Raíz cuadrática media (RMS):
varían a bajas velocidades, pero sí a velocidades más altas (55–65 Hz). Esto muestra
ÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿÿ

1 2
que hay una pequeña variación en la pulsación de presión a baja velocidad de
valor eficaz =
ÿn |xi| (7) funcionamiento (30–50 Hz). Durante la experimentación, se encontró que se formaban
norte
yo=1
ÿ
más burbujas a velocidades más altas. La precisión de la clasificación también cambia
Sesgo (ÿ): a velocidades más altas. Por lo tanto, esta observación da una intuición de la variación

1 3 de la precisión de clasificación con la severidad de la falla (cavitación). Uno de los

norte ÿn i=1(xi ÿ ÿ) objetivos importantes de este trabajo es utilizar un número mínimo de características
x= (8)
ÿ3 extraídas de tiempo

Estas características se trazan para diferentes velocidades y diferentes niveles de
bloqueo. higos. 15 y 16 muestran la variación de las prestaciones a 30 Hz y 65 Hz,
respectivamente, para el nivel de bloqueo B1. De manera similar, las Figs. 17 y 18
muestran la variación de características a 30 Hz y 65 Hz, respectivamente, para el
nivel de bloqueo B5. Para abreviar, las funciones en solo dos niveles de bloqueo (B1
y B5) se muestran a 30 Hz y 65 Hz.
señal de presión de dominio para la detección de fallas. Por lo tanto, finalmente se
eligen cuatro características (desviación estándar (ÿ), media (ÿ), curtosis (ÿ) y asimetría
(ÿ)), que están dando el mejor rendimiento. La precisión de la clasificación para la
varianza (ÿ2 ) y la raíz cuadrada media (RMS) es baja en comparación con otras
características. Por lo tanto, la varianza y el RMS no se consideran para el análisis en
las próximas etapas.

Fig. 15. Características a 30 Hz de velocidad de marcha para nivel de obstrucción B1.

