Un algoritmo de inteligencia artificial creado por el Dr. Rodrigo Teixeira, investigador principal de la Universidad de Alabama en Huntsville UAH, aumenta en gran medida la precisión en el diagnóstico de la salud de sistemas mecánicos complejos.
"La capacidad de extraer información confiable y procesable de la vibración de las máquinas permitirá a las empresas mantener sus activos funcionando durante más tiempo mientras gastan mucho menos en mantenimiento. Además, la inversión para llegar allí será solo software", dice el Dr. Teixeira, quien es el líder técnico para el proyecto de análisis de Sistemas de Monitoreo de Salud y Uso HUMS en el Laboratorio de Análisis de Confiabilidad y Fallas RFAL de la UAH.
En las pruebas a ciegas que utilizan datos provenientes de situaciones muy impredecibles y de la vida real, el algoritmo logra consistentemente más del 90 por ciento de precisión, dice el Dr. Teixeira.
"Esta tecnología está en la etapa de prueba. Estamos viendo cómo funciona en el campo. Si los resultados hasta ahora se mantienen, construiremos credibilidad y esperamos ganar aceptación con nuestros socios del Departamento de Defensa", dice.Al mismo tiempo, estamos ampliando nuestra base de clientes para incluir al sector privado. Allí, creemos que tendremos un impacto aún mayor en la forma en que hacen negocios ".
El análisis de vibración típico busca anomalías en la vibración de maquinaria como motores y cajas de engranajes. Estos cambios en la vibración pueden indicar desgaste y futuras necesidades de mantenimiento mucho antes de que la maquinaria falle.
"Cualquier máquina se sacude y vibra, y vibrará un poco diferente cuando hay algo mal, como una falla", dice el Dr. Teixeira. "Si puede detectar una falla antes de que se vuelva grave, puede planificar con anticipación yreducir el tiempo que la maquinaria pasa inactiva en la tienda. Como todos sabemos, el tiempo es dinero ".
La dificultad para extraer información útil de la vibración de la maquinaria es la cantidad de ruido aleatorio que existe en los entornos operativos normales. Encontrar información útil ha sido un problema de "aguja en un pajar". Los algoritmos de monitoreo actuales suponen que las vibraciones son estáticasy esa señal y ruido se pueden diferenciar por frecuencia.
"El problema es que esas suposiciones nunca son válidas en la vida real", dice el Dr. Teixeira. "En cambio, lo que hemos hecho es tomar un algoritmo de inteligencia artificial y 'enseñarle' los principios básicos de la física que rigen las fallas enun ambiente vibrante "
El enfoque del Dr. Teixeira ha proporcionado al Ejército de los EE. UU. Una nueva forma de producir información procesable a partir de datos HUMS de helicópteros, dice Chris Sautter, director de RFAL para la confiabilidad.
"Su enfoque, usando el aprendizaje automático, permite que el análisis mire el historial de la salida de datos en lugar de un solo vuelo. Entrenamos el algoritmo de la misma manera que entrenas tu teléfono celular para entender tu voz", dice Sautter ".Cuando el componente particular que estamos monitoreando ve firmas de vibración que ya no reflejan el rendimiento normal de un componente, se pasa una alerta al equipo de mantenimiento ".
El algoritmo RFAL se ajusta fácilmente al paradigma de mantenimiento basado en la condición que se ha adoptado en todo el Departamento de Defensa y el sector de la aviación comercial, dice Sautter. "Tener esta capacidad y la capacidad de mejorar la política de mantenimiento de los operadores de grandes flotas ha presentadoUAH y el Laboratorio de Confiabilidad con una gran cantidad de nuevos clientes para nuestras capacidades de investigación "
Fuente de la historia :
Materiales proporcionado por Universidad de Alabama Huntsville . Original escrito por Jim Steele. Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :