Вы находитесь на странице: 1из 9

DIAGNOSTICO DE FALLAS EN CAJAS DE ENGRANAJES RECTOS CON REDES NEURONALES ARTIFICIALES PERCEPTRN MULTICAPA Y ANLISIS DISCRIMINANTE LINEAL

Ren Vinicio Snchez Loja1, Adrian Danilo Arpi Saldaa2


1,2

Universidad Politcnica Salesiana, Cuenca-Ecuador. 1 e-mail: rsanchezl@ups.edu.ec 2 e-mail: adrian.d.arpi.s@gmail.com

RESUMEN Este documento presenta un algoritmo de diagnostico automtico de fallas en cajas de engranajes rectos, basado en una Red Neuronal Artificial (RNA) perceptrn multicapa (MLP). Cuatro diferentes clases de falla fueron probadas: Diente del engranaje con tres porcentajes de rotura, desalineacin de engranaje, pin con desgaste en la cara de un diente y pin con picadura, las pruebas se realizaron en diferentes condiciones de carga y velocidad. Un acelermetro y tarjeta de adquisicin de datos fueron usados para adquirir las seales de vibracin. Estas se preprocesaron usando medidas estadsticas de la seal en el dominio del tiempo y la frecuencia adems se dividi el espectro de la seal en bandas de energa, de manera que se mantenga la forma del espectro en los picos dominantes. Se uso anlisis de discrimiante lineal (LDA) con el objetivo de reducir la dimensionalidad de los datos de entrada a la RNA. Los resultados obtenidos de diagnostico mostraron que se puede obtener un algoritmo computacionalmente eficiente debido a la arquitectura de una RNA MLP que diagnostique las fallas propuestas con un margen relativamente alto de identificacin correcta de la falla, mismo que se evalu mediante la matriz de confusin y curvas ROC. PALABRAS CLAVES: Diagnostico de fallas en cajas de engranajes rectos, red neuronal artificial, perceptrn multicapa, anlisis de discriminante lineal, seal de vibracin.

DIAGNOSIS OF SPUR GEARBOX FAULTS WITH MULTILAYER PERCEPTRON ARTIFICIAL NEURAL NETWORK AND LINEAR DISCRIMINANT ANALYSIS
ABSTRACT This paper presents an algorithm for automated fault diagnostics in spur gearboxes, based in a multilayer perceptron (MLP) Artificial Neural Network (ANN). Four different fault classes were tested with different load and speed conditions: gear tooth breakage in three percentages, gear misalignment, pinion with face wear in one tooth, and pinion pitting. Vibration signals were acquired using an accelerometer and a data acquisition board. These were preprocessed using statistical measures from the time domain and frequency domain signal, also the signal spectrum was divided in energy bands so as to maintain its shape at the dominant peaks. Linear discriminant analysis (LDA) was used with the objective of reducing the dimensionality of input data to the ANN. Results obtained showed that a computationally efficient algorithm can be obtained due to the MLP ANN architecture, that makes diagnoses of proposed faults with a high relative margin of correct identification, which was evaluated by using the confusion matrix and ROC curves. KEYWORDS: Fault diagnostics in spur gearboxes, artificial neural network, multilayer perceptron, linear discriminant analysis, vibration signal.

