Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas
El presente trabajo hace referencia al diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas, implementando un algoritmo off-line que permite detectar y clasificar fallas por desgaste (leve o agresivo) de anillo exterior e int...
- Autores:
-
Blanco Rodríguez, John Jairo
Melgarejo Agudelo, Carlos Fabián
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad Autónoma de Bucaramanga - UNAB
- Repositorio:
- Repositorio UNAB
- Idioma:
- spa
- OAI Identifier:
- oai:repository.unab.edu.co:20.500.12749/12168
- Acceso en línea:
- http://hdl.handle.net/20.500.12749/12168
- Palabra clave:
- Mechatronic
Detection
Classification
Ball bearing
Faults
Outer ring
Inner ring
Technique
ANN
Signal
Vibration
Ball bearings
Machinery
Friction
Rolling contact
Rotary machines
Mechanical design
Mecatrónica
Cojinetes de bolas
Maquinaria
Fricción
Contacto de rodadura
Máquinas rotativas
Diseño mecánico
Detección
Clasificación
Rodamientos
Fallas
Anillo exterior
Anillo interior
Técnica
ANN
Señal
Vibración
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-nd/2.5/co/
| id |
UNAB2_78fa1ad57a7432d88bc6c12b066ba924 |
|---|---|
| oai_identifier_str |
oai:repository.unab.edu.co:20.500.12749/12168 |
| network_acronym_str |
UNAB2 |
| network_name_str |
Repositorio UNAB |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas |
| dc.title.translated.spa.fl_str_mv |
Design and assembly of a test bench for the detection and classification of failures in ball bearings for rotating machines |
| title |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas |
| spellingShingle |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas Mechatronic Detection Classification Ball bearing Faults Outer ring Inner ring Technique ANN Signal Vibration Ball bearings Machinery Friction Rolling contact Rotary machines Mechanical design Mecatrónica Cojinetes de bolas Maquinaria Fricción Contacto de rodadura Máquinas rotativas Diseño mecánico Detección Clasificación Rodamientos Fallas Anillo exterior Anillo interior Técnica ANN Señal Vibración |
| title_short |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas |
| title_full |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas |
| title_fullStr |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas |
| title_full_unstemmed |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas |
| title_sort |
Diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas |
| dc.creator.fl_str_mv |
Blanco Rodríguez, John Jairo Melgarejo Agudelo, Carlos Fabián |
| dc.contributor.advisor.spa.fl_str_mv |
Maradey Lázaro, Jessica Gisella |
| dc.contributor.author.spa.fl_str_mv |
Blanco Rodríguez, John Jairo Melgarejo Agudelo, Carlos Fabián |
| dc.contributor.cvlac.*.fl_str_mv |
https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000040553 |
| dc.contributor.scopus.*.fl_str_mv |
https://www.scopus.com/authid/detail.uri?authorId=57207878442 |
| dc.contributor.researchgate.*.fl_str_mv |
https://www.researchgate.net/profile/Jessica_Maradey_Lazaro |
| dc.subject.keywords.eng.fl_str_mv |
Mechatronic Detection Classification Ball bearing Faults Outer ring Inner ring Technique ANN Signal Vibration Ball bearings Machinery Friction Rolling contact Rotary machines Mechanical design |
| topic |
Mechatronic Detection Classification Ball bearing Faults Outer ring Inner ring Technique ANN Signal Vibration Ball bearings Machinery Friction Rolling contact Rotary machines Mechanical design Mecatrónica Cojinetes de bolas Maquinaria Fricción Contacto de rodadura Máquinas rotativas Diseño mecánico Detección Clasificación Rodamientos Fallas Anillo exterior Anillo interior Técnica ANN Señal Vibración |
| dc.subject.lemb.spa.fl_str_mv |
Mecatrónica Cojinetes de bolas Maquinaria Fricción Contacto de rodadura |
| dc.subject.lemb.none.fl_str_mv |
Máquinas rotativas Diseño mecánico |
| dc.subject.proposal.spa.fl_str_mv |
Detección Clasificación Rodamientos Fallas Anillo exterior Anillo interior Técnica ANN Señal Vibración |
| description |
El presente trabajo hace referencia al diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas, implementando un algoritmo off-line que permite detectar y clasificar fallas por desgaste (leve o agresivo) de anillo exterior e interior; utilizando redes neuronales artificiales (ANN) como técnica principal de clasificación. Mediante la implementación de tres kits de ejes con distintas condiciones (Condición norma, condición con falla externa y condición con falla interna) se realiza la toma señales de vibración mediante la integración de un sensor piezoeléctrico Dytran 3056D2, en conjunto con una tarjeta de adquisición de datos NI-9230. Posteriormente en una interfaz desarrollada en LabVIEW se realiza el procesamiento de la señal y en conjunto con MATLAB se obtienen los resultados de acuerdo con la falla tratada. |
