variabile e lidentificazione di infiltrazioni di aria nei condotti di alimentazione di pompe idrauliche Riccardo Rubini Universit di Modena and Reggio Emilia 2/44 Sommario Monitoraggio di sopporti per servomotori metodologia basate sul modello del difetto Computed Order Tracking (COT) sistema esperto Support Vector Machines (SVM) Localizzazione di infiltrazioni daria in pompe ad ingranaggi Accelerometro Cuscinetto: NSK 6309 MPL-B680B motore brushless in AC Rockwell Automation Accelerometro: Monitran MTN 1100 CQ Drive motore: Kinetix 6000 BM-01 Rockwell Automation National Instruments hardware: NI cDAQ-9172 - NI-9233 Cuscinetti a velocit variabile - applicazione 3/44 4/23 sopporto sano sopporto difettoso Cuscinetti a velocit variabile - vibrazioni 4/44 Gli effetti di una complessa legge di moto rendono necessario passare da un campionamento a tempo costante () a un campionamento ad angoli di rotazione costanti () Fyfe K.R. and Munck D.S., 1997, Analysis of computed order tracking riferimenti accelerometro Shaft ...un campionamento ogni data rotazione Computed Order Tracking 5/44 tempo frequenza T = tempo di acquisizione f s = frequenza di campionamento limite di frequenza: f max = f s / 2 risoluzione dominio del tempo: t = 1/f s dominio della frequenza: f = 1/T angolo ordine = numero di giri n s = numero di riferim. per giro limite di ordine: O max = n s / 2 risoluzione dominio dellangolo: = 1/n s dominio degli ordini: O = 1/ campionamento a tempo costante campionamento ad angolo costante = 0.972 rotazioni O = 1.028 ordini Bearing NSK 6309 una piccola rotazione dellalbero implica una bassa risoluzione nel dominio degli ordini 6/44 E opportuno scegliere unappropriata lunghezza del segnale per ottenere la giusta risoluzione in ordini esempio ...la frequenza fondamentale di un segnale viene rilevata perfettamente se la durata dellacquisizione pari ad un multiplo esatto del periodo del segnale Quale il periodo del segnale di vibrazione relativo al cuscinetto danneggiato? 7/44 Nelle applicazioni a velocit costante possibile prevedere il periodo che intercorre tra due manifestazioni del difetto conoscendo il modello meccanico del cuscinetto: c una relazione lineare tra il campionamento temporale e la rotazione dellalbero Nelle applicazioni a velocit variabile necessario calcolare il periodo degli urti in riferimento alla velocit angolare dellalbero rotazione albero rotazione gabbia ipotesi forte: no slittamento frequenza difetto su anello esterno rotazione relativa tra gabbia e albero frequenza difetto su anello interno deve essere calcolato il periodo caratteristico per ogni danno previsto selezionare la parte di segnale tra le due soglie 8/44 Procedura: Step 1: selezionare una tipologia di danno Step 2: estrarre solo la parte di segnale tra le soglie Step 3: applicare lorder tracking Step 4a: calcolare la FFT Step 5a: mediare gli spettri 9/44 ...per ottenere spettri ad alta definizione... considerare entrambe le rampe e pi di un ciclo macchina ciclo macchina come trattare il cambio di verso di rotazione dellalbero? problema: difetto in corrispondenza dellindice... ...possibile soluzione ruotare parte del segnale 10/44 Procedura per spettri ad alta definizione: Step 1: selezionare una tipologia di danno Step 2: estrarre solo la parte di segnale tra le soglie Step 3: applicare lorder tracking Step 5b: calcolare la FFT Step 4b: applicare lopportuna rotazione delle rampe ed unirle in un unico segnale 11/44 Risultati: caso 1 cuscinetto danneggiato artificialmente (anello esterno) 12/44 ...ricerca eventuale danno sullanello interno 13/44 ...ricerca eventuale danno sullanello esterno 14/44 Risultati: caso 2 cuscinetto danneggiato sul campo 15/44 ...ricerca eventuale danno sullanello esterno 16/44 ...ricerca eventuale danno sullanello interno 17/44 Conclusioni algoritmo per la diagnostica di cuscinetti a velocit variabile lalgoritmo richiede un tentativo per ogni possibile previsto difetto lalgoritmo richiede il profilo di posizione del motore e il segnale di vibrazione Cocconcelli M., Bassi L., Secchi C., Fantuzzi C., Rubini R., 2012 An Algorithm to Diagnose Ball Bearing Faults in Servomotors Running Arbitrary Motor Profiles Mechanical Systems and Signal Processing, Vol. 27, pagg. 667-682 Patent: Cocconcelli M., Bassi L., Borghi D., Rubini R., Secchi C., Predictive Rolling Bearing Maintenance, International Patent number WO 2010100253 (A1), September 10th, 2010 18/44 Sistemi esperti Obiettivo: realizzare un algoritmo in grado di associare lo stato di una macchina al valore di opportuni parametri estratti da misure sperimentali Procedura: scelta dei parametri di ingresso acquisizione sperimentale di dati in tutte le condizioni utili per la classificazione dello stato di salute o funzionamento della macchina normalizzazione dei valori dei dati di riferimento fase di apprendimento fase di validazione (test) apprendimento validazione Condizioni necessarie: ampia collezione di dati per lapprendimento dati per la validazione non utilizzati per lapprendimento 19/44 Support Vector Machines (SVM) Support vectors: definiscono liperpiano di separazione...tutti gli altri dati non sono pi necessari Le SVM costruiscono liperpiano che presenta la maggiore distanza dai punti che rappresentano i dati di confine di ciascuna classe: in generale maggiori sono le distanze tra i confini e minori sono gli errori di identificazione 20/44 Idea generale: lo spazio originale in ingresso pu sempre essere mappato in uno spazio di dimensione maggiore in cui I dati di apprendimento sono separabili: : x (x) fonte: Prof. Mingyue Tan, University of British Columbia sono disponibili differenti kernel 21/44 ...disponiamo di un numero sufficiente di dati? 13 differenti cuscinetti in prova: 7 cuscinetti sani 6 cuscinetti con differenti danneggiamenti 11 cuscinetti acquisiti a 3 differenti velocit (pacchetti/ora): 5000 pkt/h (durata ciclo 1,44 secondi) 7000 pkt/h (durata ciclo 1,029 secondi) 9000 pkt/h (durata ciclo 0,8 secondi) 11*3 + 2 = 35 differenti casi durata acquisizione = 50 secondi I sistemi esperti richiedono un maggior numero di casi per lapprendimento! 22/44 il segnale viene diviso in singoli cicli ciascun ciclo viene considerato come un nuovo caso per la fase di istruzione a disposizione 35 casi da 35 cuscinetti 1 segnale di 50 s 50 segnali di 1 s singolo ciclo 23/44 Dati di ingresso per la SVM RMS del segnale di vibrazione Kurtosis del segnle di vibrazione 24/44 1) RMS del segnale di vibrazione 2) Kurtosis del segnale di vibrazione 1488 casi da 33 bearings 2 cuscinetti (uno sano ed uno difettoso) vengono tenuti preservati per ulteriori test 70% Training 30% Test uso dati 1042 training 446 test Software by Prof. Steve R.Gunn. University of Southtampton Dati di ingresso per la SVM 25/44 Cuscinetti non impiegati per lapprendimento distribuzione dei parametri nel nuovo test confronto con il resto dei dati 26/44 Risultati della SVM Exponential Radial Basis Function Sigma: 5 Tempo di esecuzione: 3367.5 seconds 27/44 28/44 29/44 Conclusioni E stato implementato un sistema esperto basato sulle Support Vector Machines (SVM) per il monitoraggio di cuscinetti volventi in regime di velocit variabile I dati di ingresso richiesti per lanalisi sono: il valore efficace (RMS) ed il momento statistico del quarto ordine (kurtosis) del segnale di vibrazione Le SVM hanno restituito ottimi risultati ed stata effettuata una verifica su cuscinetti non utilizzati per lapprendimento Si riscontrata una elevata dipendenza dal kernel scelto Cocconcelli M., Rubini R., 2011 Support Vector Machines for Condition Monitoring of Bearings in a Varying-Speed Machinery The Eight International Conference on Condition Monitoring and Machinery Failure Prevention Technologies, Cardiff, UK 30/44 Macchina per la formatura di tappi di plastica fino a 1600 tappi/min Ralla dotata di 64 cilindri idraulici e relativi stampi Il cilindro pressa la plastica in uno stampo per la formatura del tappo Alimentazione idraulica fornita da due pompe ad ingranaggi (HI e LO pressione) Complesso sistema idraulico soggetto ad infiltrazioni di aria La miscela aria/olio causa la rottura della pompa in pochi minuti Introduzione 31/44 Prove sperimentali modalit di esecuzione Simulazione difetto: iniezione di aria controllata alla mandata della pompa Condizione di lavoro: solo pompa produzione Durata osservazione: 30 s Funzionamento corretto 10s Iniezione di aria 10s Funzionamento corretto 10s Portata di aria iniettata: 0 0,2 0,4 0,6 0,8 1,0 1,2 litri/min 32/44 Acquisizioni: o Vibrazione pompe: 2 accelerometri triassiali o Pressioni pompe: uscita HI, uscita LO, ingresso (condiviso da HI and LO) o Stato iniezione valvola (ON/OFF) o Coppia elettrica del motore o Tachimetro sullalbero delle pompe Frequenza di campionamento: 10-25kHz 50kHz Analisi: Short Time Fourier Transform (STFT) Prove sperimentali acquisizione ed analisi 33/44 0,8 l/min Iniezione di aria analisi di vibrazione (STFT) 34/44 0,2 l/min Iniezione di aria sensibilit a differenti portate 0,6 l/min 0,8 l/min 1,2 l/min 35/44 Parametri diagnostici - definizioni the following parameters are calculated from a segment of vibration signal (10kHz, 0.1s) RMS: =
() Entropy: =
() ln() . (If = 0 the convention ln () = 0 is used) Spectral Cumulative Difference: =
() Spectral Mean Square Error: S =
() RMS of the Band Pass filtered vibration segment: =
() : time signal : spectrum
: reference spectrum : filtered time signal 36/44 Parametri diagnostici - grafici entropia portata di aria (l/min) portata di aria (l/min) RMS 37/44 portata di aria (l/min) Parametri diagnostici - grafici differenti valori per le medesime condizioni operative!!!! 38/44 Monitoraggio della vibrazione dellasse radiale (Z in figura) della pompa di HI pressione Fs = 10 kHz, T = 0,1 s 10 diagnosi al secondo 5 parametri diagnostici: RMS, Entropia, SCD, SMSE, RMS del segnale filtrato La diagnosi basata sulla percentuale di variazione dei parametri diagnostici Algoritmo di Condition Monitoring 39/44 40/29 Algoritmo di CM 40/44 41/29 I parametri vengono confrontati con i valori di riferimento ottenuti in fase di calibrazione Se la percentuale di variazione di un parametro supera la soglia viene generato un allarme specifico I 5 pre-allarmi, opportunamente pesati, vengono sommati per ottenere S S comparato con la sua soglia di riferimento: se maggiore, allora viene generato lallarme presenza di aria Laggiornamento dei riferimenti avviene solo se il parametro non eccede la soglia corrispondente Algoritmo di CM 41/44 Algoritmo di CM risultati sperimentali portata di aria: 0.2 l/min 42/44 0.4 l/min Algoritmo di CM risultati sperimentali 0.2 l/min 0.6 l/min 0.8 l/min 1.0 l/min 1.2 l/min 43/44 Conclusioni E stato sviluppato un sistema di Condition Monitoring per individuare infiltrazioni di aria in pompe ad ingranaggi Lalgoritmo stato tradotto in testo strutturato per il PLC e verificato sul campo Cotogno M., Cocconcelli M., Rubini R., 2013 Developing of a monitoring system for air bubbles detection in an internal gear pump The International Congress Surveillance 7. Chartres, France 44/44