INTRODUCCIN Las cajas de engranajes, son fundamentales en la mayora de las industrias, son las encargadas de transmitir la potencia entre ejes, con el fin de cambiar los parmetros de torque y velocidad, se espera que las mismas trabajen las 24 horas del da en un sistema de produccin, un fallo en las mismas podra ser catastrfico provocando problemas en la produccin que conllevan elevadas prdidas econmicas y prdidas humanas. Por lo tanto es fundamental detectar y diagnosticar fallos en la etapa inicial [1], [2]. El mantenimiento basado en la condicin o CBM (Condition Based Monitoring) consiste en realizar la evaluacin continua de la condicin de una mquina monitoreada con lo que se consigue predecir la falla y tomar las acciones correctivas en la misma, adems los costos del mantenimiento pueden ser menores debido a que las acciones de mantenimiento se basan en informacin confiable del monitoreo de la condicin. El diagnstico trata de la deteccin, aislamiento e identificacin de fallos cuando se produzcan. La deteccin de fallos es una tarea para indicar si algo va mal en el sistema, el aislamiento de fallos es importante para localizar el componente que est defectuoso y la identificacin fallos es una tarea para determinar la naturaleza del fallo cuando se detecta. El pronstico de fallos trata de la prediccin antes de que ocurra. La prediccin de fallos es una tarea para determinar si un fallo es inminente, estima cundo y con qu probabilidades un fallo se producir. El diagnstico es el anlisis posterior de eventos y el pronstico es un anlisis anterior al evento por lo que el pronstico es mucho ms eficiente que el diagnstico para lograr el tiempo de inactividad cero y mxima productividad. Sin embargo, el diagnstico es necesario cuando falla la prediccin del pronstico y se produce un fallo. Un programa CBM puede ser utilizado para hacer el diagnstico o pronstico, o ambos. Varios tipos de monitoreo de condicin y metodologas de diagnstico son utilizadas para identificar fallos en mquinas para tomar la accin correctiva. La identificacin de fallo de la mquina puede ser realizada con diferentes metodologas como: anlisis de la seal de vibracin, anlisis del estado del lubricante, anlisis acstico y monitoreo de temperatura. De los anteriores el diagnstico por vibraciones es el ms empleado debido que toda mquina tiene un espectro considerado normal, pero cuando hay fallo el espectro cambia [3], [4]. Existen varios estudios de algoritmos de deteccin y diagnstico de fallas en cajas de engranajes, entre ellos estn la combinacin de redes neuronales de retropropagacin del error y algoritmos genticos, stos ltimos usados para la seleccin automatizada de las caractersticas de la falla, debido a la importancia de reducir el gran espacio dimensional de los datos de la seal cruda en un espacio reducido [5]. Otros tipos de redes neuronales utilizados para el monitoreo de fallas son los mapas auto-organizados o SOM (SelfOrganizing Map) y los sistemas de inferencia adaptativos neuronal-difusos o ANFIS (Adaptive neuro fuzzy inference system) [6], estos son usados para determinar la calidad de las cajas de engranajes construidas, determinando fallos en las tolerancias de dimensin en los componentes de la caja de engranajes. Dada la importancia de la seleccin adecuada de las caractersticas de la falla existen varios mtodos, en [7] se presenta una comparacin entre algunos mtodos de seleccin de caractersticas y su clasificacin de acuerdo a su eficiencia y gasto computacional. En [8] se presenta una comparacin entre tres tipos de redes neuronales: redes de alimentacin hacia adelante y retropropagacin del error o FFBP (Feed Forward Back Propagation), red de enlace funcional o FLN (Functional Link Network) y cuantizacin de vectores de aprendizaje o LVQ (Learn Vector Quantization), en este estudio se obtuvo buenos resultados con FFBP para la clasificacin de tres fallas a diferentes frecuencias de rotacin, por lo que se decidi usar esta tcnica para este proyecto. Para reducir la dimensionalidad de los datos existen tcnicas estadsticas como es el caso del anlisis de componente principal o PCA (Principal Component Analysis) y el anlisis discriminante lineal o LDA (Linear Discriminant Analysis), con esto se busca hacer que los datos contengan la informacin mas relevante de las fallas de manera que se facilite la separacin de los mismos por parte del clasificador, en [9] se usa LDA con SOM para la deteccin de picaduras en cajas de engranajes. En este documento se presenta un estudio para la aplicacin de RNA perceptron multicapa o MLP (MultiLayer Perceptron) en la identificacin y clasificacin de cuatro fallas: Diente de engranaje en tres porcentajes de rotura, desalineacin engranaje, pin con desgaste en la cara y pin con picadura. Es importante sealar que las pruebas se realizaron a diferentes velocidades de rotacin y para cada una de ellas se aplic tres condiciones de carga distintas, que es el caso ms probable de una aplicacin industrial. En la seccin Configuracin del Experimento se explica las condiciones mecnicas del experimento, en la seccin Seleccin de caractersticas y reduccin de datos se explica el mtodo de reduccin de datos y las caractersticas seleccionadas, en la seccin Implementacin del clasificador e