| publishDate |
2021 |
| dc.date.accessioned.none.fl_str_mv |
2021-02-09T16:46:06Z |
| dc.date.available.none.fl_str_mv |
2021-02-09T16:46:06Z |
| dc.date.issued.none.fl_str_mv |
2021-01-21 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.local.spa.fl_str_mv |
Trabajo de Grado |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.redcol.none.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
| format |
http://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12749/12168 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional UNAB |
| dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.unab.edu.co |
| url |
http://hdl.handle.net/20.500.12749/12168 |
| identifier_str_mv |
instname:Universidad Autónoma de Bucaramanga - UNAB reponame:Repositorio Institucional UNAB repourl:https://repository.unab.edu.co |
| dc.language.iso.spa.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.spa.fl_str_mv |
[1] Jinglong, C., Yanyang, Z., Zhengjia, H., & Jing, Y. (2013). Compound faults detection of rotating machinery using improved adaptive redundant lifting multiwavelet, Mech. Syst. Signal Process. 36 54. [2] Kurfess, T., Billington, S., & Liang, S. (2006). Advanced Diagnostic and Prognostic Techniques for Rolling Element Bearings. Springer Series in Advanced Manufacturing. Ed. Springer. London, pp. 137-165. [3] Moreno, M., Villarraga, J., & Moreno, R. (2018). Diagnóstico de fallas tempranas de rodamientos en mecanismos susceptibles al desbalanceo y a la desalineación. Universidad Industrial de Santander. Bucaramanga [4] Rodriguez, A. (2016). Redes neuronales Elman con valores singulares para el diagnóstico de la severidad de fallos en equipos de rotación. Pontificia universidad católica de valparaíso. Valparaiso. [5] Gómez, V., & Moreno, R. (2013). Clasificador neuronal de fallos en rodamientos utilizando entradas basadas en transformadas Wavelet Packet y de Fourier. Revista Facultad de Ingeniería Universidad de Antioquia, 126-136. [6] Medrano, Z., Pérez, C., Gómez, J., & Vera, P. (2000). Nueva metodología de diagnóstico de fallas en rodamientos en una máquina síncrona mediante el procesamiento de señales vibro-acústicas empleando análisis de densidad de potencia. Universidad Autónoma de Baja California. Ingeniería Investigación y Tecnología, volumen XVII (número 1). [7] López, D. (2016). Diagnóstico de fallas de rodamientos de equipos de rotación utilizando redes neuronales artificiales. Pontificia universidad católica de Val [8] Jian, X., Li, W., Guo, X., & Wang, R. (2019). Fault Diagnosis of Motor Bearings Based on a One-Dimensional Fusion Neural Network. Sensors, 19, 122 [9] Jiangquan, Z., Yi, S., Liang, G., Hongli, G., Xin, H., & Hongliang, S. (2019). A new bearing fault diagnosis method based on modified convolutional neural networks. Chinese Journal of Aeronautics, [10] Wang, H., Xu, J., & Yan, R. (2019). Bearing Fault Diagnosis Based on Visual Symmetrized Dot Pattern and CNNs. 1-6 [11] Ortiz, C. (2015). Causas de falla de rodamientos. Relimans. [12] NskAmericas. ¿Qué es un Rodamiento? NSK [13] Velazco, F. (2008). Modos de fallas comunes en rodamientos. Universidad Nacional de Colombia. [14] Estupiñán, E., & Saavedra, P. (2015). Técnicas de diagnóstico para el análisis de vibraciones de rodamientos. Universidad de Concepción [15] Llogsa Mercadotecnia. (2014). Detección de defectos por ultrasonido en servicio. YouTube. [16] Hurtado, L., Villarreal, E., & Villarreal, L. (2016). Detección y diagnóstico de fallas mediante técnicas de inteligencia artificial, un estado del arte. DYNA, 83(199), 19-28. [17] Quintero, C., Merchán, F., Cornejo, A., & Galán, J. (2018). Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. KnE Engineering, 3(2), 585-596. [18] Magdy M. (2014). Mechatronics System Design. MDP 454. Mechatronics [19] Gomis, M. (2015). Introducción a los cojinetes y rodamientos [20] Jagdale, Manoj & Garikapati, Diwakar. (2018). A critical review of condition monitoring parameters for fault diagnosis of rolling element bearing. IOP Conference Series: Materials Science and Engineering. [21] N. I. Azeez and A. C. Alex, "Detection of rolling element bearing defects by vibration signature analysis: A review," 2014 Annual International Conference on Emerging Research Areas: Magnetics, Machines and Drives. [22] Devaney, M.J. & Eren, Levent. (2005). Detecting Motor Bearing Faults. Instrumentation & Measurement Magazine. [23] Zuozhou Pan, Zong Meng, Zijun Chen, Wenqing Gao, Ying Shi. A two-stage method based on extreme learning machine for predicting the remaining useful life of rolling-element bearings, Mechanical Systems and Signal Processing [24] Reuben LCK, Mba D. Bearing time-to-failure estimation using spectral analysis features. Structural Health Monitoring. 