25º Congresso Nacional de Transporte Aquaviário, Construção Naval e Offshore

Rio de Janeiro, 10 a 12 de Novembro de 2014

Desenvolvimento de Sistema Automático para Diagnóstico e Classificação em

Mancais de Rolamento Através de Lógica Fuzzy

Ricardo M. P. de Lima, Elvis J. O. Santander. Universidade Federal de Rio de Janeiro,

Instituto Alberto Luiz Coimbra de pós-graduação e Pesquisa COPPE.

Resumo: Elevados níveis de vibração podem levar um equipamento à fadiga, e consequente quebra, podendo causar perdas de produção, problemas no fornecimento de material ou serviço. O monitoramento de processos industriais e equipamentos que são parte essencial da produção. Por isso é preciso identificar e classificar os tipos de defeitos apresentados pelos rolamentos analisados. Para a detecção de falhas desenvolveu-se a Técnica de Envelope, técnica que permitem detectar o defeito na sua fase incipiente e acompanhar sua progressão gerando subsídios necessários para a tomada de decisão. Para a classificação foi utilizado a Logica Fuzzy, oferecendo a sua contribuição na automação do diagnostico de falhas. Foi desenvolvido um programa de computador em o ambiente Labview® onde a Técnica de envelope e Logica Fuzzy são acopladas para a realização do diagnóstico da condição mecânica dos rolamentos. Este programa foi testado através de dados experimentais obtidos em uma bancada de ensaios para rolamentos onde os defeitos são previamente conhecidos.

1 – Introdução

Os mancais de rolamentos são largamente utilizados na indústria, principalmente como elementos capazes de suportar uma grande parte da carga estática e dinâmica do sistema e, por conseguinte, a possibilidade de uma falha incipiente em sua estrutura é inerente às tensões envolvidas na conversão de energia do sistema. Na manutenção preditiva, pretende-se através da monitoração de vários. Parâmetros destacando-se amplitude de vibração, rotação, lubrificação e temperatura. Conhecer o estado do equipamento em tempo real e detectar uma falha quando ele ainda é incipiente e, com isso, ser capaz de programar uma parada para a troca do equipamento defeituoso antes que a falha se torne catastrófica. Dentre os parâmetros que podem ser monitorados, sem dúvida os sinais de vibração são os mais usuais pela sua capacidade de diagnosticar possíveis danos ainda na fase inicial. É fácil perceber que dentre os tipos de manutenção, a preditiva apresenta os menores custos. Devido à

substituição de peças e utilização de mão de obra exclusivamente quando necessário para operação dos equipamentos com a confiabilidade desejável, proporcionando assim um aumento na competitividade da indústria naval e offshore, Brauks (1999).

Além destes outros fatores são observados com a utilização desta técnica uma maior disponibilidade, confiabilidade e segurança dos equipamentos marítimos. Partindo desses conceitos tornasse bastante viável o estudo de sistemas especialistas aplicados à manutenção, através de dados obtidos por meio de analise de vibrações e parâmetros operacionais.

2 – Conceitos Teóricos

A utilização do computador para o processamento das informações é uma ferramenta fundamental para aplicação da inteligência artificial. Para a obtenção do diagnóstico do equipamento deve ser levada em consideração a probabilidade para ocorrência de falhas, conceituando os sintomas e determinando possíveis diagnósticos de acordo com seu grau de severidade, conforme descrito por Sala, (2007).

O conhecimento técnico adquirido por profissionais com anos de trabalho na área de manutenção proativa, são a base fundamental para um sistema especialista com inteligência Artificial (I.A). Parâmetros de entrada são estudados de acordo com Santander (2014) . A obtenção dos dados pode ser realizada de forma on-line através de sensores acelerometros. Para o software proposto serão adotados processamento de sinais e processamento Fuzzy para determinar o diagnóstico do rolamento monitorado.

Atenção especial deverá ser dada aos resultados obtidos visando identificar as áreas limítrofes entre resultados normais e anormais. Tornasse importante ressaltar que os valores limites são diferentes para cada rolamento, porém são específicos para cada modelo de um determinado fabricante. Sendo utilizado os dados técnicos fornecidos pelos fabricante para cada tipo conhecido de rolamento.