identificador se explica el mtodo de identificacin y clasificacin implementado, en la seccin Anlisis de resultados se muestran los resultados obtenidos y evaluados, y finalmente las conclusiones. CONFIGURACIN DEL EXPERIMENTO En la Fig. 1 se indica la configuracin y esquema del simulador de fallas. Un motor de induccin tres fases de 1.1KW que por un variador de frecuencia se obtiene 11 velocidades de rotacin que inicia en 5Hz a 25Hz con 5Hz de intervalo entre cada prueba, por medio del freno magntico se aplica a la caja de engranajes carga de: 0%, 50% y 90% de la potencia nominal del motor, parmetro medido por dispositivo de monitore de energa elctrica. Por cada prueba se adquiri un conjunto de 10 muestras en un intervalo de 1s. El nivel de lubricacin fue el mismo para todas las pruebas, el aceite usado SAE 40. Se emple el Analizador de vibraciones y Balanceador Digital DIGIVIVE MX 300 de la empresa ERBESSD INSTRUMENTS, el equipo cuenta con un acelermetro unidireccional con sensibilidad de 330 mV/g, un regulador de voltaje, un amplificador y un filtro anti alias de 5 KHz e interfaz para conectar al ordenador. Para adquirir la seal de vibracin se coloc el acelermetro de manera vertical en la caja de engranajes. El equipo cuenta con el software DigivibeMX 5.14 que adquiere la seal del acelermetro por medio del interfaz propia del equipo, los datos que se pueden obtener son amplitud - tiempo y frecuencia - amplitud de la aceleracin en mm/s2, los datos se pueden almacenar y exportar a formato ASCII para procesarlos.

(a)

(b) Fig. 1 Simulador fallas a) Configuracin fsica, b) Esquema. Procedimiento experimental En la Tabla 1 se presenta la descripcin de cada condicin de falla de la caja de engranajes usada en el experimento. Las caractersticas de la caja de engranajes usada para todas las fallas son especificadas en la Tabla 2. La frecuencia de muestreo fue de 11025 Hz y el nmero de muestras fue 1000 para todas las condiciones. El nmero de muestras fue seleccionado para mantener el mnimo necesario de muestras con las que la FFT (Fast Fourier Transform) mantenga la forma del espectro aproximadamente igual a la forma con un nmero ms alto de muestras. Tabla 1 Detalles de las fallas en investigacin Falla Engranaje Pin 1 2 3 4 5 Buen Estado Roto al 10% Buen Estado Buen Estado Desalineado Buen Estado Buen Estado Picadura Desgaste cara 0.5mm Alineado

Falla 6 7

Engranaje Diente roto 50% Diente roto 100%

Pin Buen Estado Buen Estado

Tabla 2 Caractersticas de la caja de engranajes Material Engranaje / Pin. AISI 1018/ AISI 1018 Mdulo de diente 2.25 Nmero de dientes Engranaje / Pin. 27/53 ngulo de presin 20o Ancho de la cara del diente 15mm SELECCIN DE CARACTERSTICAS Y REDUCCIN DE DIMENSIONES De la coleccin de seales de vibracin obtenidas de las mediciones a diferentes velocidades y cargas mecnicas, se obtuvo los parmetros de condicin en el dominio del tiempo y la frecuencia. Con las grficas obtenidas se puede seleccionar que grupo de valores se puede usar como parmetros de ingreso para la RNA. Para el entrenamiento de la RNA se utilizo el 60% de la coleccin de seales de muestra y el 40% se utilizo para pruebas. Parmetros de condicin en el dominio del tiempo De la seal en el dominio del tiempo se evalu las medidas estadsticas como desviacin estndar, RMS, y valor mximo. [1014]. Las evaluaciones fueron realizadas con las funciones estndar de MATLAB. Parmetros de condicin en el dominio de la frecuencia De la seal en el dominio de la frecuencia se evalu las medidas estadsticas como: media, varianza, asimetra estadstica, curtosis para la amplitud de las componentes espectrales y para la frecuencia de las componentes espectrales parmetros de condicin (PC) como: frecuencia central, RMS de la frecuencia, deviacin estndar de la frecuencia, PC 1 (1), PC 2 (2), PC 3 (3), PC 4 (4) [10], [14], [15]. Las evaluaciones fueron realizadas con las funciones estndar de MATLAB e implementaciones propias de software.

(1)

(2)

(3)

(4)

Reduccin de datos del espectro mediante divisin en bandas de energa En la Fig. 2 se puede notar que el rango de la frecuencia esta entre los 0 y 3660 Hz, el vector de datos en la frecuencia tiene un tamao de 500 muestras. Para el nmero de picos que sobresalen se evalan los mximos y mnimos de las muestras del espectro y adems se verifica que el valor de la pendiente sea lo suficientemente alta como para representar un mximo significativo. La separacin en bandas se realiza segn el nmero de picos que tenga la forma del espectro, de esta forma se mantendr la informacin ms relevante del mismo. La magnitud de cada una de las bandas se obtiene evaluando el valor RMS para cada una de las muestras del espectro resultantes de dividir el nmero total de lneas del espectro N para

para el nmero de bandas k [8]. Para el clculo del espectro dividido en bandas de energa Fig. 2b se puede evaluar el valor RMS de la FFT X(n) con (5). En este trabajo el nmero de bandas se obtuvo realizando un promedio del nmero de picos en los espectros de cada una de las pruebas para los datos usados para el entrenamiento. De acuerdo con lo anterior se dividi el espectro en 20 bandas, cada banda tiene un ancho de 183Hz, como se muestra en la Fig. 2b. on y n m ro j sim n v n s n qu s s h st ivi l sp tro (5)