2014. [25] Eren, Levent. (2017). Bearing Fault Detection by One Dimensional Convolutional Neural Networks. Mathematical Problems in Engineering. 2017. [26] I. Samy, I. Fan and S. Perinpanayagam, "Fault diagnosis of rolling element bearings using an EMRAN RBF neural network- demonstrated using real experimental data," 2010 Sixth International Conference on Natural Computation, Yantai, 2010. [27] Tyagi, S., Panigrahi, S. (2017). A DWT and SVM based method for rolling element bearing fault diagnosis and its comparison with Artificial Neural Networks. Journal of Applied and Computational Mecha [28] Jiangquan ZHANG, Yi SUN, Liang GUO, Hongli GAO, Xin HONG, Hongliang SONG. A new bearing fault diagnosis method based on modified convolutional neural networks, Chinese Journal of Aeronautics, Volume 33, Issue 2, 2020. [29] Langarica, C. Rüffelmacher and F. Núñez, "An Industrial Internet Application for Real- Time Fault Diagnosis in Industrial Motors," in IEEE Transactions on Automation Science and Engineering, vol. 17, no. 1, pp. 284-295, Jan. 2020 [30] A. Boudiaf, A. Djebala, H. Bendjma, A. Balaska and A. Dahane, "A summary of vibration analysis techniques for fault detection and diagnosis in bearing," 2016 8th International Conference on Modelling, Identification and Control (ICMIC), Algiers, 2016. [31] Nguyen, Hoang-Phuong & Kim, Jongmyon. (2015). Multifault Diagnosis of Rolling Element Bearings Using a Wavelet Kurtogram and Vector Median-Based Feature Analysis. Shock and Vibration. 2015. [32] Qijun Xiao, Z. Luo and Junlan Wu, "Fault detection and diagnosis of bearing based on local wave time-frequency feature analysis," 2015 11th International Conference on Natural Computation (ICNC), Zhangjiajie, 2015. [33] C. Zhang, B. Chen, F. Wan and B. Song, "Multi-Faults Diagnosis of Rotating Bearings Using Flexible Time-Frequency Analysis Technique," 2018 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC), Xi'an, China, 2018 [34] C. E. Khamoudj, F. B. Tayeb, K. Benatchba and M. Benbouzid, "Induction Machines Bearing Failures Detection and Diagnosis using Variable Neighborhood Search," IECON 2019 - 45th Annual Conference of the IEEE Industrial Electronics Society, Lisbon, Portugal, 2019. [35] Peeters, Cédric & Guillaume, Patrick & Helsen, Jan. (2016). Vibration data preprocessing techniques for rolling element bearing fault detection [36] Wang, Wilson & Lee, Hewen. (2013). An energy kurtosis demodulation technique for signal denoising and bearing fault detection. Measurement Science and Technology. [37] Análisis de daños en los rodamientos Timken y Guía de referencia sobre lubricación. (2015). The Timken Company [38] Borras, C.Pattern recognition in hydraulic backlash using neural network. Master Thesis, University of Oklahoma, 2001. |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| dc.rights.creativecommons.*.fl_str_mv |
Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-nd/2.5/co/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 Atribución-NoComercial-SinDerivadas 2.5 Colombia |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.coverage.campus.spa.fl_str_mv |
UNAB Campus Bucaramanga |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad Autónoma de Bucaramanga UNAB |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad Ingeniería |
| dc.publisher.program.spa.fl_str_mv |
Pregrado Ingeniería Mecatrónica |
| institution |
Universidad Autónoma de Bucaramanga - UNAB |
| bitstream.url.fl_str_mv |
https://repository.unab.edu.co/bitstream/20.500.12749/12168/1/2020_Tesis_John_Jairo_Blanco.pdf https://repository.unab.edu.co/bitstream/20.500.12749/12168/2/2020_Licencia_John_Jairo_Blanco.pdf https://repository.unab.edu.co/bitstream/20.500.12749/12168/3/license.txt https://repository.unab.edu.co/bitstream/20.500.12749/12168/4/2020_Tesis_John_Jairo_Blanco.pdf.jpg https://repository.unab.edu.co/bitstream/20.500.12749/12168/5/2020_Licencia_John_Jairo_Blanco.pdf.jpg |
| bitstream.checksum.fl_str_mv |
