Aplicación de redes neuronales profundas para detección automática de roce en turbinas de gas aeroderivadas

Abstract

El roce del rotor contra el estátor es uno de los fallos más comunes en maquinarias rotativas. En las turbinas aeroderivadas, la detección de este mal funcionamiento se ve dificultada por condicionantes de diseño, imponiendo la utilización de sensores afectados por ruido y vibraciones de otros componentes, limitando la efectividad y aplicabilidad de los sistemas tradicionales de detección, basados en transformada de Fourier. Los algoritmos de deep learning han mostrado resultados sorprendentes en varios problemas de monitorización automática de sistemas industriales. Sin embargo, necesitan de grandes bases de datos para describir el fenómeno, por lo que los costes y riesgos asociados a la disponibilidad de estos datos limita su aplicación. Nuestra propuesta consiste en la implementación de algoritmos de deep learning que en la fase de entrenamiento utilizan únicamente datos de mal funcionamiento simulados mediante un modelo ajustado de elementos finitos. Los resultados alcanzan una sensibilidad y especificidad de hasta el 91% con datos experimentales reales, y demuestran que la metodología propuesta es una solución factible para la detección automática de roces en maquinaria rotativa.