Para facilidade na análise e reconhecimento de padrões de ressonância nos dados monitorados, será realizada a inferência fuzzy, buscando avaliar o processo de desgaste do rolamento.

1.1 – Lógica Fuzzy

Á logica Clássica ou booleana se mostra pouco eficiente, em casos de representação de pensamento humano, e o motivo está ligado ao modelo matemático utilizado para representar o sistema, que possui um certo grau de incerteza. Este fato inibe a utilização de técnicas booleanas.

Zadeh (2004) apresenta a teoria dos conjuntos nebulosos ou fuzzy busca representar o raciocínio humano, com sua característica imprecisa na tomada de

decisão, com isto os valores numéricos tomam forma de variáveis linguísticas. Diferente da lógica convencional também chamada crisp, a fuzzy é construída associando-se um valor μ(x) a uma proposição x, indicando o grau de veracidade dessa proposição definindo assim uma função de pertinência, para cada variável linguista implementa.

Sendo μ(x) uma função genérica podendo ser representada por diferentes Funções dentre elas a gaussiana, trapezoidal e

triangular, assumida de forma que a função

de pertinência melhor se adéqua ao

problema físico em estudo, cujo conjunto

imagem está entre zero e um, não apenas zero ou um, como apresentado na ordenada da figura 2.1 possibilitando uma classificação gradual dos parâmetros monitorados.

Figura 2.1 Função Pertinência Lógica Clássica e Fuzzy

Podemos exemplificar aplicação da levando

em consideração a temperatura de operação do rolamento em °C na figura 2.2, representada por um conjunto Fuzzy, onde os elementos pertencentes ao conjunto, são valores possíveis para temperatura do motor, representada na abcissa da fig. 2.2. A função pertinência pode ser representados graficamente por um conjunto de pares ordenados {(µtemp(x), x) | x ϵ X}, onde µtemp(x) representa o valor entre zero e um da pertinência, para cada elemento x do conjunto (TEMP. °C). Cada variável linguística possui sua respectiva função pertinência, exemplos (BAIXA, NORMAL, ALTA e MUITO ALTA), veja figura 2.2.

Figura 2.2 Gráfico da função de pertinência, L. Biondi et al, 2006

2.2 – Inferência Fuzzy

A inferência é o mecanismo responsável pelo processamento das informações adquiridas pelo input, determinando os valores do output do software.

Segundo Biondi (2006), o processo de inferência combina regras de associação, comutação e distribuição, onde é feita uma varredura em todos os elementos de cada conjunto fuzzy. Com base nas operações e propriedades dos conjuntos nebulosos poderemos iniciar a construção da base de regras, através de regras IF-AND-THEN, de acordo com o conhecimento fornecido pelo técnico especializado.

Determinando-se os valores para a saída do sistema especialista, porém, ainda em valores linguísticos, requer-se, ainda, uma etapa final de defuzzificação antes da obtenção do diagnóstico do motor. A relação entre a quantidade de entradas e as regras de inferência é exponencial, ou seja, o número de regras utilizadas na matriz de inferência aumenta exponencialmente com o aumento de entradas.

2.3 – Falhas comuns em rolamentos

Um mancal de rolamento pode apresentar falha prematura por uma séria de razões Nepomuceno (1989), Dentre as diversas causas de falhas, pode-se destacar:

2.3.1 – Lubrificação Inadequada

O lubrificante tornou-se, gradualmente, escasso permitindo o contato entre os componentes do rolamento, ou, ocorrendo à perda das propriedades lubrificantes, ou, em último caso, o lubrificante era inadequado.

2.3.2 – Montagem Incorreta

Pressão para montagem no anel inadequado, deslocamento excessivo em

assento cônico, sobrecarga enquanto o rolamento não gira, etc.

2.3.3 – Retentores Inadequados

Retentores que permitem a passagem de partículas para dentro do rolamento ou que se deterioram e contaminam o rolamento.

2.3.4 – Desalinhamento

Rolamentos martelados em seu assento, corpos estranhos entre o anel e o assento, eixo torto ou envergado, etc.

