Desenvolvimento de algoritmos para monitorização da condição de operação de máquinas: aplicação à previsão de falha de rolamentos de aeronaves

Abstract

Os rolamentos são das componentes mais utilizadas em máquinas rotativas, como motores ou geradores elétricos de aeronaves, sendo componentes que se degradam rapidamente. Sendo uma das maiores causas de avarias de máquinas, a monitorização da condição de operação dos rolamentos assume um papel importante para reduzir o impacto das falhas. Com o avanço tecnológico e industrial, as aeronaves requerem mais energia elétrica face às exigências dos seus sistemas eletrónicos e dos próprios passageiros. Para produzir maiores quantidades de energia, os geradores elétricos das aeronaves podem atingir velocidades de rotação de 30 000 RPM, o que significa que a degradação dos rolamentos será muito rápida. Para evitar avarias graves, reduzir o número de acidentes em aeronaves, a perda de vidas humanas e os custos de manutenção, pretende-se implementar um sistema de monitorização que indique uma previsão do momento em que os rolamentos irão falhar. Este projeto tem como objetivo o desenvolvimento de um algoritmo que monitorize a condição dos rolamentos utilizados na próxima geração de geradores e acionadores de partida de aeronaves para previsão de falhas com uma antecedência de pelo menos 100 horas de voo e um grau de confiança de 0,997 (3σ). Os rolamentos foram testados num equipamento dedicado e os sinais das termorresistências (RTDs), acelerómetros e sensores de emissão acústica foram adquiridos, processados e armazenados através de um protótipo desenvolvido pelo consórcio do projeto. A cada minuto de aquisição o algoritmo determina um valor para cada condition indicator (CI) implementado e constrói séries de valores com a dimensão da duração do teste. Os CIs, como por exemplo o valor eficaz (RMS), a curtose, o desvio padrão ou o fator de crista, são calculados quer no domínio dos tempos quer no das frequências de forma a que previsão de falhas seja mais robusta. No domínio das frequências são ainda analisadas as frequências naturais do rolamento a partir dos sinais dos acelerómetros e dos sensores de emissão acústica de forma a determinar a localização da falha. Através das séries de valores de cada CI determinou-se que, para os testes de 6000 e 12000 RPM, as previsões de falha ocorrem com uma antecedência de 114 e 843 minutos, respetivamente, e com três desvios padrão (3 sigma) de confiança. A conversão entre tempo de teste e de operação nominal do rolamento foi realizada através da equação L10, determinando-se para a situação máxima de carga aplicada que as previsões dos testes de 6000 e 12000 RPM correspondem a 1268 e 6720 horas, respetivamente. Adicionalmente, o algoritmo determinou que as falhas presentes nos rolamentos se localizavam no anel interior como se comprovou pela observação dos rolamentos no final de cada teste. Apesar da validade da equação L10 para a conversão para tempo nominal não estar completamente estabelecida, os tempos de previsão de falha determinados são uma ordem de grandeza superiores ao requisito do projeto. A margem de segurança entre os dois valores permite ter confiança no algoritmo para previsão de falhas em rolamentos com uma antecedência de pelo menos 100 horas de voo e um grau de confiança de 0,997. Além disso, o algoritmo consegue determinar qual a região do rolamento que está degradada,resultado que acrescenta valor ao algoritmo, aumentando as hipóteses de ser implementado nos sistemas de monitorização de aeronaves.

Bearings are among the most commonly used components in rotating machinery, namely engines and electric generators in aircraft, known to degrade quicker. As a major cause of machine malfunctions, condition monitoring (CM) of bearings plays an important role reducing their failure rate. With technological and industrial progress, aircraft require more electricity to comply with demands from their electronic systems and passengers as well. To increase energy production, shafts of aircraft electrical generators can rotate up to 30,000 RPM, which means that bearing degradation will be quicker. To avoid servere malfunctions, reduce the number of aircraft accidents, minimize loss of human lives and maintenance costs, it is intended to implement a monitoring system that provides reliable forecasting of bearings failure. The goal of this project is to develop an algorithm that monitors the condition of bearings that will be included in next generation of generators and starters of aircraft. This monitoring capability will be used to predict failures with at least 100 hours in advance and a statistical significance of 0.997 (3σ). Sets of bearings were tested in dedicated equipment and signals from resistance temperature detectors (RTDs), accelerometers and acoustic emission sensors were acquired, processed and stored using a mock-up developed by the consortium. Every minute, the algorithm acquires data and determines a value for each condition indicator implemented, building a series of values with the test duration extension. Specific CIs, namely root mean square (RMS), kurtosis, standard deviation or crest factor, are calculated both in the time and frequency domains so that fault prediction is more robust. In the frequency domain, the bearing natural frequencies are also analysed from the accelerometer signals and acoustic emission sensors in order to determine the fault position. Through the series of values of each CI it was determined that, for the 6000 and 12000 RPM tests, the failure predictions occur, respectively, 114 and 843 minutes in advance with a level of significance of three standard deviations (3 sigma). The conversion between the accelerated test and nominal operating is performed using L10 equation, yielding 1268 and 6720 hours for 6000 and 12000 RPM, respectively. Additionally, the algorithm determined that bearing failures were located in the inner ring, in agreement with post-mortem analysis of the bearings. Although validity of the L10 equation for time conversion is yet not fully established, the estimates achieved are about one order of magnitude greater than project requirements. The safety margin between the two values carries confidence in the algorithm for bearing failure prediction with an advance of at least 100 hours and a statistical significance of 0.997. Another characteristic that adds value to this algorithm is the fact that it can determine which region of the bearing is degraded, increasing the chances of being implemented in aircraft monitoring systems.