Διάγνωση και Ταξινόμηση Βλαβών Στρεφόμενων Μηχανών με Εφαρμογή Διαγραμμάτων Ελέγχου Μεταβλητών

Abstract

Οι ένσφαιροι τριβείς αποτελούν ένα από τα πλέον χρησιμοποιούμενα στοιχεία μηχανών στην βιομηχανία. Γενικά, επειδή οι ένσφαιροι τριβείς παράγουν ιδιαίτερα φάσματα βλάβης, γίνονται συχνά ο στόχος της παρακολούθησης της μηχανής. Η ικανότητα να ανιχνεύεται γρήγορα, εύκολα και με ακρίβεια ένα σφάλμα μίας εγκατάστασης κατά τη διάρκεια της λειτουργίας της είναι άκρως σημαντική, καθώς μία ξαφνική αστοχία μπορεί να οδηγήσει σε απαράδεκτα χρονοβόρες παύσεις λειτουργίας για συντήρηση. Για αυτόν τον λόγο, έχει αναπτυχθεί μία πληθώρα από μεθόδους ανίχνευσης σφαλμάτων με στόχο τη μείωση του κόστους συντήρησης και την πρόληψη προβλημάτων κι αστοχιών κατά τη διάρκεια της λειτουργίας της μηχανής. Παράλληλα, το γεγονός ότι οι παραδοσιακές μέθοδοι πρόβλεψης έχουν ως προαπαιτούμενο, σημαντικού βαθμού τεχνογνωσία, έχει ως αποτέλεσμα την δημιουργία μίας πληθώρας μεθόδων για αυτόματη ανίχνευση βλαβών βασισμένες σε έξυπνα συστήματα (intelligent systems). Στην παρούσα εργασία, παρουσιάζεται μία μέθοδος εντοπισμού βλαβών ρουλεμάν και ταξινόμησης τους. Το προτινόμενο πλαίσιο περιλαμβάνει δύο πρωταρχικά μέρη: 1)Την εξαγωγή παραμέτρων και 2)την ανίχνευση μη ομαλής συμπεριφοράς και ταξινόμησης της βλάβης. Το δεύτερο μέρος με τη σειρά του, επίσης αποτελείται από δύο μέρη: 2α)Την σε μη πραγματικό χρόνο εκπαίδευση του συστήματος (offline) και 2β)την σε πραγματικό χρόνο (online) επαλήθευση της εκπαίδευσης του συστήματος κι ενημέρωσής του. Το πρώτο βήμα της προτεινόμενης μεθοδολογίας είναι το μορφολογικό φιλτράρισμα του καταγεγραμμένου από τα επιταχυνσιόμετρα σήματος μέσω ενός επίπεδου δομικού στοιχείου. Για να γίνει αυτό, πρέπει να είναι γνωστές οι εξής συχνότητες: Οι θεωρητικές συχνότητες βλάβης εσωτερικού κι εξωτερικού δακτυλίου των ρουλεμάν, η συχνότητα περιστροφής του άξονα κι η συχνότητα δειγματοληψίας, οι οποίες εισάγονται ως δεδομένα στον αλγόριθμο της μορφολογικής ανάλυσης. Το μήκος του δομικού στοιχείου υπολογίζεται εφαρμόζοντας το κριτήριο κύρτωσης για την πιο σύντομη περίοδο κρουστικού παλμού των βλαβών σε εσωτερικό κι εξωτερικό δακτύλιο ρουλεμάν. Αυτή η προσέγγιση προσφέρει μεγάλη διαγνωστική δυνατότητα καθώς συμπυκνώνει τις χρήσιμες πληροφορίες σε ένα ορισμένο πεδίο χαμηλών συχνοτήτων. Στο επόμενο βήμα, υπολογίζονται οι δύο πραγματικές συχνότητες βλάβης με την εξής τεχνική: Ένα παράθυρο Morlet κινείται κατά τον οριζόντιο άξονα του φάσματος, μέσα στα δύο προκαθορισμένα πεδία που ορίζονται από ένα εύρος 20 Hz με κέντρο τις θεωρητικές συχνότητες βλάβης (BPFO_TH±10Hz και BPFI_TH±10Hz). Ο μέγιστος μέσος όρος των ιδιόμορφων τιμών (Singular Value) των δύο πεδίων θεωρείται ότι εμφανίζεται στις πραγματικές συχνότητες βλάβης (BPFOΜ και BPFIΜ αντίστοιχα). Μόλις αυτό το βήμα ολοκληρωθεί, μπορούν πλέον να υπολογιστούν κι οι αρμονικές τους που δεν ξεπερνούν τα 1000Hz, καθώς κι οι δύο πρώτες αρμονικές της συχνότητας περιστροφής του άξονα. Αυτές οι συχνότητες χρησιμοποιούνται ως κέντρα των παραθύρων Morlet σε μία μέθοδο υπολογισμού στιγμιαίων συχνοτήτων που φέρει τα πλεονεκτήματα του Complex Shift Morlet Wavelet (CSMW). Έτσι, εφασμόζεται πάνω στο φάσμα μία συστάδα παραθύρων Morlet αριθμού ίσου με τον αριθμό των βασικών συχνοτήτων και των αρμονικών τους. Τα μη μηδενικά Singular Value του προβλήματος της διάσπασης/αποσύνθεσης των Singular Value (Singular Value Decomposition, SVD) αντιστοιχούν στις βασικές συχνότητες και τις αρμονικές τους και δίνουν πολύ σημαντικές διαγνωστικές πληροφορίες. Αυτά τα Singular Value προτείνονται ως τα χαρακτηριστικά που παρουσιάζουν καλύτερα την υγεία των ρουλεμάν. Για αυτόν τον λόγο, λαμβάνονται υπόψη όλα τα Singular Value, ολικά κι επιμέρους: α)Τα τοπικά Singular Value που αντιστοιχούν στις βασικές συχνότητες και τις αρμονικές τους, β)τα αθροιστικά Singular Value που αντιστοιχούν στις βλάβες εσωτερικού ή εξωτερικού δακτυλίου ρουλεμάν και γ)τα ολικά Singular Value που αντιστοιχουν στην καθολική υγεία του ρουλεμάν. Σ' αυτό το βήμα, εισάγεται μία συστημική προσέγγιση ανίχνευσης σφάλματος βασισμένη σε στατιστικά μοντέλα διαγραμμάτων ελέγχου. Κατά τη διάρκεια της offline εκπαίδευσης, και με βάση τα διαγράμματα ελέγχου, τα εξαχθέντα χαρακτηριστικά εκπαιδεύουν το σύστημα ώστε να υπολογιστεί το ανώτατο όριο ελέγχου, UCL. Μετά την ολοκλήρωση της εκπαίδευσης, το UCL θεωρείται πλέον το όριο ανάμεσα στην υγειή ή όχι κατάσταση λειτουργίας. Στη φάση της online επαλήθευσης κι ενημέρωσης, η καινοτόμος μέθοδος εξαγωγής χαρακτηριστικών χρησιμοποιείται για να υπολογιστούν τα Singular Value των υπό εξέταση τροποποιημένων σήματων. Το εκπαιδευμένο μοντέλο διαγραμμάτων ελέγχου ενεργοποιείται για να εξετάσει την νέα στατιστική τιμή πουέχει προκύψει βάσει του νέου Singular Value. Μία υπό εξέταση τιμή που βρίσκεται μέσα στο όριο UCL θεωρείται κανονική κι ως αποτέλεσμα, η μηχανή από την οποία καταγράφηκε το αρχικό σήμα θεωρείται ότι λειτουργεί καλώς. Σ' αυτήν την περίπτωση, η νέα στατιστική τιμή θα χρησιμοποιηθεί για να επανυπολογιστεί το όριο UCL. Οπότε, αν θεωρηθεί ότι δεν υπάρχει βλάβη, τα υπόλοιπα μέρη του προτεινόμενου πλαισίου δεν λαμβάνουν χώρα. Αν αντίθετα, η τιμή είναι εκτός ορίου, θα θεωρηθεί ότι υπάρχει βλάβη και θα γίνει ταξινόμηση της βλάβης σύμφωνα με το προτεινόμενο πλαίσιο. Για να είναι δυνατόν να εξεταστεί η αποτελεσματικότητα της προτεινόμενης μεθόδου ανίχνευσης βλάβης σε ρουλεμάν, εξετάζονται δύο περιπτώσεις με διαφορετικού τύπου βλάβες στα ρουλεμάν. Τα δεδομένα πάνω στα οποία έγινε αυτή η εργασία, είναι διαθέσιμα στο Prognostics Center Excellence (http://ti.arc.nasa.gov/project/prognostic-data-repository). Τελικά, τα πειραματικά αποτελέσματα δείχνουν ότι η προτινόμενη μέθοδος όχι μόνο ανιχνεύει σφάλματα σε πρώιμα στάδια, αλλά παρέχει και την δυνατότητα ταξινόμησης της βλάβης, σε αντίθεση με άλλες μεθόδους.

