Publicación: Aplicación de redes neuronales profundas para detección automática de roce en turbinas de gas aeroderivadas
Cargando...
Archivos
Fecha
2022
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
Atribución-NoComercial-SinDerivadas 4.0 Internacional
info:eu-repo/semantics/openAccess
info:eu-repo/semantics/openAccess
Título de la revista
ISSN de la revista
Título del volumen
Editor
['Universidad Nacional de Educación a Distancia (España)', 'Universidad Politécnica de Madrid. Departamento de Ingeniería Mecánica']
Resumen
El roce del rotor contra el estátor es uno de los fallos más comunes en maquinarias rotativas. En las turbinas aeroderivadas, la detección de este mal funcionamiento se ve dificultada por condicionantes de diseño, imponiendo la utilización de sensores afectados por ruido y vibraciones de otros componentes, limitando la efectividad y aplicabilidad de los sistemas tradicionales de detección, basados en transformada de Fourier. Los algoritmos de deep learning han mostrado resultados sorprendentes en varios problemas de monitorización automática de sistemas industriales. Sin embargo, necesitan de grandes bases de datos para describir el fenómeno, por lo que los costes y riesgos asociados a la disponibilidad de estos datos limita su aplicación. Nuestra propuesta consiste en la implementación de algoritmos de deep learning que en la fase de entrenamiento utilizan únicamente datos de mal funcionamiento simulados mediante un modelo ajustado de elementos finitos. Los resultados alcanzan una sensibilidad y especificidad de hasta el 91% con datos experimentales reales, y demuestran que la metodología propuesta es una solución factible para la detección automática de roces en maquinaria rotativa.
Rotor rubbing against casing is one of the most common malfunctions in rotating machinery. In the case of aeroderivative turbines, detection of this malfunction is hampered by design constraints, imposing the use of sensors that are affected by noise and vibrations of other components, limiting effectivity and applicability of traditional detection systems based in Fourier transform. Deep learning algorithms have shown surprising results in several problems of automatic monitoring of industrial systems. Nevertheless, they need a large database of malfunctions to describe the phenomenon. Thus, costs and risks associated with availability of these data limits its application. Our proposal consists of implementing deep learning algorithms that use, in training phase, only malfunction data simulated with a finite element model. Results achieve sensitivity and specificity of up to 91% with real experimental data and show that our methodology is a feasible solution for automatic detection of rub in rotating machinery.
Rotor rubbing against casing is one of the most common malfunctions in rotating machinery. In the case of aeroderivative turbines, detection of this malfunction is hampered by design constraints, imposing the use of sensors that are affected by noise and vibrations of other components, limiting effectivity and applicability of traditional detection systems based in Fourier transform. Deep learning algorithms have shown surprising results in several problems of automatic monitoring of industrial systems. Nevertheless, they need a large database of malfunctions to describe the phenomenon. Thus, costs and risks associated with availability of these data limits its application. Our proposal consists of implementing deep learning algorithms that use, in training phase, only malfunction data simulated with a finite element model. Results achieve sensitivity and specificity of up to 91% with real experimental data and show that our methodology is a feasible solution for automatic detection of rub in rotating machinery.
Descripción
Categorías UNESCO
Palabras clave
detección de roces, turbinas de gas aeroderivadas, DNN, transformada de Fourier
Citación
Centro
Facultades y escuelas::E.T.S. de Ingenieros Industriales
Departamento
Mecánica