9
Machine Translated by Google
R. Tiwari et al.
Fig. 16. Características a velocidad de marcha de 65 Hz para nivel de obstrucción B1.
A baja velocidad, una sola característica no es suficiente para obtener información útil. Para
superar este defecto, se prueban diferentes combinaciones de características elegidas (desviación
estándar (ÿ), media (ÿ), curtosis (ÿ) y asimetría (ÿ)), como se muestra en la Fig. 20. Se puede
observar la mejora en el rendimiento del clasificador usando la combinación de las características.
Todas estas características se pueden usar juntas para mejorar aún más la precisión de la
clasificación. La Fig. 21 muestra la variación en la precisión con la velocidad después de considerar
las cuatro características juntas. Se puede observar que la precisión de la clasificación aumenta
con la velocidad, lo que indica el aumento de la precisión de la clasificación con la gravedad de la
cavitación (burbuja). La precisión de clasificación baja muestra una variación de presión normal y
la precisión de clasificación alta muestra una variación de presión alta (debido a la gran cantidad
de formación de burbujas). Estas cuatro características son suficientes para brindar información
útil sobre la variación de la presión y la formación de burbujas. Por lo tanto, para el resto del
análisis se seleccionan cuatro características (desviación estándar (ÿ), media (ÿ), curtosis (ÿ) y
asimetría (ÿ)).
El rendimiento de las funciones también se prueba en diferentes niveles de bloqueo (B0, B1,
B2, B3, B4 y B5). La Fig. 22 muestra la precisión de clasificación dada por la característica
individual en diferentes niveles de bloqueo en todo el rango de velocidad (30–65 Hz a intervalos
de 5 Hz). Una vez más, el rendimiento de la varianza y la raíz cuadrada media no es bueno en
comparación con otras características. Por lo tanto, la varianza y la raíz cuadrada media se
rechazan para el análisis del siguiente nivel.
Se puede observar que al considerar una sola característica, no existe un patrón fijo en la
precisión de la clasificación. Para obtener un resultado más fiable,
10
Medida xxx (xxxx) xxx
Se pueden utilizar combinaciones de características elegidas (desviación estándar (ÿ), media (ÿ),
curtosis (ÿ) y asimetría (ÿ)). La Fig. 23 muestra la variación en la precisión de clasificación con el
nivel de bloqueo para diferentes combinaciones de características. Se puede observar que existe
un patrón entre la precisión de la clasificación y el nivel de bloqueo. La precisión de la clasificación
aumenta con el nivel de bloqueo.
El rendimiento del clasificador se puede mejorar considerando todas las características
elegidas juntas. La Fig. 24 muestra que la precisión de la clasificación mejora con el nivel de
bloqueo. A un nivel de bloqueo más alto (es decir, la condición de gravedad de falla alta), la
precisión de la clasificación es alta. Esto indica que, en base a la precisión de la clasificación, se
puede predecir la gravedad de la falla de bloqueo.
Del análisis del rendimiento de las características, se observa que estas características
(desviación estándar (ÿ), media (ÿ), curtosis (ÿ) y asimetría (ÿ)) en conjunto brindan una mejor
comprensión de los datos y una mejor predicción de fallas. . Por lo tanto, para el resto del análisis,
todas estas características se utilizarán juntas en la clasificación de datos.
4.2. Selección de la relación de prueba del tren
El rendimiento del clasificador está estrechamente relacionado con la proporción de datos de
entrenamiento y prueba. Por lo tanto, es muy importante seleccionar los datos de entrenamiento y
prueba en una proporción adecuada.
La Tabla 3 muestra la precisión de la clasificación a diferentes velocidades para diferentes
relaciones tren-prueba. Se encuentra que el rendimiento del clasificador es mejor en 80:20
(proporción de prueba de tren). Por lo tanto, todos los resultados en la próxima
Machine Translated by Google
R. Tiwari et al.
Fig. 17. Características a 30 Hz de velocidad de marcha para nivel de obstrucción B5.
Las secciones se presentan en la proporción de prueba de tren de 80:20.
4.3. Identificación de presencia de fallo de bloqueo
Para identificar la presencia de una falla de bloqueo en la bomba, los datos de la bomba en buen
estado (B0) se clasifican con los datos de cada nivel de bloqueo uno por uno mediante la clasificación
de datos binarios. Los datos de bomba en buen estado (B0, sin bloqueo y sin cavitación) en todas las
velocidades de funcionamiento se etiquetan como N0 (sin bloqueo) y los datos de falla de bloqueo
(B1, B2, B3, B4 y B5) se etiquetan como C0. Los resultados de clasificación de datos para cada nivel
de bloqueo con B0 se dan en la Tabla 4.
La Tabla 4 muestra que la precisión de la clasificación es del 100 % para todos los niveles de
bloqueo. Esto muestra que los datos de bloqueo son completamente separables de los datos de la
bomba en buen estado (B0), es decir, podemos identificar con éxito la presencia del bloqueo en la
bomba. Esto puede deberse a una gran variación en la presión debido al bloqueo. Por lo tanto, la señal
de presión puede considerarse como una buena señal para identificar la presencia de bloqueo en la
bomba.
4.4. Identificación de la gravedad del nivel de bloqueo y el inicio de la cavitación
En la sección anterior, los resultados solo muestran la presencia del bloqueo, pero la identificación
de su gravedad también es muy importante. Para hacer esto, los datos de formación de burbujas (es
decir, las velocidades a las que se forman burbujas para el nivel de bloqueo elegido (p. ej., B1)) y los
datos de no formación de burbujas (es decir, las velocidades a las que no se forman burbujas para el
nivel de bloqueo elegido (p. ej., B1) y los datos de B0) en diferentes niveles de bloqueo se clasifican
considerando los datos del rango completo de velocidad para ese bloqueo en particular. El etiquetado
de los datos se realiza en base a la observación visual.
11
Medida xxx (xxxx) xxx
de la formación de burbujas. Los datos de formación de burbujas se etiquetan como C0, y los datos
de bomba en buen estado (B0) sin formación de burbujas se etiquetan como N0.
En la Tabla 5, podemos ver que la precisión de la clasificación aumenta con el nivel de bloqueo.
En el nivel de bloqueo B1, la formación de burbujas no es muy dominante y, por lo tanto, la precisión
es relativamente menor en B1. Esto muestra que los datos de cavitación no son completamente
separables de los datos de formación de burbujas a un nivel de bloqueo bajo, lo que puede deberse a
inestabilidades de flujo o simplemente al comienzo de la formación de burbujas. A altos niveles de
bloqueo (B4 y B5), los datos son relativamente fáciles de separar, lo que significa que la pulsación de
presión se desvía de la región sin formación de burbujas. Esto puede deberse a un nivel de bloqueo
excesivo y a la formación de burbujas. Esto también muestra la interdependencia del bloqueo y la
severidad de la cavitación, es decir, un alto nivel de bloqueo da una alta formación de burbujas en
comparación con un bajo bloqueo.
La gravedad de la cavitación se puede detectar en función del cambio (variación) en la precisión de
clasificación de la Tabla 5. Por lo tanto, este resultado también se puede utilizar para predecir la
gravedad de la cavitación.
Para tener una mayor claridad en la comprensión del nivel de bloqueo, los datos en cada nivel de
bloqueo (B1, B2, B3, B4 y B5) se clasifican por separado sin considerar los datos de la bomba en buen
estado (B0). Los datos de formación de burbujas se etiquetan como C0 y ningún dato de formación de
burbujas se etiqueta como N0. Después de eso, la clasificación se realiza en cada nivel de bloqueo
por separado.
Lo más importante a tener en cuenta aquí es que los datos de la bomba en buen estado (B0) no se
consideran aquí. Como resultado, la precisión de clasificación en diferentes niveles de bloqueo tiene
una mejor línea de separación de otros niveles de bloqueo.
En la Tabla 6, la variación en la precisión de clasificación con el nivel de bloqueo es similar a la
variación en la Tabla 5. La Tabla 6 proporciona una mayor claridad en la identificación de la gravedad
del bloqueo y la cavitación debido a
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