(a)

(b)

Fig. 2 Espectro en funcin de la velocidad, con carga del 50% y un diente roto en el engranaje, a) FFT, b) bandas Reduccin de dimensiones con LDA Se uso el algoritmo de LDA o tambin conocido como Discriminante Lineal de Fishaer, para seleccionar el conjunto de parmetros que maximiza la separabilidad entre los datos de las diferentes clases de falla a partir de los datos multidimensionales, con la suposicin de que las caractersticas multidimensionales cumplen con una distribucin normal multivalente. En el sentido prctico, esta suposicin no siempre se cumple para todas las seales de vibracin bajo diferentes condiciones. El algoritmo LDA se implemento en MATLAB mediante la herramienta de uso libre distribuida por Laurens van der Maaten de la Universidad Maastricht para la reduccin de dimensionalidad [16], [17]. DIAGNOSTICO AUTOMTICO BASADO EN REDES NEURONALES Se implemento una RNA MLP de alimentacin hacia adelante y entrenamiento con retropropagacin del error, en MATLAB, con las siguientes caractersticas: 25 entradas, 7 salidas, 1 capa oculta de 30 neuronas, 1 capa de salida de 7 neuronas, todas las neuronas utilizan como funcin de transferencia la funcin tan-sigmoidea. Los parmetro de condicin utilizados forman un vector compuesto por 3 parmetros de condicin en el dominio del tiempo, 10 en el dominio de la frecuencia y 20 bandas de frecuencia, adems como algoritmo de reduccin de dimensionalidad de los parmetro de condicin se usa LDA con reduccin de 33 a 6 dimensiones, estas ultimas utilizadas como entradas para el entrenamiento y pruebas de la RNA.

Fig. 3 Diagrama de flujo del proceso de entrenamiento y prueba. En la Fig. 3 se muestra el diagrama de flujo utilizado para el procesamiento de la seal. Para la evaluacin del clasificador se utilizo la matriz de confusin y las curvas ROC, en caso de que no se satisfaga con el

85% o mas del porcentaje de clasificacin, se procede a entrenar la red con unos nuevos pesos iniciales aleatorios o se incrementa el nmero de neuronas en la capa oculta hasta alcanzar el valor esperado del porcentaje de clasificacin de un 85% o mas para cada una de las fallas a clasificar. ANLISIS DE RESULTADOS En la Fig. 4 se observa la matriz de confusin, que tiene un 91.2 % de clasificacin global, en esta matriz tambin se indica el porcentaje de error y la cantidad de predicciones realizadas por el algoritmo de diagnostico para cada falla, se usaron 60 seales de prueba por cada clase de falla.

Fig. 4 Matriz de confusin. La Fig. 5 muestra las curvas ROC. Se puede observar que las curvas de todas las clases alcanzan valores aceptables. La que presenta el comportamiento ms bajo es la curva de la falla 3 que representa los datos de la falla de diente picado. Para esta clase en la matriz de confusin se obtiene el mnimo porcentaje de clasificacin de 86.7% debido a que este tipo de falla se considera como insipiente, es decir, que la sensibilidad de los parmetros de condicin a este tipo de falla es baja. CONCLUSIONES Este tipo de clasificadores pueden apoyar a la planeacin de mantenimiento en la industria, para disminuir los costos y garantizar el sistema de produccin contina, adems que con los equipos adecuados se podra tener diagnstico en lnea. Con este mtodo es posible clasificar fallos del tipo diente de engranaje roto con diferentes porcentajes de rotura, con lo que se podra desarrollar un clasificador que evalu adems la dimensin de la rotura que tiene un diente del engranaje. Con base a los resultados obtenidos y las arquitecturas de clasificadores fundamentadas en inteligencia artificial, a futuro se plantea el desarrollo de un algoritmo automtico de seleccin de caractersticas de falla, de esta manera se podra utilizar el clasificador implementado con facilidad en otros tipos de engranajes como los helicoidales u otro tipo de componente mecnico como rodamientos, para la clasificacin y diagnostic de fallas mecnicas desde sus fases iniciales y en una gama extendida de casos de falla, a partir de las seales de vibracin, permitiendo de esta manera tener un control y planificacin mas eficiente del mantenimiento de las mquinas rotativas.

