Publicación: Selección de los principales IC en el dominio del tiempo para determinar el nivel de severidad de un fallo en cajas de engranajes rectos
Fecha
2024-10-22
Editor/a
Director/a
Tutor/a
Coordinador/a
Prologuista
Revisor/a
Ilustrador/a
Derechos de acceso
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 de Concepción - Chile. Departamento de Ingeniería Mecánica
Resumen
En el sector industrial las cajas de engranajes utilizadas por su eficiencia en la transmisión de potencia son consideradas componentes críticos, por lo que, detectar un fallo con antelación es fundamental. Este trabajo tiene como objetivos determinar el ranking de los indicadores de condición (ICs) para extraer información de la señal de vibración en el dominio del tiempo para una caja de engranajes rectos y determinar la precisión del modelo de clasificación del nivel de severidad de un fallo de rotura. En condiciones de laboratorio se simuló la rotura del diente de un piñon con diferentes niveles de severidad en una caja de engranajes rectos. Se instalaron cuatro acelerómetros en la caja de engranajes en posición vertical para obtener la señal de vibración. En primer lugar, se extrajo información de la señal de vibración a través de 64 ICs en los cuatro acelerómetros. Mediante técnicas de inteligencia artificial se realizó un ranking de 10 ICs. Posteriormente, se utilizó el algoritmo random forest para determinar la precisión en la clasificación del nivel de severidad del fallo. Finalmente se realizó una prueba ANOVA para determinar si existen diferencias significativas en la precisión de clasificación para los cuatro acelerómetros. Con los resultados obtenidos se llegó a la conclusión que los ICs seleccionados mediante el ranking son óptimos para determinar el nivel de severidad del fallo de rotura en una caja de engranajes rectos y que el emplazamiento del sensor en la caja de engranajes tiene incidencia mínima en el resultado de la precisión de clasificación.
In the industrial sector, gearboxes used for their efficiency in power transmission are considered critical components; therefore, detecting a fault in advance is essential. This work aims to determine the ranking of condition indicators (CIs) to extract information from the vibration signal in the time domain for a straight-tooth gearbox and to determine the accuracy of the classification model for the severity level of a breakage fault. In laboratory conditions, the tooth breakage of a pinion was simulated with different severity levels in a straight-tooth gearbox. Four accelerometers were installed vertically on the gearbox to obtain the vibration signal. Firstly, information from the vibration signal was extracted through 64 CIs from the four accelerometers. Using artificial intelligence techniques, ranking the top 10 CIs was performed. Subsequently, the random forest algorithm was used to determine the accuracy in classifying the severity level of the fault. Finally, an ANOVA test was conducted to determine if there were significant differences in classification accuracy among the four accelerometers. The results concluded that the CIs selected through the ranking are optimal for determining the severity level of breakage faults in a straight-tooth gearbox and that the sensor placement on the gearbox has minimal impact on the classification accuracy results.
In the industrial sector, gearboxes used for their efficiency in power transmission are considered critical components; therefore, detecting a fault in advance is essential. This work aims to determine the ranking of condition indicators (CIs) to extract information from the vibration signal in the time domain for a straight-tooth gearbox and to determine the accuracy of the classification model for the severity level of a breakage fault. In laboratory conditions, the tooth breakage of a pinion was simulated with different severity levels in a straight-tooth gearbox. Four accelerometers were installed vertically on the gearbox to obtain the vibration signal. Firstly, information from the vibration signal was extracted through 64 CIs from the four accelerometers. Using artificial intelligence techniques, ranking the top 10 CIs was performed. Subsequently, the random forest algorithm was used to determine the accuracy in classifying the severity level of the fault. Finally, an ANOVA test was conducted to determine if there were significant differences in classification accuracy among the four accelerometers. The results concluded that the CIs selected through the ranking are optimal for determining the severity level of breakage faults in a straight-tooth gearbox and that the sensor placement on the gearbox has minimal impact on the classification accuracy results.
Descripción
Organizado y patrocinado por: Federación iberoamericana de Ingeniería Mecánica y 'Universidad de Concepción - Chile. Departamento de Mecánica', FeIbIm – FeIbEM
Categorías UNESCO
Palabras clave
severidad de fallos, indicadores de condición, bosque aleatorio, aprendizaje automático, failure severity, condition indicators, random forest, machine learning
Citación
-
Centro
E.T.S. de Ingenieros Industriales
Departamento
Mecánica