Fig. 18. Características a velocidad de marcha de 65 Hz para nivel de obstrucción B5.

Fig. 19. Precisión de clasificación versus velocidad con todos los datos de nivel de bloqueo para función individual.

94 98,5 99,2 100 100

83.3 83.3 83.3 83.3 83.1

Fig. 20. Precisión de clasificación versus velocidad con combinación de características.

12
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

83.3 86.1 91.2 91.7 95.5 99.8 100 100

Velocidad (Hz)

Fig. 21. Precisión de clasificación versus velocidad con todas las características.

Fig. 22. Precisión de la clasificación frente al nivel de bloqueo con función única.

Fig. 23. Precisión de clasificación versus nivel de bloqueo con una combinación de características.

Fig. 24. Precisión de clasificación versus nivel de bloqueo con todas las características.

ausencia de datos B0. En B1, la precisión de la clasificación es baja, lo que puede muestra una gravedad de bloqueo y cavitación baja, la precisión de clasificación entre
deberse a una menor cantidad de formación de burbujas o simplemente al comienzo de 90 % y 95 % muestra una gravedad de bloqueo y cavitación moderada, mientras que
la formación de burbujas. En B4, la precisión de la clasificación es muy alta, lo que una precisión de clasificación superior al 95 % muestra que la gravedad de bloqueo y
muestra una mayor cantidad de formación de burbujas. Precisión de clasificación por debajo delcavitación
90% es muy alta. Lo importante a mencionar aquí

13
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

Tabla 3 Tabla 7

. Exactitud de clasificación para diferentes proporciones de prueba de tren. . Precisión de clasificación para la detección de la gravedad de la cavitación.

