Aplicación de redes neuronales profundas para detección automática de roce en turbinas de gas aeroderivadas

Squicciarini, Antonio, Zarzo Altarejos, Alejandro, González Guillén, Carlos E. y Muñoz Guijosa, Juan Manuel(2022) .Aplicación de redes neuronales profundas para detección automática de roce en turbinas de gas aeroderivadas. XV Congreso Iberoamericano de Ingeniería Mecánica.En: Universidad Politécnica de Madrid. (2022-11-22)

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Abs_391_186052.pdf Aplicación de redes neuronales profundas application/pdf 1.51MB

Título de la Conferencia XV Congreso Iberoamericano de Ingeniería Mecánica
Fecha de inicio de la Conferencia 2022-11-22
Fecha fín de la Conferencia 2022-11-24
Lugar de la Conferencia Universidad Politécnica de Madrid
Fecha de presentación de la Ponencia 2022
Titulo Aplicación de redes neuronales profundas para detección automática de roce en turbinas de gas aeroderivadas
Autor(es) Squicciarini, Antonio
Zarzo Altarejos, Alejandro
González Guillén, Carlos E.
Muñoz Guijosa, Juan Manuel
Materia(s) Ingeniería Mecánica
Resumen El roce del rotor contra el estátor es uno de los fallos más comunes en maquinarias rotativas. En las turbinas aeroderivadas, la detección de este mal funcionamiento se ve dificultada por condicionantes de diseño, imponiendo la utilización de sensores afectados por ruido y vibraciones de otros componentes, limitando la efectividad y aplicabilidad de los sistemas tradicionales de detección, basados en transformada de Fourier. Los algoritmos de deep learning han mostrado resultados sorprendentes en varios problemas de monitorización automática de sistemas industriales. Sin embargo, necesitan de grandes bases de datos para describir el fenómeno, por lo que los costes y riesgos asociados a la disponibilidad de estos datos limita su aplicación. Nuestra propuesta consiste en la implementación de algoritmos de deep learning que en la fase de entrenamiento utilizan únicamente datos de mal funcionamiento simulados mediante un modelo ajustado de elementos finitos. Los resultados alcanzan una sensibilidad y especificidad de hasta el 91% con datos experimentales reales, y demuestran que la metodología propuesta es una solución factible para la detección automática de roces en maquinaria rotativa.
Abstract Rotor rubbing against casing is one of the most common malfunctions in rotating machinery. In the case of aeroderivative turbines, detection of this malfunction is hampered by design constraints, imposing the use of sensors that are affected by noise and vibrations of other components, limiting effectivity and applicability of traditional detection systems based in Fourier transform. Deep learning algorithms have shown surprising results in several problems of automatic monitoring of industrial systems. Nevertheless, they need a large database of malfunctions to describe the phenomenon. Thus, costs and risks associated with availability of these data limits its application. Our proposal consists of implementing deep learning algorithms that use, in training phase, only malfunction data simulated with a finite element model. Results achieve sensitivity and specificity of up to 91% with real experimental data and show that our methodology is a feasible solution for automatic detection of rub in rotating machinery.
Palabra clave detección de roces
turbinas de gas aeroderivadas
DNN
transformada de Fourier
Editor(es) Universidad Nacional de Educación a Distancia (España)
Universidad Politécnica de Madrid. Departamento de Ingeniería Mecánica
Fecha 2022
Formato application/pdf
Identificador bibliuned:congresoCIBIM-2022UPMEspana-Asquicciarini
https://doi.org/10.5944/bicim2022.272
http://e-spacio.uned.es/fez/view/bibliuned:congresoCIBIM-2022UPMEspana-Asquicciarini
Idioma spa
Versión de la publicación publishedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso conferenceObject
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 169 Visitas, 73 Descargas  -  Estadísticas en detalle
Creado: Tue, 31 Jan 2023, 23:39:50 CET