Mostrar el registro sencillo del ítem

dc.contributor.advisorMaradey Lázaro, Jessica Gisella
dc.contributor.authorMendoza Calderón, Karen Daritza
dc.contributor.authorJaimes Álvarez, Andrés Felipe
dc.coverage.spatialColombiaspa
dc.date.accessioned2021-10-01T19:46:30Z
dc.date.available2021-10-01T19:46:30Z
dc.date.issued2021
dc.identifier.urihttp://hdl.handle.net/20.500.12749/14497
dc.description.abstractEl presente trabajo se refiere al diseño y construcción de un banco de pruebas multifalla para diagnostico off-line en maquinaria rotativa. Se estudiarán tres tipos diferentes de fallas (eje pandeado, anillos de seguridad rotos en el pistón y tres grados de distensión de correas), mediante la implementación de kits en condición de falla vs condición normal para cada elemento se realiza la toma 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 procesa la señal recolectada y se obtiene el resultado de acuerdo con la falla tratada. Para la falla de distensión de la correa se implementara un algoritmo de detección y clasificación a partir de los datos experimentales y la técnica de aprendizaje automático.spa
dc.description.tableofcontentsLISTA DE TABLAS 11 INTRODUCCIÓN 18 1. OBJETIVOS 20 1.1. OBJETIVO GENERAL 20 1.2. OBJETIVOS ESPECÍFICOS 20 2. ANTECEDENTES 21 3. ESTADO DEL ARTE 22 4. MARCO TEÓRICO 28 4.1. MANTENIMIENTO EN MAQUINARIA ROTATIVA 28 4.1.1. Mantenimiento Correctivo 28 4.1.2. Mantenimiento Preventivo 29 4.1.3. Mantenimiento Basado en Condición (CBM) 29 4.1.4. Mantenimiento Predictivo 29 4.1.5. Diferencia entre Mantenimiento Preventivo y CBM 30 4.2. PATOLOGÍAS BÁSICAS EN MAQUINARIA ROTATIVA 30 4.3. FALLAS EN CORREAS (TRANSMISIÓN POR CORREA) 31 4.3.1. Resonancia de Correas 31 4.3.2. Distensión 31 4.3.3. Tensión de la banda incorrecta 32 4.4. FALLAS EN EJES DE TRANSMISIÓN 32 4.4.1. Eje pandeado 32 4.4.2. Desalineación 32 4.4.3. Grieta en el eje 33 4.4.4. Holgura eje-agujero 33 4.5. FALLAS EN MECANISMOS RECIPROCANTES 34 4.5.1. Fallas en pistones 34 4.5.1.1. Anillos de seguridad rotos 34 4.5.1.2. Causas probables 35 4.6. PRINCIPALES TÉCNICAS DE DETECCIÓN Y DIAGNÓSTICO DE FALLAS EN MAQUINARIA ROTATIVA 35 4.6.1. Análisis vibracional 35 4.6.2. Termografía 36 4.6.3. Análisis por Ultrasonido 36 4.6.4. Aprendizaje automático o Machine Learning 36 4.6.4.1. Redes neuronales 37 4.6.4.2. Tipos de Aprendizaje Automático 38 4.6.4.2.1. Aprendizaje automático supervisados 38 4.6.4.2.2. Aprendizaje automático no supervisados 38 4.6.4.2.3. Aprendizaje de Refuerzo 38 4.6.4.2.4. Deep learning 39 4.7. ANÁLISIS ESPECTRAL 39 4.7.1. Frecuencia para el Eje pandeado 40 4.7.2. Frecuencia para la Distensión en la correa (3°) 40 4.7.3. Frecuencia para el Mecanismo Reciprocante (anillos rotos del pistón) 41 4.8. DENSIDAD ESPECTRAL DE POTENCIA O SPECTRAL DENSITY POWER (PSD) 41 4.9. COEFICIENTES DE FOURIER 42 4.10. CROSS POWER PPECTRAL PENSITY (CPSD) 42 4.11. VENTANA HAMMING 42 4.12. NORMAS VIGENTES 43 4.13. MODELOS IMPLEMENTADOS DE BANCOS DE PRUEBAS 44 4.13.1. Machinery fault simulator de la empresa Spectra 44 4.13.2. ROTOR-MAQ de la empresa A-MAQ 44 5. METODOLOGÍA DE DISEÑO 45 5.1. MODELO EN V 45 6. DISEÑO 45 6.1. SELECCIÓN DE COMPONENTES 45 7. DISEÑO MECÁNICO 48 7.1.1. Selección Acople Flexible 48 7.2. SELECCIÓN DEL RODAMIENTO 49 7.3. CÁLCULO DE LA CORREA DE TRANSMISIÓN 50 7.4. CÁLCULO PARA EL EJE 62 7.4.1. Diseño del eje 66 7.5. SELECCIÓN DE INSTRUMENTACIÓN 69 7.5.1. Selección del acelerómetro 69 7.5.2. Selección de la tarjeta adquisición 70 8. ENSAMBLE DEL MODELO CAD 70 9. SELECCIÓN DE LENGUAJE DE PROGRAMACIÓN 71 10. RESULTADOS Y EVIDENCIAS 71 10.1. INTERFAZ EN LABVIEW 71 10.2. BANCO DE PRUEBAS FINAL 73 10.2.1. Proceso de construcción 74 10.2.2. Componentes del banco 75 10.3. PROTOCOLO DE PRUEBAS 76 10.3.1. Diseño del protocolo 77 10.3.1.1. Inducción de las fallas 78 10.3.1.2. Velocidades