Deteccion De Fallas En Maquinaria Rotativa

Download or read book Desarrollo de una Metodología para el Diagnóstico de Fallas Mecánicas en Máquinas Rotativas Empleando Wavelets written by Juan Fernando López López and published by . This book was released on 2009 with total page pages. Available in PDF, EPUB and Kindle. Book excerpt: Las vibraciones mecánicas, como herramienta de diagnóstico de fallas en máquinas y procedimiento de mantenimiento predictivo, han sido ampliamente estudiadas en los últimos años por la industria privada y por numerosas universidades del mundo entero. Uno de los puntos neurálgicos en este continuo desarrollo del análisis de vibraciones mecánicas, es la técnica de procesamiento a utilizar. La transformada de Fourier se destaca como la principal técnica utilizada debido a los buenos resultados que hasta la fecha ha proporcionado a los técnicos encargados del mantenimiento en la industria y del análisis de dichas señales. El siguiente paso en el análisis de vibraciones es encontrar una forma de automatizar el proceso de diagnóstico de falla en máquinas rotativas y este proyecto tiene el propósito de desarrollar una metodología que permita acercar ese objetivo final. En este proyecto para el desarrollo de una metodología de análisis empleando transformaciones tiempo-frecuencia, en primera medida se obtienen las bases de datos de las señales de vibración de un motor eléctrico con desbalanceo y en buen estado, una base de datos de fallas en rodamientos y una base de datos de fallas en máquinas rotativas proporcionada por Smurfit Kappa Cartón de Colombia S.A. Se definen 6 metodologías de análisis en las cuales se realiza el preprocesamiento de las señales haciendo el filtrado por umbralizado wavelet y se estudia la estacionariedad de la señales empleando el Run test. En la etapa de extracción de características se utilizan las transformaciones de Fourier FFT y STFT, la transformada wavelet discreta, el análisis cepstrum y las distribuciones Wigner Ville y Choi Williams. Para tratar el problema de la alta dimensionalidad, se utiliza el análisis de componentes principales y se hace la clasificación utilizando clasificadores lineal y tipo Bayes. Para las señales de desbalanceo se obtiene una mejor clasificación empleando la transformada wavelet con 99,5% de aciertos en ..