Reciprocating Compressor Multi-Fault Classification Using Symbolic Dynamics and Complex Correlation Measure

Clasificación de fallas múltiples de compresores alternativos utilizando dinámicas simbólicas y medidas de correlación complejas

dc.contributormcerrada@ups.edu.ec; jmacancelap@est.ups.edu.ec; dcabrera@ups.edu.ec; eestupin@uta.cl; rsanchezl@ups.edu.ec; ruben.djmedina@ieee.org
dc.contributorUniversidad Politecnica Salesiana through the research group GIDTEC
dc.contributorL., René Vinicio Sánchez https://orcid.org/0000-0003-0395-9228
dc.contributorCerrada, Mariela https://orcid.org/0000-0003-4379-8836
dc.contributorMEDINA, Ruben https://orcid.org/0000-0002-6387-7761
dc.contributorCabrera, Diego https://orcid.org/0000-0003-1023-871X
dc.contributorEstupinan, Edgar https://orcid.org/0000-0002-8377-2967
dc.creatorCerrada, Mariela
dc.creatorMacancela, Jean-Carlo
dc.creatorCabrera, Diego
dc.creatorEstupinan, Edgar
dc.creatorSanchez, Rene-Vinicio
dc.creatorMedina, Ruben
dc.date2023-04-18T01:48:30Z
dc.date2023-04-18T01:48:30Z
dc.date202+
dc.date.accessioned2023-09-27T20:20:48Z
dc.date.available2023-09-27T20:20:48Z
dc.identifierhttps://repositorio.uta.cl/xmlui/handle/20.500.14396/2335
dc.identifier2076-3417
dc.identifier10.3390/app10072512
dc.identifierLO0YT
dc.identifierWOS:000533356200311
dc.identifier.urihttps://repositorioslatinoamericanos.uchile.cl/handle/2250/8943722
dc.descriptionPrognostics and Health Management technologies are useful for early fault detection and optimization of reliability in mechanical systems. Reciprocating compressors units are commonly used in industry for gas pressurization and transportation, and the valves in compressors are considered vulnerable parts susceptible to failure. Then, early detection of faults is important for avoiding catastrophic accidents. A feasible approach for fault detection consists in measuring the vibration signal for extracting useful features enabling fault detection and classification. In this research, a test-bed composed by two-stage reciprocating compressor was used for simulating a set of 13 different conditions of combined faults in valves and roller bearings. Three accelerometers were used for collecting the vibration signals for extracting three different types of features. These features were analyzed furthermore by using two random forest models to classifying the different faults. The first set of features was obtained by applying the symbolic dynamics algorithm, which provides the histogram of a set of symbols. This set of symbols was obtained by subdividing a 2D Poincare plot into angular regions and counting the intersection of the phase trajectories on each of regions. The second type of features corresponds to the complex correlation measure which is calculated as the addition of the areas of triangles belonging to a Poincare plot. Additionally, a small set of classical statistical features was also used for comparing their classification abilities to the new set of proposed features. The three sets of features enable highly accurate classification of the set of faults when used with random forest classification models. Notably, the ensemble subspace k-Nearest Neighbors algorithm provides classification accuracies higher than 99%.
dc.descriptionLas tecnologías de pronóstico y gestión de la salud son útiles para la detección temprana de fallas y la optimización de la confiabilidad en los sistemas mecánicos. Las unidades de compresores alternativos se usan comúnmente en la industria para la presurización y el transporte de gas, y las válvulas de los compresores se consideran partes vulnerables susceptibles de fallar. Entonces, la detección temprana de fallas es importante para evitar accidentes catastróficos. Un enfoque factible para la detección de fallas consiste en medir la señal de vibración para extraer características útiles que permitan la detección y clasificación de fallas. En esta investigación, se utilizó un banco de pruebas compuesto por un compresor alternativo de dos etapas para simular un conjunto de 13 condiciones diferentes de fallas combinadas en válvulas y cojinetes de rodillos. Se utilizaron tres acelerómetros para recopilar las señales de vibración para extraer tres tipos diferentes de características. Estas características se analizaron además utilizando dos modelos de bosques aleatorios para clasificar las diferentes fallas. El primer conjunto de características se obtuvo aplicando el algoritmo de dinámica simbólica, que proporciona el histograma de un conjunto de símbolos. Este conjunto de símbolos se obtuvo subdividiendo una gráfica de Poincaré 2D en regiones angulares y contando la intersección de las trayectorias de fase en cada una de las regiones. El segundo tipo de características corresponde a la medida de correlación compleja que se calcula como la suma de las áreas de los triángulos pertenecientes a un gráfico de Poincaré. Además, también se utilizó un pequeño conjunto de características estadísticas clásicas para comparar sus capacidades de clasificación con el nuevo conjunto de características propuestas. Los tres conjuntos de características permiten una clasificación muy precisa del conjunto de fallas cuando se utilizan con modelos de clasificación de bosques aleatorios. En particular, el algoritmo k-Nearest Neighbors del subespacio de conjunto proporciona precisiones de clasificación superiores al 99 %.
dc.formatapplication/pdf
dc.format21 páginas
dc.languageEnglish
dc.publisherMDPI
dc.relationApplied Sciences-Basel, vol.10 no.7 (2020)
dc.relationhttps://doi.org/10.3390/app10072512
dc.rightsgold
dc.rightsAcceso abierto
dc.sourceApplied Sciences-Basel
dc.subjectReciprocating Compressor
dc.subjectFault Detection
dc.subjectValve Fault
dc.subjectRandom Forest
dc.subjectPoincare Plot
dc.subjectSymbolic Dynamics
dc.subjectComplex Correlation Measure
dc.subjectStatistical Features
dc.subjectRotating Machinery
dc.subjectDiagnosis
dc.subjectDecomposition
dc.subjectCompresor Alternativo
dc.subjectDetección de Fallos
dc.subjectFallo de Válvula
dc.subjectBosque Aleatorio
dc.subjectDiagrama de Poincare
dc.subjectDinámica Simbólica
dc.subjectMedida de Correlación Compleja
dc.subjectCaracterísticas Estadísticas
dc.subjectMaquinaria Rotativa
dc.subjectDiagnóstico
dc.subjectDescomposición
dc.titleReciprocating Compressor Multi-Fault Classification Using Symbolic Dynamics and Complex Correlation Measure
dc.titleClasificación de fallas múltiples de compresores alternativos utilizando dinámicas simbólicas y medidas de correlación complejas
dc.typeArtículo de revista


Este ítem pertenece a la siguiente institución