ES2549652B1 - Método y sistema para detectar automáticamente fallos en un eje rotatorio - Google Patents

Abstract

Método y sistema para detectar automáticamente fallos en un eje rotatorio.#La presente invención se refiere a un método y un sistema para detectar automáticamente fallos en un eje rotatorio. La invención comprende los pasos de: adquirir, mediante al menos un sensor, una señal de tipo vibratorio del eje rotatorio; procesar, mediante un procesador, en el dominio del tiempo y en el dominio de la frecuencia, la señal adquirida por el sensor, obteniendo como resultado de dicho procesado, unas medidas de energía de la señal adquirida; comparar, en el procesador, las medidas de energía con unos patrones de energía previamente establecidos; y finalmente determinar si existe algún fallo en el eje rotatorio en base a la comparación entre las medidas de energía y los patrones previamente establecidos.

Description

5

10

15

20

25

30

DESCRIPCION

Metodo y sistema para detectar automaticamente fallos en un eje rotatorio

Objeto de la invencion

La presente invencion tiene aplicacion en el campo de la defectolog^a y la prevention de danos, mas espedficamente en la detection automatica de fallos en ejes rotatorios como puede ser un eje de ferrocarril, para diagnosticar el estado de dichos ejes y garantizar su mantenimiento.

Antecedentes de la invencion

Actualmente los metodos de diagnostico y monitorizacion de estado de los sistemas mecanicos presentan gran interes industrial. El mantenimiento predictivo es fundamental para evitar roturas en maquinas rotativas, y uno de los metodos de diagnostico mas usados es el analisis de vibraciones, ya que de las senales acusticas y vibratorias se pueden extraer patrones utiles para la deteccion de defectos en maquinaria.

La deteccion de defectos en elementos mecanicos rotatorios es critica en el mantenimiento de los mismos y debido a que los engranajes y rodamientos son los componentes mas utilizados en las aplicaciones industriales, estas tecnicas de monitorizacion han sido ampliamente desarrolladas para estos elementos. Sin embargo, hoy en dia, las tecnicas de mantenimiento aplicadas son muy diferentes dependiendo del sector y, para elementos mecanicos como es el caso de los ejes ferroviarios, actualmente se utilizan otro tipo de tecnicas de inspection no destructivas, principalmente ultrasonidos. En este caso se establecen unos intervalos fijos para realizar inspecciones que cuando se realizan obligan a dejar la maquina fuera de servicio durante el proceso, incluyendo el decalado de las ruedas, con los gastos que ello implica. Los ultrasonidos tienen ademas la desventaja de que no ofrecen probabilidades de acierto muy altas en las zonas de cambios de section (que son precisamente las que presentan mayor probabilidad de tener una grieta), y en el caso de las particulas magneticas (otra tecnica habitual), el bajo nivel de automatization de los equipos de inspeccion, hace que se este expuesto a errores humanos.

Las tecnicas basadas en la monitorizacion de estado, en cambio presentan las ventajas de que se elimina la necesidad de parar y desmontar la maquina para comprobar el estado de

5

10

15

20

25

30

35

sus elementos y ademas la probabilidad de detectar un fallo, antes de que sea grave aumenta, evitando as^ perdidas e incrementando la seguridad de los procesos. Estas dos razones hacen que la monitorizacion de estado en procesos industriales haya sido objeto de numerosas investigaciones en las ultimas decadas.

Particularizando en la monitorizacion de ejes, desde los anos 60 se han realizado multitud de estudios sobre el comportamiento dinamico de los mismos, tanto con la presencia de defectos como sobre ejes sanos. Sin embargo, este tipo de estudios no suele incluir el proceso inverso de identification de defectos. Sobre el problema de detection de defectos en ejes, los metodos de diagnosis existentes en el estado del arte se pueden clasificar en metodos basados en las vibraciones, metodos basados en el analisis modal, y tecnicas no tradicionales.