Rolling element bearings consist one of the most widely used industrial machine elements. The capability to detect fast, accurately and easily the existence and severity of a fault in an installation during operation is very important as an unexpected failure of machine can drive to unacceptably long time maintenance stops. Thus, due to the importance of bearings, a plethora of fault diagnosis procedures has been developed, in order to reduce maintenance costs and prevent malfunctions and failures during operation which could lead to the downtime of the machine. Parallel, due to the fact that the traditional engineering approaches require a significant degree of engineering expertise, an impressive number of methods have been presented for automated fault detection based on intelligent and/or expert systems. In this paper, an abnormal change tracking and classification process is introduced for bearing performance degradation assessment and classification. The proposed framework involves two primary modules: (1)The failure extraction and (2)the abnormal changedetection and fault classification. Additionally, the second primary module includes two main parts: 2a)The offline training and 2b)the online testing and update. At the initial step of the proposed methodology, the single raw signal is transformed by the morphologically filtering, through their interaction with a flat stractural element (SE). The nominal characteristic fault frequencies BPFO and BPFI, the rotational shaft frequency RPM and the sampling frequency are used as inputs to the algorithm of the morphological analysis. The length of the flat SE is estimated by applying the kurtosis criterion (KUC) for the shorter impulse period between the IR and OR fault period. This approach offers a strong and reliable diagnostic potential as it concentrates the useful diagnostic information into a determinate low-frequency field. At the next step, the actual first harmonic of the characteristic frequencies BPFO and BPFI are detected: A Morlet window shifts into the predefined frequency fields (BPFO_TH±10Hz) and (BPFI_TH±10Hz). The highest Mean of the Singular Values (MSV) for each spectrum corresponds to the fundamental fault frequency BPFOM and BPFIM, respectively. Once the detection and the estimation of both fundamental bearing fault frequencies are completed, the harmonics of BPFOM and BPFIM up to 1,000 Hz and the first two harmonics of RPM can be calculated.