Velocidad (Hz) Precisión de clasificación (%) Velocidad Precisión de clasificación Tamaño de lote Epoch Tasa de
Tren:Prueba (Hz) (%) Mini aprendizaje

30:70 50:50 70:30 80:20 90:10 30 83.3 5000 50 0.01

35 86,1 5000 50 5000 0.01
30 85.2 83.4 83.4 83.3 82,9
40 91,3 50 0.01
35 83.2 86.5 83.5 86.1 82,9
45 92.02 5000 50 0.01
40 77.7 89 90.5 91.2 88.5
50 95.85 5000 50 0.01
45 76.7 90.4 83.2 91.7 88.4
55 99.7 5000 50 0.01
50 83.5 89.4 94.2 95.5 92
60 100 5000 50 0.01
55 99 99.9 99.5 99.8 99.2
sesenta y cinco 100 5000 50 0.01
60 100 100 100 100 100
65 100 100 100 100 100

Indicación de alta severidad de cavitación. Para mostrar la validez de la presente técnica de

detección de fallas, en la Tabla 8 se muestra una breve comparación de la técnica con otras
Tabla 4 . técnicas existentes en la literatura.
Precisión de clasificación para la detección de bloqueos. El índice de evaluación general de la precisión de la predicción se puede determinar de la

Bloqueo Precisión de clasificación Tamaño de lote Epoch Aprendizaje

siguiente manera para el presente caso: (eficiencia de detección de bloqueo + eficiencia de
(%) Mini Velocidad detección de cavitación)/2 = (100 + 96,77)/2 =

B0 frente a B1 100 3000 50 0.01

98,32% o 0,9832. Mientras que lo mismo para la Ref. [23] es (93,4 + 99,38)/ 2 = 96,39 % o
B0 frente a B2 100 3000 50 0.01 0,9632. Entonces, en términos de índice de evaluación general, el presente método da un índice
B0 frente a B3 100 3000 50 0.01 más alto. Con el fin de considerar el número mínimo de características para un rendimiento muy
B0 frente a B4 100 3000 50 0.01
bueno, en el presente trabajo solo se consideran cuatro características, lo que puede ser la
B0 frente a B5 100 3000 50 0.01
razón de una precisión ligeramente menor (96,77 %) para la predicción de la cavitación en
comparación con la Ref. [23] (99,38%), que utilizó seis funciones.

Tabla 5

. Precisión de clasificación para la gravedad del bloqueo.

5. Conclusiones
Precisión de clasificación de bloqueo Tamaño de lote Epoch Tasa de

(%) Mini aprendizaje

En este artículo, se presenta la identificación del bloqueo y la cavitación y su gravedad en
B0 y B1 94,28 3000 50 0.01 la bomba centrífuga mediante el uso de una señal de presión con la aplicación de un algoritmo
B0 y B2 95,38 B0 y B3 3000 50 0.01
de aprendizaje profundo. Las características se extraen de las señales de presión en el dominio
96,3 3000 50 0.01
del tiempo. Se eligen las mejores combinaciones de cuatro características para obtener la
B0 y B4 97,9 3000 50 0.01
B0 y B5 100 3000 50 0.01 máxima precisión de clasificación. Los valores óptimos de los hiperparámetros se seleccionan
para aumentar la precisión de la clasificación.
Las observaciones visuales muestran que la cavitación era más dominante en

Tabla 6 . velocidades más altas y a niveles más altos de obstrucción. El rendimiento del clasificador de

Precisión de clasificación para la gravedad del bloqueo.

