Resumen

La característica de forma de la órbita del eje desempeña un papel importante en el diagnóstico de averías de la maquinaria rotativa. Sin embargo, la señal original suele ser desordenada, lo que afecta a la precisión y velocidad de identificación. Para mejorar el efecto de la identificación, se propone un método eficaz de identificación de fallos para un sistema de rotor basado en la órbita del eje. El método es una combinación de descomposición de modo empírico conjunto (EEMD), procesamiento morfológico de imágenes, vector de características de momento invariante Hu y red neuronal de retropropagación (BP). Se realizan experimentos de cuatro formas de fallo en bancos de prueba de rotores de un solo vano y de rotores de dos vanos. Las señales de desplazamiento de las vibraciones en las direcciones X e Y del rotor se procesan mediante filtrado EEMD para eliminar el ruido de alta frecuencia. La morfología matemática se utiliza para optimizar la órbita del eje incluyendo la operación de dilatación y esqueleto. Tras el procesamiento de la imagen, se calculan los momentos invariantes Hu de las órbitas del eje del esqueleto como vector de características. Por último, se entrena la red neuronal BP para identificar los fallos del sistema rotor. Los resultados experimentales indican que el tiempo de identificación de las órbitas de eje probadas mediante procesamiento morfológico corresponde a 13,05 s, y la tasa de precisión de la identificación oscila en el 95%. Ambos superan a los obtenidos sin morfología matemática. El método propuesto es fiable y eficaz para la identificación de la órbita del eje y ayuda en la monitorización en línea y la identificación automática de fallos del sistema del rotor.

• Materias:Cavitación Máquinas eléctricas Propiedades mecánicas Turbina eólica Turbomáquina
• Subjects:Cavitation Electric machines Mechanical properties Wind turbine Turbomachine
• Palabras claves:órbita del eje, morfología matemática, red neuronal, sistema rotor, método eficaz de identificación de fallos, vector de características de momento invariante, bancos de pruebas de rotor en vano, señales de desplazamiento de vibraciones, descomposición empírica de modos, índice de precisión de la identificación.
• Keywords:axis orbit, mathematical morphology, neural network, rotor system, effective fault identification method, invariant moment feature vector, span rotor test rigs, vibration displacement signals, empirical mode decomposition, identification accuracy rate