ac4fb814bc7af2a6656087f643efe5c0 ea8e7060922a3f8014c309d8873193f4 8a4605be74aa9ea9d79846c1fba20a33 80113e45debd9981e38809f3b842c5db 5c75aee399910d81b5c6cd65eab366b8 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB |
| repository.mail.fl_str_mv |
repositorio@unab.edu.co |
| _version_ |
1808410556088975360 |
| spelling |
Maradey Lázaro, Jessica Gisellac62c58d1-ff01-4441-8b8c-a1cad8a021a7-1Blanco Rodríguez, John Jairo1536b6d8-b7b8-4a72-8407-c62842a7a117-1Melgarejo Agudelo, Carlos Fabiáne8a7e020-8fd6-4fe3-a31f-b4080548c0ed-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000040553https://www.scopus.com/authid/detail.uri?authorId=57207878442https://www.researchgate.net/profile/Jessica_Maradey_LazaroColombiaUNAB Campus Bucaramanga2021-02-09T16:46:06Z2021-02-09T16:46:06Z2021-01-21http://hdl.handle.net/20.500.12749/12168instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl presente trabajo hace referencia al diseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativas, implementando un algoritmo off-line que permite detectar y clasificar fallas por desgaste (leve o agresivo) de anillo exterior e interior; utilizando redes neuronales artificiales (ANN) como técnica principal de clasificación. Mediante la implementación de tres kits de ejes con distintas condiciones (Condición norma, condición con falla externa y condición con falla interna) se realiza la toma señales de vibración mediante la integración de un sensor piezoeléctrico Dytran 3056D2, en conjunto con una tarjeta de adquisición de datos NI-9230. Posteriormente en una interfaz desarrollada en LabVIEW se realiza el procesamiento de la señal y en conjunto con MATLAB se obtienen los resultados de acuerdo con la falla tratada.INTRODUCCIÓN ............................................................................................................... 16 1. OBJETIVOS ................................................................................................................ 17 1.1. Objetivo General .................................................................................................. 17 1.2. Objetivos específicos ........................................................................................... 17 2. PLANTEAMIENTO DEL PROBLEMA Y JUSTIFICACIÓN .................................. 18 3. ANTECEDENTES ....................................................................................................... 20 4. ESTADO DEL ARTE .................................................................................................. 21 5. MARCO TEÓRICO ..................................................................................................... 26 5.1. ¿Qué son los rodamientos?................................................................................... 26 5.2. Funciones principales de un rodamiento .............................................................. 26 5.3. Carga radial y axial en rodamientos ..................................................................... 27 5.4. Tipos de rodamientos ........................................................................................... 27 5.4.1. Rodamientos de bola .................................................................................... 28 5.4.2. Rodamientos de rodillo ................................................................................ 29 5.5. Partes de un rodamiento ....................................................................................... 31 5.5.1. Anillo interior / Anillo exterior: ................................................................... 31 5.5.2. Elementos Rodantes ..................................................................................... 31 5.5.3. Jaula.............................................................................................................. 31 5.6. Vida del rodamiento ............................................................................................. 31 5.6.1. Índice básico de carga .................................................................................. 32 5.7. Causas de fallas en rodamientos .......................................................................... 33 5.7.1. Falla Lubricación ......................................................................................... 33 5.7.2. Contaminación ............................................................................................. 34 5.7.3. Falla en Montaje y manipulación ................................................................. 