Generación de indicadores de desempeño de un compresor de tornillo por medio de análisis acústico

Abstract

RESUMEN: En el marco de la manufactura inteligente (industria 4.0), las industrias están reemplazando cada vez más las técnicas de mantenimiento tradicionales, migrando hacia soluciones más inteligentes y eficientes en recursos (costo, tiempo). Dentro de estas soluciones encontramos los sistemas de Condition Monitoring (CMS) y mantenimiento predictivo que permiten detectar y reaccionar ante las fallas antes de que estas ocurran. (Cakir, 2021). A pesar de que la literatura y antecedentes relacionados con CM tratan en su mayoría de análisis de vibraciones, el análisis de señales acústicas ha venido tomando fuerza en la industria gracias a las ventajas en costo, montaje, disponibilidad de equipos (se pueden usar micrófonos convencionales), ancho de banda de los sensores, entre otros, las cuales fueron evidenciadas en la etapa de la adquisición. En el presente trabajo se realizaron pruebas de adquisición de Audio mediante la tarjeta STWIN de STMicroelectronics, y variables del proceso mediante la tarjeta HDTAC desarrollada en la UEIA en 2020, en un compresor Kaeser Airtower 7.5c usado en la Universidad EIA, con el objetivo de generar indicadores de desempeño a través de la información recolectada de estas señales auditivas. Para el análisis en el dominio de la frecuencia se comparó la magnitud de los picos encontrados, tanto en la FFT como en la Densidad de Potencia espectral (PSD). Se encontraron coincidencias con picos característicos del compresor, que se calcularon con base en literatura del análisis de vibraciones. También al realizar esta comparación entre varias mediciones, en regiones de interés iguales, se halló una alta variabilidad en la magnitud de los picos de la FFT (36% de error porcentual en promedio), mientras que en la PSD se halló un error porcentual promedio de 2.08%, por lo tanto, se planteó un indicador basado en la variación de la magnitud de los picos coincidentes en la PSD. En el dominio del tiempo se plantearon indicadores de estadística descriptiva como curtosis, factor de cresta y valor RMS; también un indicador relacionado con el tiempo que tarda en llegar el audio a su pico máximo durante el arranque, que se asocia con el estado de elementos mecánicos del compresor, y se encontró una correlación entre la corriente y el audio en el arranque, ya que sus envolventes se pueden aproximar a una línea recta, ambas con pendientes positivas. Todos los indicadores generados son dependientes de la ubicación del dispositivo de medición acústica, y de las características del espacio en el que se encuentra, ya que todas las mediciones de audio realizadas con la STWIN son relativas y no arrojan un valor en una escala de medición de intensidad sonora absoluta.

ABSTRACT: Within the framework of smart manufacturing (Industry 4.0), industries are increasingly replacing traditional maintenance techniques, migrating to smarter and more resource-efficient solutions (cost, time). Within these solutions we find condition monitoring (CMS) and predictive maintenance systems that allow to detect and react to failures before they occur. (Cakir, 2021). Although the literature and background related to CM deals mostly with vibration analysis, the analysis of acoustic signals has been gaining strength in the industry thanks to the advantages in cost, assembly, availability of equipment (conventional microphones can be used), bandwidth of sensors, among others, which were evidenced at the acquisition stage. In this paper, audio acquisition tests were carried out using the STWIN card from STMicroelectronics, and process variables using the HDTAC card developed at UEIA in 2020, in a Kaeser Airtower 7.5c compressor used at EIA University, with the aim of generating performance indicators through the information collected from these audio signals. For the analysis in the frequency domain, the magnitude of the peaks found was compared, both in the FFT and in the Spectral Power Density (PSD). We found coincidences with characteristic peaks of the compressor, which were calculated based on literature of vibration analysis. Also, when making this comparison between several measurements, in regions of equal interest, a high variability was found in the magnitude of the peaks of the FFT (36% of percentage error on average), while in the PSD an average percentage error of 2.08% was found, therefore, an indicator was raised based on the variation of the magnitude of the coincident peaks in the PSD. In the time domain, descriptive statistical indicators such as kurtosis, crest factor and RMS value were raised; also an indicator related to the time it takes to reach the audio peak during startup, which is associated with the state of mechanical elements of the compressor, and a correlation was found between current and audio at startup, since its envelopes can be approximated to a straight line, both with positive slopes. All the indicators generated are dependent on the location of the acoustic measuring device, and on the characteristics of the space in which it is located, since all audio measurements made with the STWIN are relative and do not yield a value on a measurement scale of absolute sound intensity.