de operación 79 10.3.1.3. Tiempo de pruebas 79 10.4. CALIBRACIÓN DEL SENSOR 79 10.5. TOMA DE DATOS 80 10.5.1. Diagrama general de la instrumentación 84 10.6. PRUEBAS 84 10.6.1. Prueba 1: Condición Normal 85 10.6.2. Prueba 2: Condición de Falla 87 10.6.2.1. Prueba 2.1: Falla del eje 87 10.6.2.2. Prueba 2.2: Falla del mecanismo reciprocante (Anillos rotos en el pistón) 90 10.6.2.3. Prueba 2.3: Falla de la correa 92 10.6.3. Prueba 3: Falla Mixta 100 10.7. ANÁLISIS DE ESPECTROS 103 10.8. REPRESENTACIÓN DE LOS DATOS OBTENIDOS 103 10.9. PROBLEMAS PRESENTADOS DURANTE EL DESARROLLO 104 11. CLASIFICACIÓN DE LA FALLA DE DISTENSIÓN DE CORREA (3 GRADOS DE DISTENSIÓN) 105 11.1. RED NEURONAL ETAPA ENTRENAMIENTO 106 11.1.1. Análisis de los espectros obtenidos 112 11.2. REDUCCIÓN DE COMPONENTES MEDIANTE PCA 112 11.3. ETAPA DE ENTRENAMIENTO Y VALIDACIÓN 115 11.4. DESEMPEÑO DE LA ETAPA DE PRUEBA 118 11.4.1. Desempeño Red Adaline 118 11.4.1. Desempeño Red MLP 122 12. PRESUPUESTO 128 13. CONCLUSIONES 129 14. RECOMENDACIONES Y TRABAJO FUTURO 130 15. BIBLIOGRAFÍA 131 16. ANEXOS 134spa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/*
dc.titleDiseño y construcción de un banco de pruebas multifalla para diagnostico off-line en maquinaria rotativaspa
dc.title.translatedDesign and construction of a multi-fault test bench for off-line diagnosis in rotating machineryspa
dc.degree.nameIngeniero Mecatrónicospa
dc.publisher.grantorUniversidad Autónoma de Bucaramanga UNABspa
dc.rights.localAbierto (Texto Completo)spa
dc.publisher.facultyFacultad Ingenieríaspa
dc.publisher.programPregrado Ingeniería Mecatrónicaspa
dc.description.degreelevelPregradospa
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.localTrabajo de Gradospa
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.subject.keywordsMechatronicspa
dc.subject.keywordsMachine learnigspa
dc.subject.keywordsDetectionspa
dc.subject.keywordsClassificationspa
dc.subject.keywordsFaultsspa
dc.subject.keywordsShaftspa
dc.subject.keywordsPistonspa
dc.subject.keywordsCirclipsspa
dc.subject.keywordsStrainspa
dc.subject.keywordsBeltspa
dc.subject.keywordsTechniquespa
dc.subject.keywordsSignalspa
dc.subject.keywordsVibrationspa
dc.subject.keywordsRotating machineryspa
dc.subject.keywordsDiagnosticsspa
dc.subject.keywordsAlgorithmspa
dc.subject.keywordsMachineryspa
dc.subject.keywordsDesign engineeringspa
dc.subject.keywordsMechanical faultsspa
dc.identifier.instnameinstname:Universidad Autónoma de Bucaramanga - UNABspa
dc.identifier.reponamereponame:Repositorio Institucional UNABspa
dc.type.hasversioninfo:eu-repo/semantics/acceptedVersion
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.relation.references[1]. León Toapanta, F. A. (2012). Implementación de una Maquinaria para Diagnosticar Fallas en Bandas y poleas Mediante Análisis Vibracional en la Escuela de Ingeniería de Mantenimiento (Bachelor's thesis).spa
dc.relation.references[2]. Glen , White. (2010). Introducción al Análisis de Vibraciones (págs.53-55, 70-98). Woburn, MA EE. UU: Azima DLI Todos los derechos reservados.spa
dc.relation.references[3]. Lopez-Perez, D. y Antonino-Daviu, J. (2017). Aplicación de la termografía infrarroja a la detección de fallas en motores industriales de inducción: casos prácticos. Transacciones IEEE sobre aplicaciones industriales , 53 (3), 1901-1908.spa
dc.relation.references[4]. Liu, X., Zhou, Q. y Shen, H. (noviembre de 2018). Diagnóstico de fallas en tiempo real de maquinaria rotativa utilizando una red neuronal convolucional 1-D. En 2018 5th International Conference on Soft Computing & Machine Intelligence (ISCMI) (págs. 104- 108). IEEE.spa
dc.relation.references[5]. de Medeiros, EC, de Paula Mendonca, WR, de Barros, E. y Mathias, MH (2018). Diseño y evaluación de un banco de pruebas investigador-educativo aplicado a estudios de dinámica de rotores. Transacciones IEEE América Latina , 16 (8), 2161-2167spa