34 5.7.4. Desalineamiento ........................................................................................... 35 5.7.5. Corrosión ...................................................................................................... 36 5.7.6. Falla Eléctrica............................................................................................... 36 5.7.7. Fatiga ............................................................................................................ 37 5.7.8. Mal Ajuste .................................................................................................... 37 5.8. Etapas de fallas en rodamientos ........................................................................... 38 5.8.1. Etapa I .......................................................................................................... 38 5.8.2. Etapa II ......................................................................................................... 38 5.8.3. Etapa III ........................................................................................................ 39 5.8.4. Etapa IV ....................................................................................................... 39 5.9. Principales técnicas de detección y diagnóstico de fallos en rodamientos .......... 39 5.9.1. Vibraciones .................................................................................................. 40 5.9.2. Redes Neuronales Artificiales ...................................................................... 43 5.9.3. Redes Neuronales Convolucionales ............................................................. 46 5.9.4. Máquinas de Soporte Vectorial .................................................................... 48 5.10. Spectral Density Power (PSD) ............................................................................. 51 5.10.1. Métodos ........................................................................................................ 52 5.11. Cross Power Spectral Density (CPSD) ................................................................ 52 5.11.1. Estimación del verdadero CSD .................................................................... 52 5.12. Coeficientes de Fourier ........................................................................................ 53 5.13. Ventana Hamming ............................................................................................... 53 6. DISEÑO METODOLÓGICO ...................................................................................... 55 6.1. Modelo en V ......................................................................................................... 55 6.2. Diseño mecánico .................................................................................................. 55 6.2.1. Análisis Estático ........................................................................................... 55 6.2.2. Diseño del eje para el banco de pruebas ...................................................... 58 6.3. Planos en SolidWorks .......................................................................................... 60 6.4. Selección de componentes ................................................................................... 62 6.4.1. Selección Acoples ........................................................................................ 62 6.4.2. Selección de rodamiento .............................................................................. 63 6.5. Selección de instrumentación ............................................................................... 64 6.5.1. Selección del motor ...................................................................................... 64 7.1.1. Selección de la carga .................................................................................... 66 7.1.2. Selección del variador de frecuencia............................................................ 66 6.1.1. Selección del acelerómetro .......................................................................... 68 6.1.2. Selección de la tarjeta adquisición de datos ................................................. 69 6.2. Selección de lenguaje de programación ............................................................... 69 11.1. Ensamble CAD .................................................................................................... 71 11.2. Selección de técnica de detección y clasificación ................................................ 72 11.3. Extracción de características ................................................................................ 72 11.3.1. Análisis de componentes principales ........................................................... 72 11.4. Clasificador Neuronal .......................................................................................... 73 11.4.1. Adaline ......................................................................................................... 73 11.4.2. Multilayer Perceptron................................................................................... 75 12. RESULTADOS Y EVIDENCIAS ........................................................................... 76 12.1. Banco de pruebas final ......................................................................................... 76 12.2. Protocolo de pruebas ............................................................................................ 77 12.3. Inducción de Fallas .............................................................................................. 78 12.3.1. Condición Normal ........................................................................................ 78 12.3.2. Falla Externa ................................................................................................ 79 12.3.3. Falla Interna ................................................................................................. 80 12.4. Interfaz LabVIEW ................................................................................................ 80 12.5. Calibración del sensor .......................................................................................... 83 12.6. Adquisición de datos, ........................................................................................... 84 12.6.1. Prueba 1: Condición Normal ........................................................................ 89 12.6.2. Prueba 2: Falla Externa ................................................................................ 91 12.6.3. Prueba 3: Falla Interna ................................................................................. 94 12.7. Análisis de espectros ............................................................................................ 96 12.8. Representación de datos obtenidos ...................................................................... 97 12.9. Problemas durante el desarrollo ........................................................................... 98 13. DETECCIÓN Y CLASIFICACIÓN DE FALLAS MEDIANTE REDES NEURONALES ................................................................................................................... 99 13.1. Red Neuronal Etapa entrenamiento .................................................................. 99 13.2. Análisis de espectros .......................................................................................... 104 13.3. Reducción de componentes ................................................................................ 105 13.4. Etapa de entrenamiento ...................................................................................... 106 13.5. Desempeño Etapa de prueba ........................................................................... 113 13.6. Comparación de estrategias................................................................................ 118 14. CONCLUSIONES ................................................................................................. 119 15. RECOMENDACIONES Y TRABAJO FUTURO ................................................ 120 16. BIBLIOGRAFÍA ................................................................................................... 121 17. ANEXOS ............................................................................................................... 124PregradoThis paper deals with the design and assembly of a test bench for the detection and classification of ball bearings faults for rotating machines. The tests implement an off-line algorithm that allows detecting and classifying wear failures (slight or aggressive) of the outer and inner rings using artificial neural networks (ANN) as the classification technique. Through the use of three sets of axles under different fault conditions (standard condition, external fault condition, and internal fault condition) vibration signals are collected by integrating a Dytran 3056D2 piezoelectric sensor in conjunction with a NI-9230 signal acquisition module. Later, the signal processing is carried out in an interface developed in LabVIEW and together with Matlab the results are obtained according to the fault being analyzed.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Atribución-NoComercial-SinDerivadas 2.5 ColombiaDiseño y montaje de un banco de pruebas para detección y clasificación de fallas en rodamientos de bola para máquinas rotativasDesign and assembly of a test bench for the detection and classification of failures in ball bearings for rotating machinesIngeniero MecatrónicoUniversidad Autónoma de Bucaramanga UNABFacultad IngenieríaPregrado Ingeniería Mecatrónicainfo:eu-repo/semantics/bachelorThesisTrabajo de Gradohttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/redcol/resource_type/TPMechatronicDetectionClassificationBall bearingFaultsOuter ringInner ringTechniqueANNSignalVibrationBall bearingsMachineryFrictionRolling contactRotary machinesMechanical designMecatrónicaCojinetes de bolasMaquinariaFricciónContacto de rodaduraMáquinas rotativasDiseño mecánicoDetecciónClasificaciónRodamientosFallasAnillo exteriorAnillo interiorTécnicaANNSeñalVibración[1] Jinglong, C., Yanyang, Z., Zhengjia, H., & Jing, Y. (2013). Compound faults detection of rotating machinery using improved adaptive redundant lifting multiwavelet, Mech. Syst. Signal Process. 36 54.[2] Kurfess, T., Billington, S., & Liang, S. (2006). Advanced Diagnostic and Prognostic Techniques for Rolling Element Bearings. Springer Series in Advanced Manufacturing. Ed. Springer. London, pp. 137-165.[3] Moreno, M., Villarraga, J., & Moreno, R. (2018). Diagnóstico de fallas tempranas de rodamientos en mecanismos susceptibles al desbalanceo y a la desalineación. Universidad Industrial de Santander. Bucaramanga[4] Rodriguez, A. (2016). Redes neuronales Elman con valores singulares para el diagnóstico de la severidad de fallos en equipos de rotación. Pontificia universidad católica de valparaíso. Valparaiso.[5] Gómez, V., & Moreno, R. (2013). Clasificador neuronal de fallos en rodamientos utilizando entradas basadas en transformadas Wavelet Packet y de Fourier. Revista Facultad de Ingeniería Universidad de Antioquia, 126-136.[6] Medrano, Z., Pérez, C., Gómez, J., & Vera, P. (2000). Nueva metodología de diagnóstico de fallas en rodamientos en una máquina síncrona mediante el procesamiento de señales vibro-acústicas empleando análisis de densidad de potencia. Universidad Autónoma de Baja California. Ingeniería Investigación y Tecnología, volumen XVII (número 1).[7] López, D. (2016). Diagnóstico de fallas de rodamientos de equipos de rotación utilizando redes neuronales artificiales. Pontificia universidad católica de Val[8] Jian, X., Li, W., Guo, X., & Wang, R. (2019). Fault Diagnosis of Motor Bearings Based on a One-Dimensional Fusion Neural Network. Sensors, 19, 122[9] Jiangquan, Z., Yi, S., Liang, G., Hongli, G., Xin, H., & Hongliang, S. (2019). A new bearing fault diagnosis method based on modified convolutional neural networks. Chinese Journal of Aeronautics,[10] Wang, H., Xu, J., & Yan, R. (2019). Bearing Fault Diagnosis Based on Visual Symmetrized Dot Pattern and CNNs. 1-6[11] Ortiz, C. (2015). Causas de falla de rodamientos. Relimans.[12] NskAmericas. ¿Qué es un Rodamiento? NSK[13] Velazco, F. (2008). Modos de fallas comunes en rodamientos. Universidad Nacional de Colombia.[14] Estupiñán, E., & Saavedra, P. (2015). Técnicas de diagnóstico para el análisis de vibraciones de rodamientos. Universidad de Concepción[15] Llogsa Mercadotecnia. (2014). Detección de defectos por ultrasonido en servicio. YouTube.[16] Hurtado, L., Villarreal, E., & Villarreal, L. (2016). Detección y diagnóstico de fallas mediante técnicas de inteligencia artificial, un estado del arte. DYNA, 83(199), 19-28.[17] Quintero, C., Merchán, F., Cornejo, A., & Galán, J. (2018). Uso de Redes Neuronales Convolucionales para el Reconocimiento Automático de Imágenes de Macroinvertebrados para el Biomonitoreo Participativo. KnE Engineering, 3(2), 585-596.[18] Magdy M. (2014). Mechatronics System Design. MDP 454. Mechatronics[19] Gomis, M. (2015). Introducción a los cojinetes y rodamientos[20] Jagdale, Manoj & Garikapati, Diwakar. (2018). A critical review of condition monitoring parameters for fault diagnosis of rolling element bearing. IOP Conference Series: Materials Science and Engineering.[21] N. I. Azeez and A. C. Alex, "Detection of rolling element bearing defects by vibration signature analysis: A review," 2014 Annual International Conference on Emerging Research Areas: Magnetics, Machines and Drives.[22] Devaney, M.J. & Eren, Levent. (2005). Detecting Motor Bearing Faults. Instrumentation & Measurement Magazine.[23] Zuozhou Pan, Zong Meng, Zijun Chen, Wenqing Gao, Ying Shi. A two-stage method based on extreme learning machine for predicting the remaining useful life of rolling-element bearings, Mechanical Systems and Signal Processing[24] Reuben LCK, Mba D. Bearing time-to-failure estimation using spectral analysis features. Structural Health Monitoring. 2014.[25] Eren, Levent. (2017). Bearing Fault Detection by One Dimensional Convolutional Neural Networks. Mathematical Problems in Engineering. 2017.[26] I. Samy, I. Fan and S. Perinpanayagam, "Fault diagnosis of rolling element bearings using an EMRAN RBF neural network- demonstrated using real experimental data," 2010 Sixth International Conference on Natural Computation, Yantai, 2010.[27] Tyagi, S., Panigrahi, S. (2017). A DWT and SVM based method for rolling element bearing fault diagnosis and its comparison with Artificial Neural Networks. Journal of Applied and Computational Mecha[28] Jiangquan ZHANG, Yi SUN, Liang GUO, Hongli GAO, Xin HONG, Hongliang SONG. A new bearing fault diagnosis method based on modified convolutional neural networks, Chinese Journal of Aeronautics, Volume 33, Issue 2, 2020.[29] Langarica, C. Rüffelmacher and F. Núñez, "An Industrial Internet Application for Real- Time Fault Diagnosis in Industrial Motors," in IEEE Transactions on Automation Science and Engineering, vol. 17, no. 1, pp. 284-295, Jan. 2020[30] A. Boudiaf, A. Djebala, H. Bendjma, A. Balaska and A. Dahane, "A summary of vibration analysis techniques for fault detection and diagnosis in bearing," 2016 8th International Conference on Modelling, Identification and Control (ICMIC), Algiers, 2016.[31] Nguyen, Hoang-Phuong & Kim, Jongmyon. (2015). Multifault Diagnosis of Rolling Element Bearings Using a Wavelet Kurtogram and Vector Median-Based Feature Analysis. Shock and Vibration. 2015.[32] Qijun Xiao, Z. Luo and Junlan Wu, "Fault detection and diagnosis of bearing based on local wave time-frequency feature analysis," 2015 11th International Conference on Natural Computation (ICNC), Zhangjiajie, 2015.[33] C. Zhang, B. Chen, F. Wan and B. Song, "Multi-Faults Diagnosis of Rotating Bearings Using Flexible Time-Frequency Analysis Technique," 2018 International Conference on Sensing, Diagnostics, Prognostics, and Control (SDPC), Xi'an, China, 2018[34] C. E. Khamoudj, F. B. Tayeb, K. Benatchba and M. Benbouzid, "Induction Machines Bearing Failures Detection and Diagnosis using Variable Neighborhood Search," IECON 2019 - 45th Annual Conference of the IEEE Industrial Electronics Society, Lisbon, Portugal, 2019.[35] Peeters, Cédric & Guillaume, Patrick & Helsen, Jan. (2016). Vibration data preprocessing techniques for rolling element bearing fault detection[36] Wang, Wilson & Lee, Hewen. (2013). An energy kurtosis demodulation technique for signal denoising and bearing fault detection. Measurement Science and Technology.[37] Análisis de daños en los rodamientos Timken y Guía de referencia sobre lubricación. (2015). The Timken Company[38] Borras, C.Pattern recognition in hydraulic backlash using neural network. Master Thesis, University of Oklahoma, 2001.ORIGINAL2020_Tesis_John_Jairo_Blanco.pdf2020_Tesis_John_Jairo_Blanco.pdfTesisapplication/pdf12981975https://repository.unab.edu.co/bitstream/20.500.12749/12168/1/2020_Tesis_John_Jairo_Blanco.pdfac4fb814bc7af2a6656087f643efe5c0MD51open access2020_Licencia_John_Jairo_Blanco.pdf2020_Licencia_John_Jairo_Blanco.pdfLicenciaapplication/pdf260854https://repository.unab.edu.co/bitstream/20.500.12749/12168/2/2020_Licencia_John_Jairo_Blanco.pdfea8e7060922a3f8014c309d8873193f4MD52metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repository.unab.edu.co/bitstream/20.500.12749/12168/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53open accessTHUMBNAIL2020_Tesis_John_Jairo_Blanco.pdf.jpg2020_Tesis_John_Jairo_Blanco.pdf.jpgIM Thumbnailimage/jpeg4630https://repository.unab.edu.co/bitstream/20.500.12749/12168/4/2020_Tesis_John_Jairo_Blanco.pdf.jpg80113e45debd9981e38809f3b842c5dbMD54open access2020_Licencia_John_Jairo_Blanco.pdf.jpg2020_Licencia_John_Jairo_Blanco.pdf.jpgIM Thumbnailimage/jpeg11007https://repository.unab.edu.co/bitstream/20.500.12749/12168/5/2020_Licencia_John_Jairo_Blanco.pdf.jpg5c75aee399910d81b5c6cd65eab366b8MD55metadata only access20.500.12749/12168oai:repository.unab.edu.co:20.500.12749/121682023-03-15 10:12:35.215open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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 |