logo móvil
Contáctanos

Detección de fallas de una válvula de control de flujo mediante análisis de vibración y máquina de vectores de soporte

Autores: Venkata, Santhosh Krishnan; Rao, Swetha

Idioma: Inglés

Editor: MDPI

Año: 2019

Descargar PDF

Acceso abierto

Artículo científico
2019

Detección de fallas de una válvula de control de flujo mediante análisis de vibración y máquina de vectores de soporte


Categoría

Ingeniería y Tecnología

Subcategoría

Ingeniería Eléctrica y Electrónica

Palabras clave

Válvula de control
Proceso
Detección de fallas
Datos de vibración
Máquina de vectores de soporte
Precisión

Licencia

CC BY-SA – Atribución – Compartir Igual

Consultas: 36

Citaciones: Sin citaciones


Descripción
Una válvula de control juega un papel muy significativo en el funcionamiento estable y eficiente de un lazo de control para cualquier proceso. En un proceso de flujo de fluidos, la probabilidad de falla de una válvula de control puede aumentar por muchas razones relacionadas con el proceso de flujo, como altas presiones en la entrada, diferentes propiedades del líquido que fluye a través de la tubería, problemas mecánicos relacionados con una válvula de control, envejecimiento, etc. Un método para detectar fallas en la válvula puede conducir a una mejor estabilidad del lazo de control. En el trabajo propuesto, se desarrolla una técnica para determinar la falla en una válvula de control neumática mediante el análisis de los datos de vibración en la salida de la válvula. El diagnóstico de fallas de la válvula se realiza mediante el análisis del cambio en la vibración de la tubería debido al cambio en el patrón de flujo inducido por la válvula de control. Las fallas consideradas son las fallas de flujo de entrada y presión de suministro insuficiente. Los datos de vibración obtenidos se procesan utilizando una técnica de procesamiento de señales como la amplificación, la transformada de Fourier, etc. El algoritmo de máquina de vectores de soporte (SVM) se utiliza para clasificar los datos de vibración en dos clases, una normal y la otra defectuosa. El algoritmo diseñado se entrena para identificar fallas y se somete a pruebas con una configuración práctica; los resultados de las pruebas muestran una precisión del 97%.

Otros recursos que podrían interesarte

Temas Virtualpro