2.3.5 – Passagem de corrente elétrica

Para que este tipo de dano ocorra, não é necessária uma diferença de potencial muito grande entre as pistas e os elementos girantes.

2.3.6 – Vibrações Externas

Rolamentos quando parados são submetidos a vibrações vindas de outros sistemas.

2.3.7 – Defeitos de Fabricação

Defeitos provenientes do processo de fabricação nas pistas, esferas ou gaiola do rolamento.

2.3.8 – Fadiga

Proveniente do rolamento de um elemento sobre outro após certo número de ciclos. Mesmo não ocorrendo erro de montagem, de lubrificação, ou não havendo a contaminação, os rolamentos estão sujeitos a falhas por fadiga natural. Para uma melhor compreensão do surgimento deste tipo de falha em um rolamento, será considerada que a região de carregamento do rolamento não se movimenta e que uma das pistas é estacionária. Desta forma, à medida que os elementos girantes se deslocam ao longo da pista, passarão por esta região provocando tensões cíclicas de cisalhamento na camada abaixo da pista.

As tensões cíclicas de cisalhamento trazem como consequência micro-fissuras que, em sua maioria, surgem em pontos de pouca resistência, ou onde o material é anisotrópico ou em pontos onde ocorrem inclusões de materiais não metálicos. Com o passar do tempo, as micro-fissuras evoluem para a superfície da pista onde surgirão micro-trincas que evoluem gradativamente segundo Harris (1991). Com a passagem contínua dos elementos rolantes na trinca que atingiu a superfície da pista, ocorrerá a formação de

covas (pits) e/ou descascamento (spalls) que evoluirá gradualmente, até que o rolamento sofra uma falha que impossibilite seu uso Juvinall (1991). Na Figura 2.3, pode-se observar o surgimento de uma falha no anel externo de um rolamento.

Figura 2.3. Surgimento da falha na superfície de um rolamento Santander (2014)

Este processo pode ocorrer em qualquer elemento do mancal que sofre carregamento alternado (anéis internos, externos e elementos girantes).

3 – Metodologia para Diagnóstico Automático

A metodologia para a identificação de

falhas em mancais de rolamento é definida por Santander (2014), foi dividida em seis etapas:

A primeira etapa foi a aquisição dos sinais de vibração no domínio do tempo de 03 mancais defeituosos e 01 mancal normal.

A segunda etapa foi a separação do sinal do mancal em componentes determinísticos, neste caso os harmônicos da rotação do eixo, com a utilização do filtro adaptativo para cancelamento de ruído (ANC) que utiliza minimização do erro médio quadrático entre a saída do filtro e um sinal de referência (mancal sem defeito). A escolha deste filtro foi feita pela qualidade oferecida em seus espectros de envelope sem a utilização do sinal de tacômetro.

A terceira etapa foi o realce da assinatura de falha do mancal (sinal residual), utilizando o pre-whitening com o modelo auto-regressivo (AR) que aumenta os componentes impulsivos no sinal.

A quarta etapa foi a análise via SK para escolher a largura de banda ótima para a demodulação do sinal com a assinatura de falha realçada, através da análise do envelope.

A quinta etapa é a análise do sinal utilizando a técnica do envelope para identificar a frequência característica de falha presente.

A última etapa é definida por Lima (2013), os valores dos picos obtidos após a aplicação

da técnica de envelope são identificados por meio de algoritmo que calcula o valor máximo da amplitude (g² pk-pk), para todas as frequências entre 0 e 1000 Hz, definindo os valores de entrada para o processamento Fuzzy e posterior diagnóstico do rolamento.

3.1 – Frequências de falhas

Quando uma superfície com defeito entra em contato com outro elemento, um impulso é gerado, produzindo, periodicamente, uma serie harmônica com uma frequência fundamental, que depende da localização do defeito. Por exemplo, supondo a existência de uma cavidade na pista interna de um mancal, a passagem de um elemento rolante sobre esse defeito, como mostra a Figura 3.1 (a), gera um sinal de aceleração análogo ao apresentado na Figura 3.1 (b), onde um pulso em forma de onda com amplitude R e duração L representa a entrada e a saída da esfera da cavidade. Esse pulso será repetido a cada período P devido à passagem de cada esfera Hoshi (2006).

Figura 3.1 (a) Passagem de um elemento girante sobre um defeito e (b) Sinal de

aceleração gerado Hoshi (2006)

Estes impulsos irão ocorrer periodicamente

com uma frequência que é determinada, unicamente, pela localização do defeito, sendo ele na pista interna, na pista externa, na gaiola ou no elemento girante (esferas). Sinais de vibração típicos de um mancal de rolamento com falhas nos diferentes componentes é apresentada na Figura 3.2, considerando o caso de uma pista externa estacionária e carga vertical unidirecional.

Figura 3.2 Sinal de vibração gerado por falhas nos mancais de rolamento.

O típico sinal de vibração gerado por falhas

nos mancais de rolamento (pista externa estacionária) BPFO = Frequência de defeito na pista externa; BPFI = Frequência de defeito na pista interna; FTF = Frequência de defeito na gaiola; BSF = Frequência de defeito na esfera Randall (1997).

Os impulsos serão gerados periodicamente

e suas características dependerão da localização do defeito (pista interna, pista externa, gaiola ou nas esferas) e da posição da zona de carga. Eles vão excitar ressonâncias no mancal e na máquina.

4 – Estudo de Casos

Os mancais defeituosos foram montados, um de cada vez, num rotor-kit modelo ABVT (Alignment / Balance Vibration Trainer) que simula a operação de uma máquina rotativa. As falhas nos mancais foram introduzidos intencionalmente. Os mancais defeituosos e o rotor-kit utilizados nos experimentos podem ser vistos nas Figuras 4.1

Figuras 4.1 Rotor Kit ABVT

TM

As informações técnicas a respeito dos

mancais do rotor-kit são descritos na tabela 4.1 a seguir:

Tabela 4.1 informações técnicas do rotor-kit

CARACTERÍSTICAS

Número de elementos rolantes

8 esferas

Diâmetro da esfera 0,7145 cm

Diâmetro da gaiola 2,8519 cm

FTF 0,375 CPM/RPM

BPFO 2,998 CPM/RPM

BPFI 5,002 CPM/RPM

BSF 1,871 CPM/RPM

Um resumo teórico das frequências de defeito é mostrado abaixo na Figura 4.2. com definição da frequências teóricas para cada tipo de falha.

Figura 4.2 Cálculo das frequências características de falhas.

4.1 – Aquisição de Dados

A aquisição de dados foi realizada no

Laboratório de Ensaios Dinâmicos e Análise de Vibrações (LEDAV) utilizando-se acelerômetros piezoeléctricos e um sistema de aquisição de dados acoplado a um notebook. Os acelerômetros foram fixados usando-se uma base colada na carcaça do mancal, que têm contato direto com a pista externa.

Os sinais de vibração foram adquiridos na direção vertical, com uma taxa de aquisição de 60.000 amostras por segundo, durante 10 segundos, totalizando 600.000 amostras e tendo um espectro com frequência final de 30.000 Hz. Contudo, o acelerômetro utilizado responde linearmente até 10 kHz, e a sua frequência de ressonância fica em torno de 12.kHz. Os dados foram adquiridos para três rotações diferentes do rotor-kit: 800 RPM, 1800 RPM e 3600 RPM.

4.2 – Análises do mancal 01 com falha na gaiola

A Figura 4.3 mostra o sinal do mancal 01 com defeito na gaiola. Para se identificar este defeito foi utilizado o sinal adquirido com 3600 RPM. Para aplicar a metodologia conforme apresentada no capítulo anterior, temos inicialmente os sinais do acelerômetro no domínio do tempo.

Figura 4.3 Sinal de vibração do mancal sem defeito

Já a figura 4.4 mostra a sinal no domínio

do tempo depois das etapas de filtragem (etapa 2,3) sinalizadas por Santander (2014).

Figura 4.4 Parte residual depois da

filtragem (mancal 01).

Da etapa 4 e 5 da metodologia de

Santander (2014) se obtém o análise Envelope do sinal residual, figura 4.5.

A banda de demodulação selecionada foi de 1 kHz centrada em 7,73 kHz.

Figura 4.5 Espectro de envelope para o mancal 1, largura de banda 1kHz e banda

central 7.73 kHz.

Com o intuito de automatizar o resultado,

pois a presença do profissional especialista para interpretação dos dados nem sempre é possível. Aplicamos a logica fuzzy ao correspondentes a picos de envelope, para determinação do diagnóstico preditivo do rolamento através da função de pertinência μ(x) capaz de transformar os dados numéricos obtidos através da análise envelope do rolamento, como função Falha da Gaiola representada pela abscissa no gráfico da fig. 4.6, em valores linguísticos, para múltiplos da frequência de falha, elaborada a partir dos valores teóricos apresentados na figura 4.2, consegue-se identificar corretamente a falha do mancal, conformo apresentada na figura abaixo:

Figura 4.6 Função de Pertinência para Falha

da Gaiola

Após a inferência e desfuzzificação é

apresentado o diagnóstico relativo ao defeito provocado na gaiola, cujo valor teórico foi previamente calculada como múltiplo de 22,5 Hz (405 Hz).

4.3 – Análise do mancal 02 com falha na pista externa

Para se analisar a falha no mancal 02, foi

utilizado o mesmo procedimento do mancal 01. Abaixo, serão apresentados os resultados da análise. A Figura 4.7 mostra o sinal do mancal 02 que possui um defeito na pista externa. A falha neste mancal foi identificada quando o mancal 02 estava a uma rotação de 1800 RPM.

Figura 4.7 Parte residual depois da

filtragem (mancal 02).

A figura 4.8 amostra o espectro de

envelope para o mancal 02, com frequência central de 8,9 kHz e largura de banda de 1 kHz.

Figura 4.8 Espectro de envelope para o mancal 02, com frequência central de 8,9 kHz e largura de banda de 1 kHz.

Aplicamos a logica fuzzy ao correspondentes a picos do envelope, para determinação do diagnóstico preditivo do rolamento através da função de pertinência μ(x) capaz de transformar os dados numéricos obtidos através da análise envelope do rolamento, como função Falha na pista externa do rolamento representado pela abscissa no gráfico da fig. 4.9, em valores linguísticos, para múltiplos da frequência de falha, elaborada a partir dos valores teóricos apresentados na figura 4.2, consegue-se identificar corretamente a falha do mancal, conformo apresentado na figura abaixo:

Figura.4.9 Função de Pertinência para Falha da Pista Externa

Após a inferência e desfuzzificação é apresentado o diagnóstico relativo ao defeito provocado pela falha da pista externa pode ser identificada a frequência de 352,95 Hz, relativa ao defeito provocado na pista externa, a qual foi previamente calculada, com os dados do mancal, como múltiplo de 89,34 Hz (357,36 Hz).

4.4 – Análises do mancal 03 com falha no elemento rolante (esfera)

A Figura 4.10 mostra o sinal de um

rolamento com defeito nas esferas depois das etapas de filtragem. Para identificar este tipo de defeito foi utilizado sinais de vibração do mancal 03 operando a 800 RPM.

Figura 4.10 Parte residual depois da

filtragem (mancal 03).

figura 4.11 amostra o espectro de envelope

para o mancal 03, com frequência central de 6.45 kHz e largura de banda de 1 kHz

Figura 4.11. Espectro de envelope para o mancal 03, com frequência central de 6,45

kHz e largura de banda de 1 kHz.

Aplicamos a logica fuzzy ao correspondentes a picos do envelope, para determinação do diagnóstico preditivo do rolamento através da função de pertinência μ(x) capaz de transformar os dados numéricos obtidos através da análise envelope do rolamento, como função Falha na pista externa do rolamento representado pela abscissa no gráfico da fig. 4.14, em valores linguísticos, para múltiplos da frequência de falha, elaborada a partir dos valores teóricos apresentados na figura 4.2, consegue-se identificar corretamente a falha do mancal, conformo apresentada na figura abaixo:

Figura 4.14 Função de Pertinência para falha

do elemento rolante

Após a inferência e desfuzzificação é apresentado o diagnóstico relativo ao defeito provocado pela falha da pista externa pode ser identificada a frequência As frequências características de falha desse mancal foi previamente calculada como múltiplos de 4,91 (14,73 Hz) e 24,51 (318,63 Hz).

A partir da base de regras de inferências, obtendo-se um gráfico que correlaciona

valores obtidos nas análises envelope para cada tipo de falha teórica conhecida. No gráfico 3D apresentado na figura 4.15, são avaliadas falhas na pista externa e falha na gaiola. As áreas em verde representam condição normal do rolamento. Em vermelho é definida região onde o diagnóstico corresponde à condição anormal do rolamento.

Figura 4.15 Diagnóstico de falha do rolamento

5. – conclusão

O modelo com lógica Fuzzy mostrou-se eficiente ao retratar a inexatidão do pensamento humano, conforme Basu et al (2000), apresentando facilidade na implementação e altíssima velocidade de processamento dos dados. Com a utilização do LabVIEW

™, tanto a interface com usuário,

quanto a linguagem de programação, podem ser facilmente atualizadas. A efetuação de modificações específicas de acordo com a seleção do tipo de rolamento podem ser inseridas no programa de acordo com a necessidade.

Conseguiu-se validar o programa

computacional com o banco de provas experimental rotor-kit.

Conseguiu-se identificar falhas em mancal

automatizando o resultado sim a utilização do profissional especialista para a interpretação dos dados. 6 – Referências

BASU, A., BERNDORFER, A., BUELNA, C.,

CAMPBELL, J., ISMAIL, K., LIN, Y.,

RODRIGUEZ, L., WANG, S. Smart sensing of

oil degradation and oil level measurements in

gasoline engines. SAE World Congress,

Detroid, Michigan, 2000.

BIONDI, L. N., COELHO, G. H. P., AMARAL,

J. L. M., MELLO, M. H. C. S. Minicurso de

Sistema Especialista Nebuloso. XXXVIII

SIMPÓSIO BRASILEIRO DE PESQUISA

OPERACIONAL. GOIAS, p. 2508-2543, 2006.

BRAUCKS, A. L. Problemas e Soluções na

Manutenção de Motores Diesel de Alta

Rotação. XX Copinaval, São Paulo, 1999.

BÜCHNER, P. C., “Análise de Mancais de

Rolamentos através dos Sinais de Vibrações,

Usando Método da Curtose e do Envelope”.

Dissertação de Mestrado, Pontifícia

Universidade Católica do Paraná, Curitiba-PR,

2001.

HARRIS, T. A., Rolling Bearing Analysis, 3ed,

New York, John Wiley & Sons, USA, 1991,

991p.

HOSHI, T, “Damege Monitoring of Ball

Bearing”. CIRP Annals – Manufacturing

Technology, 2006.

JUVINALL, R. C., MARSHEK, K. M.,

Fundamentals of Machine Component Design,

2ed, New York, John Wiley & Sons, U.S.A.,

1991, pp. 305 – 322.

LIMA, R. M. P., BELCHIOR, C. R. P.

DESENVOLVIMENTO DE SOFTWARE

ESPECIALISTA UTILIZANDO LÓGICA FUZZY

PARA MANUTENÇÃO PREDITIVA EM

MOTORES DIESEL, COM ÊNFASE NO

ESTUDO DA TRIBOLOGIA.7ª edição do

Congresso Brasileiro de P&D em Petróleo e

Gás - PDPETRO, 2013.

NEPOMUCENO, L. X, “Técnicas de

Manutenção Preditiva”, Ed. Edgard Blucher,

Vol.1, São Paulo, Brasil, 1989.

RANDALL, R. B. Developments in digital

analysis techniques for diagnosis of bearings

and gears”. 5th International Congress on

Sound and Vibration, Adelaide, Australia, 1997.

SANTANDER, E. J. O. Aplicação de Curtose

Espectral na Identificação de Falhas em

Mancais de Rolamentos / