Monitorización de holguras en ejes mediante análisis vibratorio y sistemas de clasificación inteligentes

• MARTA ZAMORANO ^[1] ; MARIA JESÚS GÓMEZ- GARCÍA ^[1] ; CRISTINA CASTEJÓN ^[1]
  1. [1] Universidad Carlos III de Madrid

     Universidad Carlos III de Madrid

     Madrid, España

     
• Localización: Revista iberoamericana de ingeniería mecánica, ISSN 1137-2729, Vol. 26, Nº 2, 2022, págs. 3-11
• Idioma: español
• Títulos paralelos:
  • Monitoring of shaft backlash using vibration analysis and intelligent clasiffication systems
• Enlaces
  • Texto Completo Ejemplar
• Resumen
  • español

    Las tareas de mantenimiento juegan un papel muy relevante dentro de la industria para logar una buena calidad y productividad de su servicio o producto. Hoy en día, el interés en conocer el estado de los sistemas en tiempo real y su conexión con las diferentes áreas de la industria a través de la digitalización (Industria 4.0) está en crecimiento, y avanza hacia el denominado Mantenimiento 4.0. En esta línea, el mantenimiento se dirige hacia la detección e incluso predicción de problemas o defectos durante el funcionamiento de la máquina (en servicio), lo que requiere un conocimiento amplio del comportamiento dinámico del sistema. Este trabajo presenta el estudio del problema de holgura de un eje mediante el análisis de las señales vibratorias que se pueden medir durante su funcionamiento. La holgura es un defecto muy común en maquinaria rotativa que puede ocasionar graves problemas y la detección prematura de la misma durante su funcionamiento permite evitar fallos catastróficos en la máquina, parándola solo cuando es imprescindible solventar el problema (mantenimiento predictivo).

    Para realizar el estudio, se utiliza una máquina de simulación de fallos donde se ensayan, a diferentes frecuencias de rotación, dos ejes; uno sin holgura y otro mecanizado con un diámetro 0.5 mm menor, provocando una holgura en la conexión del eje con el motor mediante un acoplamiento y en el eje con los rodamientos. Las señales se analizarán mediante la Transformada en Paquetes Wavelet (WPT), herramienta basada en el dominio del tiempo y de la frecuencia. Para este fin, se seleccionará previamente la función wavelet madre óptima para el caso de estudio, aplicando una metodología propuesta en trabajos previos. Por último, para la detección del problema, se hará uso de sistemas de clasificación inteligente, empleando modelos entrenados de tipo máquinas de soporte vectorial lineal (SVM). De esta forma, se obtendrán aquellos patrones que permitan la predicción del problema de holgura de la manera más rápida y fiable posible.

  • English

    Usually, the industry focuses on seeking good quality and productivity of its service or product, so maintenance tasks play a relevant role. Currently, the interest in knowing the status of systems in real time and their connection with the different areas of the industry is growing, which has been called Maintenance 4.0. One of the objectives of this type of maintenance is the detection of problems or defects during the operation of the machine, which requires prior investigation. In particular, mechanical looseness is a very common defect in rotating machinery that can cause serious problems. Detecting defects in rotating machinery through condition monitoring by performing vibration analysis is becoming more and more common. The premature detection of play during its operation allows avoiding catastrophic failures in the machine, stopping it only when it is essential to solve the problem. In this work, the looseness problem of a shaft is analysed by analysing the vibratory signals that are produced during its operation. To do this, in a fault simulation machine, two shafts will be tested at different rotation frequencies; one without looseness and another machined shaft with a diameter 0.5 mm smaller, causing a looseness in the connection of the shaft with the motor through a coupling and in the shaft with the bearings. The signals will be analysed using the Wavelet Packet Transform, a tool based on the time and frequency domain. For this purpose, the optimal mother wavelet will be previously selected by applying a methodology proposed in previous works. This study involves the use of intelligent classification systems, employing trained models of linear vector support machines. In this way, those patterns that allow the prediction of the looseness problem in the fastest and most reliable way possible will be obtained.