Método híbrido para la identificación de fallas en máquinas eléctricas rotativas utilizando señales de vibración

Abstract

El estudio de las vibraciones en las máquinas eléctricas rotatorias ha sido un tema de investigación que ha involucrado diversas técnicas de análisis, pasando por la modelación matemática, modelos de identificación, análisis de señales, entre otros. En los cuales se ha evidenciado que las posibles fallas que puedan aparecer en motores y generadores son susceptibles de introducir cambios en las señales de vibración que estas producen, permitiendo abrir áreas de estudio para lograr su detección. Son presentados los métodos tradicionales utilizados por el análisis de vibraciones en máquinas rotativas, planteando cuáles son las principales dificultades encontradas en ellos para lograr establecer algunas metas en relación a la detección de fallas, que posibiliten otros acercamientos para su diagnóstico. Encontrando atractivo el uso de Redes Adaptativas Basadas en Sistemas de Inferencia Difusa ANFIS, debido a que pueden ser entrenadas utilizando datos reales logrando aproximaciones más acordes al comportamiento de las máquinas ante una condición de falla o bajo su operación normal. Considerando que la magnitud de las fallas, en relación al cambio en amplitud de la señal de vibración, puede variar significativamente de una falla a otra, inclusive a simple vista alcanza a pasar desapercibida, se ha requerido el uso de herramientas que extraigan información de las señales entregadas por los sensores, tarea que ha sido realizada utilizando descomposición en wavelet, que conjugadas con el ANFIS, conforman el sistema híbrido propuesto por esta tesis. Utilizando mediciones reales de motores de inducción de 1hp de las mismas características, se obtuvieron datos de vibraciones en estado de funcionamiento normal, bajo falla en rodamientos y fallas por barras rotas, sirviendo de herramienta para probar el método propuesto, que posteriormente fue comparado con análisis similar donde no se utiliza descomposición en wavelet, logrando establecer sus ventajas / Abstract: The vibration study in rotating electrical machines has been a research topic that has involved various analysis techniques, through mathematical modeling, model identification, and signal analysis, among others. It has become clear that the failures that may appear on motors and generators are susceptible to changes in the vibration signals that they produce, allowing areas of study to take place for their detection. The traditional methods used for the analysis of vibration in rotating machines are presented, posing the major difficulties found in order to achieve some goals in relation to flaw detection, enabling other approaches for their diagnosis. It has been interesting to use the Adaptive Networks Based on Fuzzy Inference System ANFIS, because they can be trained to use real data in achieving more consistent aproximations of the machine behavior when facing a fault condition or under normal operation. Considering that the impact of failures in relation to the change in amplitude of the vibration signal can vary significantly from one failure to another, which can go unnoticed even to the naked eye, the use of tools to extract information from the signals delivered by the sensors has been required. This task has been performed using wavelet decomposition, which in combination with the ANFIS, make the hybrid system proposed in this thesis. By using realistic measurements of 1hp induction motors of the same characteristics, vibration data under normal functioning was obtained, under failure in normal rotation and failure dut to broken bars, which has served as a tool to prove the proposed method, and that has been later compared to similar analysis using wavelet decomposition and leading to the establishment of its advantage.