dc.relation.references[6]. de SS Martins, DH, Hemerly, DO, Marins, M., Lima, AA, Silva, FL, Prego, TDM, ... & da Silva, EA (2018, septiembre). Aplicación del aprendizaje automático para evaluar la severidad del desequilibrio en máquinas rotativas. En Conferencia internacional sobre dinámica de rotores (págs. 144-160). Springer, Chamspa
dc.relation.references[7]. ]. Ronquillo, E., & Douglas, C. (2019). Repotenciación del mantenimiento predictivo basado en el análisis de vibración enfocado a equipos rotatorios usados para el proceso de producción de una planta química ubicada en Guayaquil-Ecuador.spa
dc.relation.references[8]. Qian, W., Li, S., & Jiang, X. (2019). Deep transfer network for rotating machine fault analysis. Pattern Recognition, 96, 106993spa
dc.relation.references[9]. Li, X., Yang, Y., Bennett, I., & Mba, D. (2019). Condition monitoring of rotating machines under time-varying conditions based on adaptive canonical variate analysis. Mechanical Systems and Signal Processing, 131, 348 363. doi:10.1016/j.ymssp.2019.05.048spa
dc.relation.references[10]. Li, X., Zhang, W., Ma, H., Luo, Z., & Li, X.(2020). Domain Generalization In Rotating Machinery Fault Diagnostics Using Deep Neural Networks. Neurocomputing. doi:10.1016/j.neucom.2020.05.014spa
dc.relation.references[11]. Soto-Ocampo, C. R., Mera, J. M., Cano-Moreno, J. D., & Garcia-Bernardo, J. L. (2020). Low-Cost, High-Frequency, Data Acquisition System for Condition Monitoring of Rotating Machinery through Vibration Analysis-Case Study. Sensors, 20(12), 3493spa
dc.relation.references[12]. Zhou, P, Yang, Y., Wang, H., Du, M., Peng, Z., & Zhang, W. (2020). The relationship between fault-induced impulses and harmonic-cluster with applications to rotating machinery fault diagnosis. Mechanical Systems and Signal Processing, 144, 106896. doi:10.1016/j.ymssp.2020.106896spa
dc.relation.references[13]. Introducción al Mantenimiento Predictivo (PdM/CBM) - A-MAQ. (2020). from https://a-maq.com/intro_pdm/.spa
dc.relation.references[14]. Mantenimiento Predictivo basado en la Condición (CBM) | Cofrico. (2020). [Online], from https://www.cofrico.com/eficiencia-energetica/mantenimiento-predictivo-basado-en- la-condicion-cbmspa
dc.relation.references[15]. León Toapanta, F. A. (2012). Implementación de una Maquinaria para Diagnosticar Fallas en Bandas y poleas Mediante Análisis Vibracional en la Escuela de Ingeniería de Mantenimiento (Bachelor's thesis).spa
dc.relation.references[16]. Garrido, S. (2020). ¿Qué es el mantenimiento predictivo? Mantenimientopetroquimica.com. from http://www.mantenimientopetroquimica.com/mantenimientopredictivo.html.spa
dc.relation.references[17]. Mantenimiento predictivo vs mantenimiento basado en condición - Bneural Blog. Bneural Blog. (2020). from https://www.bneural.io/blog/diferencias-entre-mdp-y-mbc/.spa
dc.relation.references[18]. Mantenimiento predictivo vs monitoreo de condición. Metalmecanica.com. (2020). from http://www.metalmecanica.com/temas/Mantenimiento-predictivo-vs-monitoreo-de- condicion 123960#:~:text=Mientras el monitoreo de condición,pero no evita que fallespa
dc.relation.references[19]. Toapanta Núñez, Á. R. (2012). Determinación de Fallas Mediante Análisis Vibracional en los Equipos Críticos del Área de Envasado, Pasteurización y Homogenización de la Empresa PROLAC (Bachelor's thesis, Escuelaspa
dc.relation.references[20]. Rossas Sarmiento, G. (2004). Estudio de vibraciones mecánicas en máquinas reciprocantes (Doctoral dissertation, Universidad Industrial de Santander, Escuela De Ing. Mecanica).spa
dc.relation.references[21]. Orellana, L., & Sebastián, G. (2014). Análisis de órbitas como técnica de diagnóstico de fallas en equipos rotatoriosspa