datos mejora con el aumento de la gravedad de la falla. Estas dos observaciones muestran que
el algoritmo es capaz de predecir la gravedad de la falla de cavitación y bloqueo. La aplicabilidad
Precisión de clasificación de bloqueo (%) Tamaño de lote Epoch Tasa de
y el éxito de la técnica depende principalmente de la capacidad del sensor para capturar la
Mini aprendizaje
señal, que depende de la ubicación del sensor. Las bombas centrífugas dan pulsación de alta
B1 88.6 3000 50 0.01
presión en la salida radial. Por lo tanto, la técnica también debería ser aplicable para otras
B2 90.3 3000 50 0.01
bombas centrífugas con sensor de presión montado en una ubicación radial. El enfoque principal
B3 92.95 3000 50 0.01
B4 95.93 3000 50 0.01 fue usar señales de presión para la detección de bloqueo y cavitación, y los resultados indican
la aplicación exitosa de la misma con una tasa de predicción muy alta. Por lo tanto, la metodología
propuesta que usa únicamente señales de presión puede usarse para la detección confiable de
es que la intención de este trabajo es indicar la idoneidad del algoritmo elegido para la detección
la presencia y severidad de las fallas de cavitación y bloqueo en la bomba centrífuga. Como
de fallas. Por lo tanto, todas estas clasificaciones se realizan para un conjunto elegido de
trabajo futuro, se puede probar la idoneidad de la señal de presión y compararla con otros
algoritmos, hiperparámetros y sus valores.
clasificadores, por ejemplo, el método PNN. La técnica propuesta también se puede aplicar para
datos de dominio de frecuencia y datos de presión de dominio de tiempo-frecuencia para
investigar su rendimiento. La clasificación multiclase también podría ser otro aspecto a investigar
4.5. Identificación de la severidad de la cavitación con la velocidad
utilizando señales de presión junto con la fusión de datos de vibración y acústica.

En la Sección 4.4, se puede ver que los datos de obstrucción son completamente separables
de los datos de la bomba en buen estado en todo el rango de velocidades. La razón de esto
puede ser una sensibilidad muy alta de los datos de presión con el nivel de bloqueo. En el
apartado anterior se ha mostrado la dependencia de la formación de la burbuja con el bloqueo.
Para verificar la gravedad de la cavitación con la velocidad de funcionamiento de la bomba, los
Declaración de contribución de autoría CRediT
datos en todos los niveles de bloqueo se etiquetan de acuerdo con las observaciones visuales
de formación de burbujas y se agrupan en diferentes velocidades de la bomba. Los resultados
Rajiv Tiwari: Conceptualización, Supervisión. DJ Bordoloi: Visualización, Investigación,
de la clasificación de datos se dan en la Tabla 7.
Redacción - revisión y edición. Aakash Dewangan: Metodología, Software, Curación de datos,
Redacción - borrador original.
En la Tabla 7, podemos ver que la precisión de la clasificación aumenta con la velocidad de
funcionamiento de la bomba. A 30 Hz y 35 Hz, la precisión de la clasificación es relativamente
baja, esto puede deberse a que la cavitación es muy inferior (apenas comienza la formación de Declaración de interés en competencia
burbujas), es decir, pulsación de baja presión, pero a 55 Hz, 60 Hz y 65 Hz la precisión de la
clasificación es de aproximadamente 100%, que es el Los autores declaran que no tienen competencia financiera conocida.

14
Machine Translated by Google

R. Tiwari et al. Medida xxx (xxxx) xxx

Tabla 8
. Comparación del trabajo actual con el trabajo de otras literaturas
S. Autores Tipos de falla Características de fallo de señal/dominio Método/clasificador de IA
NORTE.
Rendimiento global

1 Presente trabajo Bloqueo y cavitación Dominio de Desviación estándar, media, curtosis y asimetría Clasificador de datos binarios de Obstrucción-100%
presión/tiempo aprendizaje profundo Cavitación 96,77%
Obstrucción 93,4%
2 Panda et al. [23] Bloqueo y cavitación Dominio de Desviación estándar, media, curtosis, MVS
vibración/tiempo asimetría, factor de cresta y entropía
Cavitación
99,38%
3 Rapur y Tiwari [24] Bloqueo de succión y Dominio de Desviación estándar, media y entropía MVS Obstrucción
grietas en el impulsor vibración/tiempo 91,25%
4 Bordoloi y Tiwari Dominio de MVS –
Bloqueo y cavitación Desviación estándar, curtosis y asimetría
[22] vibración/tiempo
5 Sakthivel et al. Cojinete, impulsor, defecto Dominio de Desviación estándar, curtosis, valor máximo, Árbol de decisión 99,6%
[11] de sello y cavitación vibración/tiempo varianza, rango, valor mínimo y asimetría

