Machines Fault Detection 2.0
Je het binnen 5 seconden downloaden.
Over Machines Fault Detection
Diagnostische technologieën worden gebruikt om roterende machines efficiëntie in energiesystemen te verhogen door het detecteren van aankomende fouten. Kleine roterende machines hebben meestal geen diagnostische eenheden aan boord. Draagbare diagnostische eenheden zijn duur en vereisen zeer gedetailleerde informatie over bewaakte machines, van de diameter van rollende elementen in de lagers, tot het aantal rotorstaven. Daarom is er een gebied van de mogelijkheid om een low cost diagnostische eenheid die geen gedetailleerde machine-informatie vereist ontwikkelen. Moderne smartphones lijken geschikt voor deze taak, omdat ze ingebouwde akoestische en trillingsgegevens verwerving en aanzienlijke rekencapaciteit. Ze hebben echter hardwarebeperkingen in vergelijking met state-of-the-art diagnostische eenheden, zoals de gegevensbemonsteringssnelheid en de gevoeligheid van sensoren.
Een set inductiemotoren wordt getest in zowel gezonde als defecte omstandigheden (ongebalanceerde rotor, beschadigde lagers en gebroken rotorstangen) om trillingen en akoestische signalen die met een smartphone zijn geregistreerd, te analyseren. Vervolgens worden geregistreerde gegevens geanalyseerd om gezonde en defecte emissiehandtekeningen te identificeren. Een totaal van ongeveer 85 minuten akoestische emissies en ongeveer 125 minuten trillingsgegevens worden geregistreerd langs alle verschillende bedrijfsomstandigheden. De resultaten tonen aan dat het mogelijk is om de rotatiesnelheid van de machine te schatten en fouten met de smartphone-opnamen te detecteren. De foutieve signatuur van akoestische emissies bevindt zich tussen 4 KHz – 8 KHz in de vorm van hoge frequentieclusters en snelheid kan worden geschat met behulp van mechanische rotatiefrequentieharmonionics aanwezig tussen 100 Hz- 1 KHz. Evenzo trilling defecte handtekening is gelegen langs het frequentiespectrum in de vorm van hoge magnitude pieken en rotatiesnelheid kan worden geschat met behulp van piektrillingen frequentie. Ten slotte werd een volledig functionele Android-applicatie ontwikkeld op basis van testresultaten om automatisch motorsnelheid en gezondheidsstatus te detecteren. Validatietests toonden 90% nauwkeurigheid bij foutdetectie.