El tipo de clasificador estudiado ha probado ser eficiente para detectar diferentes grados de falla y distintos tipos de fallas que no se han estudiado con frecuencia, por lo que se concluye que en el presente trabajo se logr una eficiencia del clasificador muy aceptable comparada con la obtenida en otros desarrollos reportados en los artculos que forman parte de las referencias bibliografas. Con el objeto de mejorar la eficiencia del clasificador se puede trabajar la base de datos adquirida con otros mtodos de clasificacin y seleccin de caractersticas como la programacin gentica, algoritmos genticos, clasificadores hbridos, inteligencia artificial y clasificadores estadsticos. Adems dado que el menor porcentaje de clasificacin se tiene en la falla 3, se debe realizar el estudio para establecer indicadores de condicin para la deteccin de fallos incipientes.

Fig. 5 Curvas ROC. REFERENCIAS [1] [2] [3] [4] [5] [6] [7] P. Amit Aherwar, A. K. M . S ifull h Kh li n K. B. VIBRATION ANALYSIS TECHNIQUES FOR GEARBOX DIAGNOSTIC: A REVIEW International Journal of Advanced Engineering Technology, 2008. Y. L i M. J. Zuo Z. H n Y. Zi A multi im nsion l hy ri int llig nt m tho for g r f ult i gnosis Expert Systems with Applications, vol. 37, no. 2, pp. 14191430, Mar. 2010. A. K. S. J r in D. Lin n D. B nj vi A r vi w on m hin ry i gnosti s n prognosti s implementing condition- s m int n n Mechanical Systems and Signal Processing, vol. 20, no. 7, pp. 14831510, Oct. 2006. P. Jayaswal, A. W hw ni n K. Mul h n ni M hin f ult sign tur n lysis International Journal of Rotating Machinery, vol. 2008, 2008. Z. Y ng W. I. Hoi n J. Zhong G r ox f ult i gnosis s on rtifi i l n ur l n twork n g n ti lgorithms in System Science and Engineering (ICSSE), 2011 International Conference on , 2011, pp. 3742. M. K. P. V n R. . Kr i l Gearbox Condition Monitoring Using Advanced Classifiers. A. Do k l M. Kr i l n R. m Ev lu tion of M tho s us for S p r tion of Vi r tions Pro u y G r Tr nsmissions.

[8]

I. A. Abu-M hfouz A omp r tiv stu y of thr rtifi i l n ur l networks for the detection and l ssifi tion of g r f ults International Journal of General Systems, vol. 34, no. 3, pp. 261277, Jun. 2005. [9] W. Li L. Zh ng n Y. Xu G r ox pitting t tion using lin r is rimin nt n lysis n distance preserving self-org nizing m p in Instrumentation and Measurement Technology Conference (I2MTC), 2012 IEEE International, 2012, pp. 2225 2229. [10] Y. L i Z. H n Y. Zi A n w ppro h to int llig nt f ult i gnosis of rot ting m hin ry Expert Systems with Applications, vol. 35, no. 4, pp. 15931600, Nov. 2008. [11] H. Y ng J. M th w n L. M Vi r tion f tur xtr tion t hniqu s for f ult i gnosis of rot ting m hin ry: lit r tur surv y 2 3. [12] P. V M. Kr i l n R. m Condition Indicators for Gearbox Condition Monitoring Syst ms. 2 5. [13] K. N. Gupt Vi r tionA tool for m hin i gnosti s n on ition monitoring Sadhana, vol. 22, no. 3, pp. 393410, 1997. [14] X. Zh o M. J. Zuo n Z. Liu Di gnosis of pitting damage levels of planet gears based on ordinal r nking in Prognostics and Health Management (PHM), 2011 IEEE Conference on , 2011, pp. 18. [15] H. Q. W ng n P. Ch n F ult i gnosis of ntrifug l pump using symptom p r m t rs in frequency domain Agricultural Engineering International: The CIGR EJournal. , 2007. [16] L. J. P. v n r M t n E. O. Postm n H. J. v n n H rik M tl tool ox for im nsion lity r u tion MICC, Maastricht University, 2007. [17] L. V n r M t n An intro u tion to im nsion lity r u tion using m tl Report, vol. 1201, pp. 0707, 2007.