Detector de Fallas en Turbinas Hidroeléctricas …Detector de Fallas en Turbinas Hidroeléctricas...

Detector de Fallas en Turbinas Hidroeléctricas

Basado en Ruido

Dr. Maximino Peña Guerrero*, Dr. Manuel González Hernández**, Ing. José J. Negrete Redondo*.

*Acústica, EIMEZ- Instituto Politécnico Nacional. **Universidad Autónoma de Hidalgo.

OBJETIVO

Dr. Maximino Peña Guerrero

• Con base en el sonido que produce una máquina, diseñar un sistema computacional que permita prever y sugerir las acciones de su mantenimiento.

• Proponer un sistema automático que “escucha los ruidos” que producen los componentes de una máquina cuando funcionan bien, mal, o de manera peligrosa, y que además explique el motivo de alguna falla si la hubo.

PROBLEMÁTICA


• El mantenimiento de las máquinas que utiliza la industria es costoso y requiere de personal especializado.

• En máquinas de gran tamaño (plantas nucleares, presas hidro-eléctricas, turbo-reactores) existen riesgos de fallas que ponen en peligro al personal.

• Algunos instrumentos de medición que se utilizan un sitios donde existen materiales tóxicos son delicados, de uso continúo y de difícil acceso.

• El tiempo de reparación de los sistemas algunas veces es muy grande.

• Los sistemas incrustados (embedidos) son de tiempo real y de un propósito específico, los cuales requieren software “hecho a la medida”.

Estructura de un detector de fallas


METODOLOGÍA • Captura y preparación del sonido en tiempo real. • Extracción de las características propias de un ruido. • Creación de los tokens de un determinado ruido. • Clasificación de tokens aislados. • Clasificación de una cadena de tokens conectados

secuencialmente. • Inferencia utilizando métodos de lógica difusa. • Inferencia utilizando métodos estocásticos (cadenas

de Marcov). • Inferencia utilizando redes neuronales. • Inferencia con técnicas de la Inteligencia Artificial

métodos simbólicos (LISP, PROLOG, redes neuronales) .

• Creación automática de una base de datos que co-rresponden a diferentes señales ruidosas.

Captura del ruido.


Sistema MIDI MidiIn MidiOut

D/A A/D Sistema WAV

Driver WAV

Driver MIDI BUS BUS

M A

Captura del ruido

Mezclador por Software

Mezclador por Hardware

Buffer Primario Buffers por Software

Buffers por Hardware

Tarjeta

de

Sonido

(secundarios)

Fuente: bargen98 p. 192

Altavoces

HERRAMIENTAS MATEMÁTICAS


• Análisis Armónico de Señales. • Transformadas de Fourier, Laplace, Z • Cruces por cero. • Energía de la señal. • Álgebra de matrices. • Álgebra vectorial. • Distancias vectoriales. • Teoría de autómatas. • Teoría de probabilidades. • Procesos estocásticos. • Cadenas de Markov (ocultas). • Expresiones regulares. • Teoría de convolución. • Topología de árboles. • Representaciones Backus Naur Form.

Etructura WAVEHDR

typedef struct { LPSTR lpData; // dirección del buffer. DWORD dwBufferLenght; // tamaño del buffer. DWORD dwBytesRecorded; // n bytes grabados. DWORD dwUser; // datos de usuario. DWORD dwFlags; // banderas de control. DWORD dwLoops; // n repeticiones. struct wavehdr_tag *lpNext; // si estan encolados. DWORD reserved; // otro tipo de control. } WAVEHDR;

Etructura WAVEFORMATEX

typedef struct { WORD wFormatTag; // tipo formato de audio. WORD nChannels; // monaural o estéreo. DWORD nSamplesPerSec; // relación muestreo. DWORD nAvgBytesPerSec; // relación Tx de datos. WORD nBlockAlign; // bloques dep. del tipo. WORD wBitsPerSample; // n bits por muestra. WORD cbSize; // información extra. } WAVEFORMATEX;

Banco de filtros


Estructura de un filtro tipo FIR


Estructura de un filtro tipo IIR


Muestra de ruido 3


CÁLCULO DE COEFICIENTES DE PREDICCIÓN LINEAL LPC

Dr. Max Peña Gro. 250309

Espectro LPC de ruido 3


Transformada de Fourier en 2D de ruido 3


Transformada de Fourier en 3D de ruido 3


Espectros: 1000 Hz, ruido1-2-3


Espectros 1000 Hz, ruido1-2-3


Clasificador del ruido con redes neuronales


CONCLUSIONES


• Se utilizó un motor eléctrico para obtener el sonido característico cuando trabaja correctamente, y luego el sonido que produce cuando está dañado.

• El sistema compara los valores característicos de cada ruido y se comparan con una base de datos que corresponden a los sonidos BUENO, MALO, PELIGROSO, MANTENIMIENTO o EXTRAÑO.

• Es posible utilizar esta técnica con sistemas SCADA.

• Muchos procesos cambian su estado de operación automáticamente en tiempo real y se desearía conocer la causa.

• Nuestra contribución es mostrar una técnica alternativa en mantenimiento preventivo barato.

Detector de Fallas en Turbinas Hidroeléctricas …Detector de Fallas en Turbinas Hidroeléctricas...

Documents

Transcript of Detector de Fallas en Turbinas Hidroeléctricas …Detector de Fallas en Turbinas Hidroeléctricas...