6 Samanta et al. [14] falla de rodamiento Dominio de ANN de varianza, media, rms, curtosis y asimetría con algoritmo genético, 100%
vibración/tiempo SVM con algoritmo genético
7 Muralidharan et al. [29] Cavitación, falla del impulsor y Dominio de Desviación estándar, media, curtosis y varianza MVS 99,84%
falla del cojinete vibración/tiempo
8 Zhao et al. [20] Falla de cojinete e impulsor Dominio de Extracción de características propias usando NN Aprendizaje profundo no supervisado 99,61%
vibración/tiempo
9 Zouari et al. [15] Cavitación, flujo parcial e Vibración/tiempo 13 conjunto de características Red neuronal y técnica neuro fuzzy 96%
inyección de aire dominio

intereses o relaciones personales que podrían haber aparecido para influir en el
trabajo informado en este documento.
Referencias
[1] IJ Karassik, T. McGuire, Bombas centrífugas, Springer Science & Business Media,
2012.
[2] JS Rapur, R. Tiwari, Diagnóstico experimental de fallas basado en vibraciones en el dominio del tiempo de
bombas centrífugas usando una máquina de vectores de soporte, ASCE-ASME J. Risk Uncertainty Eng.
sist. Parte B: Mec. Ing. 3 (4) (2017) 044501–044507.
[3] E. Molienda, cavitación y la bomba centrífuga: una guía para usuarios de bombas, CRC Press,
1999.
[4] RS Beebe, Mantenimiento predictivo de bombas usando monitoreo de condición, Elsevier,
Reino Unido, 2004.
[5] R. Tiwari, Rotor Systems: análisis e identificación, CRC Press, Boca Raton, 2017.
[6] CJ Dister, Evaluación de salud en línea de bombas integradas, IEEE Aerospace Conf.
proc. 7 (2003) 3289–3294.
[7] PJ McNulty, IS Pearsall, Inicio de cavitación en bombas, J. Fluids Eng. 104 (1) (1982) 99–104.
[8] M. Chudina, Ruido como indicador de cavitación en una bomba centrífuga, Acoust. física 49 (4) (2003)
463–474.
[9] L. Alfayez, D. Mba, G. Dyson, La aplicación de emisión acústica para detectar cavitación incipiente y el
punto de mejor eficiencia de una bomba centrífuga de 60 kW: estudio de caso, NDT y E Int. 38 (5)
(2005) 354–358.
[10] R. Spence, J. Teixeira, Investigación sobre pulsaciones de presión en una bomba centrífuga utilizando
métodos numéricos respaldados por pruebas industriales, Comput. Fluidos 37 (6) (2008) 690–704.
[11] NR Sakthivel, V. Sugumaran, S. Babudevasenapati, falla basada en vibraciones
diagnóstico de bomba centrífuga monoblock mediante árbol de decisión, Expert Syst. aplicación 37 (6)
(2010) 4040–4049.
[12] MTS Tabar, SH Majidi, Z. Poursharifi, Investigación de los efectos de la recirculación en la formación de
burbujas de vapor en las palas de las bombas centrífugas, World Acad. ciencia 51 (2011) 883–888.
[16] S. Rajakarunakaran, P. Venkumar, D. Devaraj, K. Surya Prakasa Rao, Artificial
enfoque de red neuronal para la detección de fallas en sistemas rotativos, Appl. Cómputo suave. 8 (1)
(2008) 740–748.
[17] MR Nasiri, MJ Mahjoob, H. Vahid-Alizadeh, Análisis de firmas de vibración para detectar cavitación en
bombas centrífugas mediante redes neuronales, en: Conferencia internacional IEEE sobre
mecatrónica, 2011, págs. 632-635.
[18] A. Azadeh, M. Saberi, A. Kazem, V. Ebrahimipour, A. Nourmohammadzadeh, Z. Saberi, Un algoritmo
flexible para el diagnóstico de fallas en una bomba centrífuga con datos corruptos y ruido basado
en ANN y una máquina de vectores de soporte con optimización de hiperparámetros , Appl. Cómputo
suave. 13 (3) (2013) 1478–1485.
[19] F. Jia, Y. Lei, J. Lin, X. Zhou, N. Lu, Redes neuronales profundas: una herramienta prometedora para la
extracción de características de fallas y el diagnóstico inteligente de maquinaria rotativa con datos
masivos, Mech. sist. Sig. Proceso. 72 (2016) 303–315.
[20] W, Zhao, Z. Wang, C. Lu, J. Ma, L. Li, Diagnóstico de fallas para bombas centrífugas mediante aprendizaje
profundo y regresión softmax, en: 12.º Congreso Mundial sobre Automatización y Control Inteligentes
(WCICA), 2016 , págs. 165-169.
[21] R. Azizi, B. Attaran, A. Hajnayeb, A. Ghanbarzadeh, M. Changizian, Mejora de la precisión de la
detección de la gravedad de la cavitación en bombas centrífugas mediante una técnica de selección
de características híbridas, Medición 108 (2017) 9–17.
[22] DJ Bordoloi, R. Tiwari, Identificación de bloqueos de flujo de succión y carcasa
cavitaciones en bombas centrífugas mediante técnicas de máquinas de vectores soporte óptimos, J.
Braz. Soc. mecánico ciencia Ing. 39 (8) (2017) 2957–2968.
[23] AK Panda, JS Rapur, R. Tiwari, Predicción de bloqueos de flujo e inminente
cavitación en bombas centrífugas utilizando algoritmos de Máquina de vectores de soporte (SVM)
basados en mediciones de vibración, Medición 130 (2018) 44–56.
[24] JS Rapur, R. Tiwari, Automatización del diagnóstico de fallas múltiples de bombas centrífugas usando
una máquina de vector de soporte de clase múltiple con señales de vibración y corriente del motor en
el dominio de la frecuencia, J. Braz. Soc. mecánico ciencia Ing. 40 (6) (2018) 278.
[25] I. Goodfellow, Y. Bengio, A. Courville, Aprendizaje profundo, vol. 1, prensa del MIT, Cambridge,
2016.
[26] M. Abadi, P. Barham, J. Chen, Z. Chen, A. Davis, J. Dean, M. Devin et al., Tensorflow: un sistema
para el aprendizaje automático a gran escala, en: 12th {USENIX }
Simposio sobre Diseño e Implementación de Sistemas Operativos ({OSDI} 16), 2016, pp. 265-283.