dc.relation.references[22]. RESTREPO, L. B., MARÍN, J. J. C., & Gómez, A. L. (2006). Análisis de falla del eje de un motor eléctrico de una fábrica harinera. Tecnura, 9(18), 10-18spa
dc.relation.references[23]. Waldhauer, B., Schilling, U., & Szopa, J. (2004). Daños de pistones. from http://www.serviberlinas.com/pdf/danos_pistones.pdfspa
dc.relation.references[24]. Pedro Nelson Saavedra, La medición y análisis de las vibraciones como técnica de inspección de equipos y componentes, aplicaciones, normativas y certificación. Facultad de Ingeniería - Universidad de Concepción, Casilla 160 Concepción Chilespa
dc.relation.references[25]. Olarte, W., Botero, M., & Cañón, B. (2010). Técnicas de mantenimiento predictivo utilizadas en la industria. Scientia et technica, 2(45), 223-226.spa
dc.relation.references[26]. López, D. (2016). Diagnóstico de fallas de rodamientos de equipos de rotación utilizando redes neuronales artificiales. Pontificia universidad católica de Valparaíso. Recuperado de http://opac.pucv.cl/pucv_txt/txt-3500/UCD3634_01.pdfspa
dc.relation.references[27]. Nombela Escobar, B. (2011). Aplicación de técnicas de aprendizaje automático para la extracción de información en textos farmacológicos (Bachelor's thesis). Recuperado de https://core.ac.uk/download/pdf/29402658.pdfspa
dc.relation.references[28]. Ibm.com. Machine Learning. [online] . (2021). from https://n9.cl/bihpuspa
dc.relation.references[29]. Sánchez Moretti, J. A. (2014). Diagnóstico de fallas incipientes mediante la variación angular instantáneaspa
dc.relation.references[30].https://www.ugr.es/~dpto_am/OLD/docencia/Apuntes/Fourier_y_sus_coeficientes_Ca nada.pdfspa
dc.relation.references[31]. R. Norton. Diseño de máquinas. Ed. Prentice Hall.spa
dc.contributor.cvlacMaradey Lázaro, Jessica Gisella [0000040553]spa
dc.contributor.orcidMaradey Lázaro, Jessica Gisella [0000-0003-2319-1965]spa
dc.contributor.scopusMaradey Lázaro, Jessica Gisella [57207878442]spa
dc.contributor.researchgateMaradey Lázaro, Jessica Gisella [Jessica-Maradey-Lazaro]spa
dc.subject.lembMecatrónicaspa
dc.subject.lembAlgoritmospa
dc.subject.lembMaquinariaspa
dc.subject.lembIngeniería de diseñospa
dc.subject.lembFallas mecánicasspa
dc.identifier.repourlrepourl:https://repository.unab.edu.cospa
dc.description.abstractenglishThis work refers to the design and construction of a multi-fault test bench for off-line diagnosis in rotating machinery. Three different types of failures will be studied (buckled shaft, broken safety rings in the piston and three degrees of belt tension), by implementing kits in failure condition vs normal condition for each element, the vibration is taken through the integration of a Dytran 3056D2 piezoelectric sensor, in conjunction with a NI-9230 data acquisition card. Subsequently, in an interface developed in LabVIEW, the collected signal is processed and the result is obtained according to the fault treated. For the belt distension failure, a detection and classification algorithm will be implemented based on the experimental data and the machine learning technique.spa
dc.subject.proposalDetecciónspa
dc.subject.proposalClasificaciónspa
dc.subject.proposalPistónspa
dc.subject.proposalAnillos de seguridadspa
dc.subject.proposalDistensiónspa
dc.subject.proposalCorreaspa
dc.subject.proposalTécnicaspa
dc.subject.proposalSeñalspa
dc.subject.proposalVibraciónspa
dc.subject.proposalMaquinaria rotativaspa
dc.subject.proposalDiagnosticospa
dc.subject.proposalFallasspa
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 2.5 Colombia*
dc.coverage.campusUNAB Campus Bucaramangaspa
dc.description.learningmodalityModalidad Presencialspa


Ficheros en el ítem

Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem

Atribución-NoComercial-SinDerivadas 2.5 Colombia
Excepto si se señala otra cosa, la licencia del ítem se describe como Atribución-NoComercial-SinDerivadas 2.5 Colombia