En cuanto a los metodos no tradicionales, se incluyen en este campo los metodos que utilizan sistemas inteligentes de clasificacion tales como redes neuronales, y logica borrosa, ademas de tecnicas sofisticadas de procesamiento de senales, como por ejemplo, la transformada wavelet (WT). La transformada wavelet (WT) es de hecho la herramienta mas utilizada para el tratamiento de senales. Su uso esta reemplazando al de la FFT ya que consigue eliminar las limitaciones de esta tecnica clasica al incluir information sobre el dominio del tiempo. debido a esto, la WT es una herramienta muy apropiada para trabajar con senales de tipo no estacionario, cualidad que la hace especialmente indicada para defectologia en maquinas; ya que cuando aparece una fisura en un elemento se generan efectos transitorios en la senal que no pueden ser detectados teniendo en cuenta solamente el dominio de la frecuencia. De esta manera, tanto para defectologia de ejes y de otros elementos mecanicos importantes como rodamientos, engranajes, e incluso elementos estructurales, la transformada wavelet ha tomado mucho protagonismo en los ultimos anos. Una de las ultimas evoluciones de la WT, es la llamada transformada wavelet packet o transformada wavelet de paquetes (WPT), que esta teniendo un gran numero de aplicaciones. Esta tecnica permite la descomposicion de todas las bandas de frecuencia de la senal, permitiendo localizar las diferencias entre elementos sanos y defectuosos, permitiendo ademas ampliar o reducir la resolution con la que se examina la informacion. Los coeficientes obtenidos de la WPT se pueden usar directamente como patrones para la deteccion de defectos, ya que poseen gran sensibilidad a los fallos, pero hay una multitud de alternativas de aplicar esta tecnica y usar otros tipos de informacion relativa a los coeficientes, como parametros estadisticos de la senal o medidas de energia.

5

10

15

20

25

30

El estado del arte de la diagnosis de defectos en maquinas, esta provisto de distintos tipos de clasificadores artificiales. Se ha seguido una evolucion desde los enfoques estad^sticos clasicos de decision iniciales (determirnsticos y probabiKsticos), enfoques sintacticos o arboles de decision, hasta otros que se han desarrollado recientemente a traves de paquetes informaticos y que derivan de los anteriores, como enfoques teoricos de grupos borrosos, algoritmos geneticos y conexionistas (RNA: redes neuronales artificiales); incluyendo versiones hibridas de todos los mencionados anteriormente. En la actualidad, las RNA se han convertido en un sistema de clasificacion inteligente de gran interes para la industria.

Las redes de neuronas artificiales son un ejemplo de aprendizaje y procesamiento automatico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexion de neuronas en una red que colabora para producir un estimulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. Las partes fundamentales de una unidad neuronal basica son:

• entrada: es el vector (pj) que excita a la neurona. Se compone de aquellos datos mas representativos (patrones) del fenomeno al que se desea aplicar una RNA.

• pesos: son los valores (wj) que se asocian a cada una de las conexiones entre neuronas de una red. La variation de estos determina el proceso de aprendizaje.

• funcion de activation: se encarga de calcular el nivel o estado de activation de la neurona en funcion de la entrada total. Es quizas la caracteristica principal de las neuronas, la que mejor define el comportamiento de la misma. Las funciones de activacion mas populares en las diferentes arquitecturas RNA son: la funcion sigmoidea para obtener valores en el intervalo [0,1] y la tangente hiperbolica, para obtener valores en el intervalo [-1,1].

• funcion de red o de propagation: calcula el valor de base o entrada total a la unidad neuronal. Equivale a la combination de las senales que excitan o inhiben a las neuronas biologicas. Las funciones de red mas utilizadas son la lineal y la de segundo orden. La ecuacion para la obtencion de la salida de la unidad neuronal para una funcion de red lineal es:

imagen1

5

10

15

20

25

30

• salida: es el valor de salida de la neurona en funcion de la activacion de la misma. En el caso de la utilization de una RNA para el proceso de diagnostico de fallos, la salida equivale al diagnostico de la red.

Las neuronas se organizan por capas, donde se conectan a traves de los pesos. Las RNA basicas tienen al menos tres capas de neuronas: una capa de entrada, una o mas capas ocultas, y una capa de salida. Cada capa de la RNA contiene un grupo de unidades de procesamiento, llamadas nodos o neuronas, que envian su propia salida a todos los nodos de la capa siguiente de manera unidireccional.

Existen dos fases en la utilizacion de una RNA convencional: la fase de aprendizaje o entrenamiento y la fase de prueba y/o utilizacion. En el caso de una RNA con aprendizaje de tipo supervisado, el entrenamiento consiste en la presentation de un conjunto variado de patrones de entrada, cuya salida es conocida. La red ajusta las conexiones entre capas (pesos Wj), en un proceso iterativo de minimization del error, hasta conseguir que dicha red cumpla los requisitos impuestos. Existen diferentes algoritmos de ajuste de pesos que constituyen las diferentes configuraciones de red.

Segun lo expuesto anteriormente, las invenciones hasta ahora conocidas por el estado de la tecnica realizan la funcion del objeto de invention, pero de una manera poco fiable y poco eficiente debido a que no logran adecuarse de la manera mas optima a su aplicacion sobre ejes rotatorios como los de un ferrocarril. El estado del arte demanda por tanto una evolution en estas tecnicas que permita realizar un diagnostico fiable y automatico del estado de un eje (detectar si existen fallos/defectos) montado con el resto de elementos que forman parte de un sistema rodante, sin pagar el peaje de tener que desmontar el eje y parar su funcionamiento.

Description de la invencion

La presente invencion se refiere a un metodo para detectar automaticamente fallos en un eje rotatorio. El metodo comprende los pasos de:

a) adquirir, mediante al menos un sensor, una senal de tipo vibratorio del eje rotatorio;

5

10

15

20

25

30

b) procesar, mediante un procesador, en el dominio del tiempo y en el dominio de la frecuencia, la senal adquirida por el sensor, obteniendo como resultado de dicho procesado, unas medidas de ene^a de la senal adquirida;

c) comparar, en el procesador, las medidas de energia con unos patrones de energia previamente establecidos;

d) determinar si existe algun fallo en el eje rotatorio en base a la comparacion entre las medidas de energia y los patrones previamente establecidos.

El procesado del paso b) puede realizarse, segun una realization de la presente invention, aplicando una transformada wavelet en paquetes a la senal adquirida. Al aplicar la transformada wavelet en paquetes a la senal adquirida, el metodo de la invencion contempla la posibilidad de escoger un nivel de descomposicion para la senal adquirida y una wavelet madre.

Segun una realizacion de la presente invencion, los patrones de energia se encuentran distribuidos en paquetes que corresponden a distintas bandas de frecuencia de la senal adquirida.

Opcionalmente, para establecer los patrones de energia, la presente invencion contempla en una de sus realizaciones el detectar los cambios de energia en una misma banda de frecuencia entre distintas senales obtenidas previamente del eje rotatorio.

En una de las realizaciones de la presente invencion, la comparacion de las medidas de energia con los patrones previamente establecidos se realiza mediante una red neuronal. La red neuronal, dependiendo de las distintas realizaciones de la invencion, se selecciona entre una red neuronal unidireccional, una red neuronal de reconocimiento de patrones, una red neuronal perceptron multicapa, una red neuronal de funcion de base radial o una red neuronal probabilistica. Se contempla la posibilidad de anadir una etapa adicional de entrenamiento de la red neuronal donde se utilizan, como entrada de la red neuronal, senales de las que se conoce su resultado de salida. Opcionalmente, en el caso de obtener una tasa de acierto inferior a un cierto umbral, el metodo puede comprende incrementar el nivel de descomposicion de la senal adquirida.

La presente invencion contempla, en una de sus realizaciones, la posibilidad de que el eje rotatorio sea un eje de ferrocarril montado, donde dicho ferrocarril se encuentra en

5

10

15

20

25

30

35

movimiento.

Es dedr, el ferrocarril o sistema rodante comprende un eje rotatorio de ferrocarril o elemento rotatorio montado junto con el resto de elementos que comprende habitualmente dicho ferrocarril o sistema rodante.

Los fallos o defectos detectados en un eje rotatorio por el metodo de la presente invention, pueden clasificarse en distintos niveles de gravedad de acuerdo a una de las realizaciones de la invencion. Por ejemplo, los niveles de gravedad pueden corresponder con la profundidad de las grietas o fisuras detectadas en un eje de ferrocarril.

Un segundo aspecto de la invencion se refiere a un sistema para detectar automaticamente fallos en un eje rotatorio. El sistema comprende:

- un sensor configurado para adquirir una senal de tipo vibratorio del eje rotatorio;

- un procesador, en comunicacion con el sensor, configurado para analizar senales en el dominio del tiempo y en el dominio de la frecuencia, obtener medidas de energia de dichas senales, comparar las medidas de energia con unos patrones de energia previamente establecidos y determinar si existe algun fallo en el eje rotatorio de acuerdo a la comparacion de las medidas de energia con los patrones previamente establecidos.

Una posible realization del sistema de la invencion contempla la posibilidad de que el eje rotatorio sea un eje de ferrocarril.

El sensor utilizado para adquirir senales de tipo vibratorio del eje rotatorio es, segun una realizacion particular de la invencion, un acelerometro. Dicho acelerometro puede instalarse, por ejemplo, en la caja de grasa vinculada al eje de ferrocarril bajo estudio.

Un ultimo aspecto de la invencion se refiere a un programa informatico que comprende medios de codigo de programa adaptados para realizar las etapas del metodo de la invencion, cuando dicho programa se ejecuta en un procesador de proposito general, un procesador de senal digital, una FPGA, un ASIC, un microprocesador, un microcontrolador, o cualquier otra forma de hardware programable.

Asi pues, de acuerdo con la invencion descrita, el metodo y sistema que la invencion

5

10

15

20

25

30

35

propone constituye un avance en los metodos de diagnostico y detection de fallos en ejes rotatorios, principalmente aplicados a ejes de ferrocarril, hasta ahora utilizados. Se resuelve as^ de manera plenamente satisfactoria la problematica anteriormente expuesta, en la lmea de predecir el desgaste de los ejes mediante la deteccion de fallos en distintos niveles de gravedad sin necesidad de desmontar los ejes ni dejar las maquinas fuera de servicio mientras se inspeccionan, lo cual se realiza de manera automatica con la consiguiente mejora en las operaciones asociadas tanto al funcionamiento como al mantenimiento de la maquina y la consiguiente reduction de costes por la optimization y eficiencia del proceso, todo ello sin exigir ninguna habilidad especial de operarios ni dificultad de uso.

Descripcion de los dibujos

Para complementar la descripcion que se esta realizando y con objeto de ayudar a una mejor comprension de las caracteristicas del invento, de acuerdo con un ejemplo preferente de realization practica del mismo, se acompana como parte integrante de dicha descripcion, un juego de dibujos en donde con caracter ilustrativo y no limitativo, se ha representado lo siguiente:

La figura 1.- Muestra un esquema de la invention propuesta.

La figura 2.- Muestra un esquema de la aplicacion de una transformada wavelet.

La figura 3.- Muestra un esquema de la descomposicion de una senal al pasarla por filtros de una transformada wavelet discreta.

La figura 4.- Muestra el arbol de descomposicion de nivel 3 en un analisis mediante paquetes wavelet.

La figura 5a.- Muestra el reparto de energias en distintos niveles de descomposicion de acuerdo a una senal de un ejemplo particular de la invencion.

La figura 5b.- Muestra el reparto de energias en el nivel de descomposicion 3 para la misma senal utilizada en la figura 5a.

La figura 6.- Muestra un esquema general de las etapas de la invencion propuesta.

La figura 7a.- Muestra los patrones de energia de los paquetes wavelet de una senal de eje sano a 20 HZ.

La figura 7b.- Muestra los patrones de energia de los paquetes wavelet de una senal de eje con defecto a 20 HZ.

Descripcion detallada de la invencion

A la vista de las figuras resenadas puede observarse como en una de las posibles

5

10

15

20

25

30

35

realizaciones de la invention, se plantea un metodo y un sistema no destructivo de detection de fallos en ejes que giran a bajas revoluciones con su aplicacion fundamental al eje de ferrocarril montado. Basandose en la monitorizacion de estado y contando como ventaja en su aplicacion a ejes ferroviarios la no necesidad de desmontar el mismo para su inspeccion.

Las vibraciones emitidas son monitorizadas de forma continua y procesadas en el dominio del tiempo y en el de la frecuencia, seleccionando los parametros optimos que permiten servir de information de entrada a un sistema de clasificacion inteligente.

Entre las tecnicas basadas en la medida de vibraciones, se encuentran tanto las tecnicas en las que las senales se obtienen de forma experimental como de forma analrtica. Para la deteccion de defectos se buscan los fenomenos observados en los analisis dinamicos de estos elementos cuando aparece un defecto, como ciertas inestabilidades observadas en subarmonicos de la velocidad critica del eje, as^ como armonicos de la velocidad de giro. Sin embargo, aunque en la teoria estos efectos son transparentes, en la practica, la deteccion temprana de un defecto no es una tarea sencilla, y a menudo la tasa de deteccion no sobrepasa un 25%.

La presente invencion sustituye los coeficientes optimos tipicos de un analisis MRA, por el uso de las energias calculadas mediante WPT. De esta manera, la invencion propuesta esta basada en la obtencion de la energia WPT de senales vibratorias obtenidas durante el funcionamiento normal del eje rotatorio bajo estudio sin necesidad de desmontarlo. Los patrones optimos se escogen para ser clasificados mediante redes neuronales. En la actualidad, la presente invencion ha sido probada con exito en un banco prototipo de laboratorio RTK-01 escala 1/5.

En la figura 1 se muestra un esquema de la invencion propuesta donde puede verse su funcionamiento. La invencion propuesta, de acuerdo a una realization particular, ofrece un diagnostico (1) constante del estado de un eje rotatorio parte de un sistema mecanico bajo estudio, un eje de ferrocarril (2) en este caso, con la ventaja de no necesitar desmontarlo, ya que durante su funcionamiento normal se adquieren senales (3) de tipo vibratorio mediante un sensor (4), por ejemplo un acelerometro, que son recogidas por un sistema de adquisicion (5) y enviadas a un procesador de senales (6). Tras procesar las senales y aplicar transformada wavelet en paquetes para obtener una medida de la energia (7) de las

5

10

15

20

25

30

35

senales, se introducen en una red neuronal (8) entrenada con muestras anteriores para comparar y clasificar las senales dependiendo del estado del eje. Los fallos detectados se identifican automaticamente con unas muy altas tasas de acierto.

Para aplicar los metodos de monitorizacion de engranajes y rodamientos al caso de ejes ferroviarios, que son elementos muy criticos, se han realizado de acuerdo a distintas realizaciones de la presente invencion estudios sobre varios funcionales para llegar a la conclusion de cuales son los indicadores mas optimos de la presencia de un defecto en un eje, como puede ser una grieta o una fisura.

Los funcionales habitualmente estudiados en el estado de la tecnica son por un lado, parametros estadisticos (como la media, la mediana, la desviacion estandar, el sesgo, la kurtosis, el valor eficaz, el mmimo, el maximo, el valor de pico-pico, el valor de pico, el factor de forma o el factor de cresta) y por otro, representaciones de la senal que permitan estudiarla tanto en el dominio del tiempo como de la frecuencia.

Respecto a las representaciones en el dominio de la frecuencia, tradicionalmente han sido utilizadas para examinar los picos de frecuencias en los que se modifica la amplitud o que se ven desplazados por la presencia de un defecto. Esto es debido a que la presencia de una grieta en un elemento estructural, reduce la rigidez del mismo, por lo que las frecuencias naturales se ven reducidas, y cambian los modos de vibracion. El estudio de las frecuencias naturales ha sido siempre el primer paso para encontrar un indicador de dano en un elemento mecanico, ya que puede ser medido de forma facil y rapida y que esta poco contaminado por ruido experimental. Realizando un analisis exhaustivo por bandas de frecuencia, se detectan las diferencias de energia en determinadas franjas que indican la presencia de un defecto, pero la principal desventaja que tiene esta tecnica, es que cuando aparece un defecto, los cambios en las frecuencias naturales son muy pequenos, y pueden ser tapados debido a errores experimentales.

En la presente invencion, sin embargo, no se observan los modos de vibracion, sino las senales de respuesta que aparecen durante el movimiento normal de la maquina asociada al eje rotatorio, con lo que se contara con la desventaja del ruido.

En cuanto a los funcionales que describen una senal en el dominio del tiempo y la frecuencia destaca la transformada wavelet, que es la elegida por la presente invencion.

5

10

15

20

25

30

35

Este tipo de transformadas constituye una herramienta matematica muy apropiada para detectar defectos en elementos mecanicos. Una de las grandes ventajas es que permite trabajar en un modo multirresolucion, lo que permite una localization eficiente de fenomenos locales en senales no estacionarias con transitorios rapidos. De la misma manera que con la transformada de Fourier se obtienen los coeficientes frecuenciales de los componentes sinusoidales de la senal, con la transformada wavelet se obtienen los coeficientes de correlation entre la senal y una funcion denominada wavelet madre. Dichos coeficientes de correlation ademas, dependen de la escala y de la position de la wavelet madre. La wavelet madre es escogida por su morfologia, por parecerse mas a los efectos que se producen en las senales con la presencia de un defecto.

En los experimentos llevados a cabo por la presente invention, en una de sus realizaciones, se seleccionan un conjunto de wavelet madre para evaluar cual es la que mejor correlacion presenta con los defectos evaluados. Se determina que la familia Daubechies, y en particular la Daubechies 6, es la que mejor se adapta.

La transformada wavelet continua (o sus siglas en ingles CWT), es un operador lineal que asocia cada senal de energia finita con una funcion particular, denominada wavelet madre (21), elegida convenientemente en funcion de la senal. Una vez seleccionado el instante y la escala de observation, la CWT permite analizar estructuras de la senal a traves de coeficientes de correlacion (22), en lugar de analizar la totalidad de la senal (23), como se observa en la figura 2.

La ventaja de la transformada wavelet continua, es que es una herramienta muy util para detectar, caracterizar y clasificar senales con caracteristicas espectrales complejas, contenidos transitorios y otras propiedades relacionadas con senales no estacionarias.

La formulation matematica de la transformada wavelet continua es la siguiente:

T(a, b) = w(a) £1 X(t) Y*(v)dt (Eq 1)

Donde X(t) es la senal temporal y y una funcion wavelet madre. w(a) es una funcion de ponderacion. En la ecuacion 1, b se relaciona con el posicionamiento y a con la escala. La funcion de ponderacion se utiliza por razones de conservation de la energia (garantiza que los wavelets tendran la misma energia en cada escala). T(a, b) son los coeficientes wavelets que dependen de cada escala a y del desplazamiento b. El producto de la wavelet conjugada con la senal es integrado durante todo el rango de la senal, lo que se conoce matematicamente como una convolution.

5

10

15

20

25

30

35

Partiendo de la definition de la transformada wavelet continua, el trabajar con transformaciones de wavelets discretas es una practica habitual. Esto se debe a su eficacia computacional y a que normalmente se trabaja con senales de datos discretos. Lo mas comun a la hora de discretizar la CWT es emplear la rejilla diadica, donde a = 2i. En este caso, la transformada viene dada por:

T(2\b) =±C X(t) Y*(^)dt (Eq 2)

Cada i se denomina octava, y consiste en cada uno de los niveles en los que se descompone la senal. Las escalas bajas tienen en cuenta las frecuencias bajas y las escalas altas, las frecuencias mayores. Cuando se usan wavelets ortonormales, lo habitual es utilizar un procedimiento denominado diezmado. Este metodo consiste en descomponer la senal en un numero de coeficientes proporcional a la escala analizada. Esto hace que la senal tenga distinto numero de coeficientes en cada escala. Fisicamente, refleja el hecho de que las frecuencias menores de una senal necesitan menos coeficientes para ser representadas.

Tanto el analisis multirresolucion (MRA) como el analisis de transformada wavelet en paquetes (WPT) son una extension de la transformada wavelet discreta, donde se procesa una senal discreta X a diferentes bandas de frecuencia y con diferentes resoluciones, al descomponer la senal en una information de aproximacion (32) y otra de detalle (33) con filtros recursivos paso alto (34) y paso bajo (35), tal y como se observa en la figura 3.

La aproximacion contiene la informacion de las componentes de alta escala y baja frecuencia, mientras que los detalles contienen la informacion de baja escala y de alta frecuencia.

La principal diferencia entre los metodos MRA y el analisis mediante WPT, es fundamentalmente que en el analisis MRA se descomponen unicamente los parametros de aproximacion, perdiendo la informacion del detalle y de los detalles de aproximacion, mientras que en el analisis mediante WPT se descomponen tanto detalle como aproximacion en cada uno de los niveles.

La figura 4 muestra el arbol de descomposicion a nivel 3 de una senal mediante el analisis

WPT, en la que si se tienen en cuenta todas las descomposiciones, tanto de aproximacion

como de detalle. En dicha figura, los vectores de coeficientes de descomposicion se denotan

como posiciones nodales de la forma W(k,j), donde k indica el nivel de descomposicion (en

12

5

10

15

20

25

30

este caso de k=0,1,2,3) y j la posicion del nodo dentro de su nivel de descomposicion. El nodo W(0,0) representa la senal original.

En este caso, el algoritmo de descomposicion es identico al analisis multirresolucion, salvo que en este caso se descomponen tanto los coeficientes de aproximacion como los de detalle. Por tanto, si cada vector de coeficientes de correlation, W(k,j), tiene la siguiente forma:

W(k,j) = [w1(k,j), ...,wN(k,j)} = [wi(k,j)] (Eq 3)

La recomposition de la senal, en este caso, debe tener en cuenta los ocho vectores de coeficientes (paquetes), W(3,j) correspondientes al nivel 3, segun la siguiente ecuacion:

W(0,0) = IJ=oK(fc,y)l2 (Eq 4)

El concepto de energia utilizado en el analisis wavelet en paquetes esta estrechamente ligado a las conocidas nociones derivadas de la Teona de Fourier. La energia de los paquetes wavelet se obtiene a partir de la suma de los cuadrados de los coeficientes de cada paquete:

EkJ = lilw^y)!2 (Eq 5)

Para obtener la energia relativa se calcula el total de la energia de la senal antes de la descomposicion wavelet:

Etotal = TjEk,j (Eq 6)

Finalmente, la energia relativa de cada paquete wavelet j en el nivel de descomposicion k, esta definida por:

ek,j = donde Zj ekJ = 1 (Eq 7)

La figura 5 muestra en porcentajes el reparto del la energia de una senal de ejemplo, en los distintos niveles de descomposicion (figura 5a), y en el nivel 3 espedficamente (figura 5b), obtenidos mediante analisis WPT.

De acuerdo a distintos ensayos de la presente invencion, las senales se obtienen de ejes ferroviarios a escala 1/8, ensayados en un banco de ensayos llamado ROTOKIT. Las senales estudiadas, obtenidas con acelerometros, provienen tanto de ejes sanos como de ejes con varios niveles de defecto (por ejemplo 16%, 33% y 50% del diametro), y a distintas velocidades de ensayo (20Hz, 40Hz y 60Hz). La primera aproximacion es tenida en cuenta como funcional optimo para el sistema de clasificacion la energia de los paquetes Wavelet ya que se ha determinado que es el de mayor relevancia para el estudio de defectos en elementos mecanicos y que permite reducir el numero de datos a introducir en el sistema de

5

10

15

20

25

30

35

clasificacion sin perder information relevante.

La figura 6 representa un esquema completo del metodo propuesto por la presente invention. En el pueden verse las siguientes etapas:

• Entrada (61): correspondiente a la adquisicion de informacion del sistema a monitorizar (por ejemplo se usa el sistema Rotokit o sistema real). Se realiza la adquisicion de senal de tipo vibratoria por medio de un sensor o mas espedficamente un acelerometro.

• Procesamiento de la senal (62): Donde se trata de extraer la informacion relevante del estado del eje. En esta etapa se realizaran filtrado y acondicionamiento de senal, asi como la extraction de los patrones de energia de la senal adquirida.

• Sistema clasificador (63): Que involucra a la selection del sistema mas prometedor asi como la configuration mas adecuada.

La salida (64) del sistema genera un diagnostico que se corresponde con el estado real de funcionamiento del eje. En primera aproximacion se trabaja con las condiciones eje sano/eje defectuoso y, a medida que se obtenga mayor informacion en la entrada mediante el entrenamiento del sistema, se realiza una discrimination de las condiciones de fallo que inan de leves a graves, segun los distintos niveles de gravedad establecidos previamente. Como ya ha sido explicado anteriormente, el funcional optimo escogido para realizar comparaciones y/o clasificaciones es la energia de los paquetes wavelet. Visualmente es muy sencillo comprobar las diferencias entre patrones de energia, tal y como muestran las figuras 7a y 7b. Dichas figuras se corresponden con los valores medios de energia de los paquetes, que son resultado de procesar las senales obtenidas en dos experimentos con el sistema girando a 20Hz con eje sano y eje con profundidad de defecto inferior al 33% del radio. En cuanto a la descomposicion Wavelet, se ha realizado una descomposicion de nivel 3 con wavelet madre Daubechies 6. En este ejemplo puede apreciarse que, en el caso de un eje sin defecto, la energia de la senal se concentra fundamentalmente en los paquetes 2 y 4. A medida que aparece un defecto en el eje, dicha energia se reparte en el resto de los paquetes.

Para las tareas de clasificacion y comparacion con patrones se ha optado en la presente invencion por utilizar una arquitectura de red neuronal artificial (RNA). De entre todas las

5

10

15

20

25

30

35

posibilidades se han hecho distintas pruebas para comprobar cual es la mas adecuada para el caso particular de detection de fallos en ejes mediante la ejecucion de distintos ensayos. En los casos de prueba, de acuerdo a una realization de la invention, se han utilizado como patrones la energia de los paquetes wavelet obtenidos a partir de una wavelet madre Daubechies 6 y con un nivel de descomposicion igual a 3. Es decir, se presentan a la red neuronal como entrada 8 niveles de energia correspondientes a los 8 paquetes (23), como los representados en la Fig. 7.

Se han realizado pruebas con dos tipos de RNA multicapa integradas en la toolbox de MATLAB™ de facil aplicacion, que permitiran estudiar la aplicabilidad de este tipo de sistema de clasificacion al caso particular de ejes de ferrocarril. Estas son la red de tipo FeedForward y la red de reconocimiento de patrones (pattern recognition):

- La RNA Feed Forward (unidireccional) se trata de una red neuronal multicapa con funciones de activation en su capa oculta de tipo sigmoidea. Se denomina Feed-Forward porque la information se propaga hacia delante y no hay ningun tipo de realimentacion.

Se entrena esta red neuronal con los 8 valores de energia de los paquetes wavelet de las senales obtenidas con el sistema (patrones). En los ejemplos concretos que se muestran a continuation, se ha trabajado con 1000 senales, correspondientes con ejes sanos y ejes con defecto (el 16% profundidad de fisura respecto del diametro del eje). El 75% de dichas senales se han utilizado para el entrenamiento de la red y el 25% (400 vectores patron de dimension 8) restante se le ha presentado a la red ya entrenada como sistema de validation. En esta configuration de red, se han utilizado 8 neuronas en la capa de entrada (correspondiente a la dimension del vector patron), 5 neuronas en la capa oculta y una neurona en la capa de salida correspondiente al resultado de la clasificacion. En esta primera aproximacion se ha elegido como respuesta: 0 para eje sano y 1 para eje con defecto.

En los resultados experimentales puede comprobarse la convergencia del error. En 26 iteraciones el algoritmo converge al valor establecido, sin embargo, el mejor valor de validacion previa se consigue en la iteration 20 con un error de 0,0158. En cambio, una vez la red ya ha sido entrenada, al presentar nuevos patrones a clasificar se obtiene una tasa de exito del 84,25%. Ademas el algoritmo presentado tiene una tasa de acierto del 100% cuando se le presenta

5

10

15

20

25

30

un eje con defecto.

- RNA de reconocimiento de patrones (pattern recognition): Este tipo de red tiene la misma arquitectura que la anterior, la diferencia estriba en el tipo de funcion de activacion utilizada, el algoritmo de entrenamiento y la posibilidad que ofrece la herramienta de MATLABtm en personalizar la propia red. Ante las mismas condiciones en entrenamiento y validacion (mismas senales utilizadas), los resultados obtenidos son de una tasa de acierto en la clasificacion del 79.5%

Los buenos resultados obtenidos con el entrenamiento de las dos configuraciones de RNA sencillas presentadas anteriormente hacen un paso evidente el aplicar los mismos conceptos a otras redes mas complejas y flexibles de gran aplicacion en el campo de la clasificacion como son: Perceptron Multicapa (MLP), red de Funcion de base radial (RBF) y red probabilistica PNN.

Claims (15)

1. 5

   10

   15

   20

   25

   30

   35

   REIVINDICACIONES

   1. - Metodo para detectar automaticamente fallos en un eje rotatorio en funcionamiento, el metodo esta caracterizado por que comprende los pasos de:

   a) adquirir, mediante al menos un sensor, una senal de tipo vibratorio del eje rotatorio, donde dicha senal se produce de forma natural por el funcionamiento del eje;

   b) procesar, mediante un procesador, en el dominio del tiempo y en el dominio de la frecuencia, la senal adquirida por el sensor, obteniendo como resultado de dicho procesado, unas medidas de energia de la senal adquirida;

   c) comparar, en el procesador, las medidas de energia con unos patrones de energia previamente establecidos;

   d) determinar si existe algun fallo en el eje rotatorio en base a la comparacion entre las medidas de energia y los patrones previamente establecidos.
2. 2. - Metodo de acuerdo a la reivindicacion 1 donde el procesado del paso b) comprende aplicar una transformada wavelet en paquetes a la senal adquirida.
3. 3. - Metodo de acuerdo a la reivindicacion 2, donde el aplicar la transformada wavelet a la senal adquirida comprende ademas escoger un nivel de descomposicion para la senal adquirida y una wavelet madre.
4. 4. - Metodo de acuerdo a cualquiera de las reivindicaciones anteriores donde los patrones de energia se encuentran distribuidos en paquetes que corresponden a distintas bandas de frecuencia de la senal adquirida.
5. 5. - Metodo de acuerdo a cualquiera de las reivindicaciones anteriores donde ademas comprende, para establecer los patrones de energia, detectar los cambios de energia en una misma banda de frecuencia entre distintas senales obtenidas previamente del eje rotatorio.
6. 6. - Metodo de acuerdo a cualquiera de las reivindicaciones anteriores donde la comparacion de las medidas de energia con los patrones previamente establecidos se realiza mediante una red neuronal.
7. 7. - Metodo de acuerdo a la reivindicacion 6 donde la red neuronal se selecciona entre una red neuronal unidireccional, una red neuronal de reconocimiento de patrones, una red neuronal perceptron multicapa, una red neuronal de funcion de base radial o una red neuronal probabilistica.
8. 8. - Metodo de acuerdo a la reivindicacion 7 que ademas comprende una etapa de entrenamiento de la red neuronal donde se utilizan, como entrada de la red neuronal,

   5

   10

   15

   20

   25

   senales de las que se conoce su resultado de salida.
9. 9. - Metodo de acuerdo a la reivindicacion 8 donde, durante la etapa de entrenamiento, en el caso de obtener una tasa de acierto inferior a un cierto umbral, el metodo ademas comprende incrementar el nivel de descomposicion de la senal adquirida.
10. 10. - Metodo de acuerdo a cualquiera de las reivindicaciones anteriores donde el eje rotatorio es un eje de ferrocarril montado, donde dicho ferrocarril se encuentra en movimiento.
11. 11. - Metodo de acuerdo a cualquiera de las reivindicaciones anteriores que ademas comprende clasificar los fallos detectados en el eje rotatorio en distintos niveles de gravedad.
12. 12. - Sistema para detectar automaticamente fallos en un eje rotatorio en funcionamiento, el sistema esta caracterizado por que comprende:

    - un sensor configurado para adquirir una senal de tipo vibratorio del eje rotatorio, donde dicha senal esta producida de forma natural por el funcionamiento del eje;

    - un procesador, en comunicacion con el sensor, configurado para analizar senales en el dominio del tiempo y en el dominio de la frecuencia, obtener medidas de energia de dichas senales, comparar las medidas de energia con unos patrones de energia previamente establecidos y determinar si existe algun fallo en el eje rotatorio de acuerdo a la comparacion de las medidas de energia con los patrones previamente establecidos.
13. 13. - Sistema de acuerdo a la reivindicacion 12 donde el sensor es un acelerometro.
14. 14. - Sistema de acuerdo a cualquiera de las reivindicaciones 13, 14 donde el eje rotatorio es un eje de ferrocarril.
15. 15. - Programa informatico que comprende medios de codigo de programa adaptados para realizar las etapas del procedimiento segun cualquiera de las reivindicaciones 1-11, cuando dicho programa se ejecuta en un procesador de proposito general, un procesador de senal digital, una FPGA, un ASIC, un microprocesador, un microcontrolador, o cualquier otra forma de hardware programable.