[27] P. Raybaut, Spyder: entorno de desarrollo de Python científico, 2009–. URL

[13] J. Lu, S. Yuan, Y. Luo, J. Yuan, B. Zhou, H. Sun, Numérico y experimental
https://github. com/spyder-ide/spyder, En línea 2017.
investigación sobre el desarrollo de la cavitación en una bomba centrífuga, Proc. Inst.
[28] DP Kingma, JL Ba, Adam: un método para la optimización estocástica, preimpresión de arXiv
mecánico Ing. Parte E: J. Proceso Mec. Ing. 230 (3) (2016) 171–182.
arXiv 9 (2014) 1412–6980.
[14] B. Samanta, KR Al-Balushi, SA Al-Araimi, Redes neuronales artificiales y máquinas de vectores de soporte
[29] V. Muralidharan, V. Sugumaran, V. Indira, Diagnóstico de fallas del monobloque
con algoritmo genético para la detección de fallas en rodamientos, Eng. aplicación
Artefacto Intel. 16 (10) (2003) 657–665. bomba centrífuga usando SVM, Ing. ciencia Tecnología En t. J. 17 (3) (2014) 152–157.

[15] R. Zouari, S. Sieg-Zieba, M. Sidahmed, Sistema de detección de fallas para centrífugas

bombas que utilizan redes neuronales y técnicas neuro-difusas, Surveillance 5 (2004) 11–13.

15