Il monitoraggio continuo delle macchine rotanti:

la diagnostica dei sopporti in regime di velocit

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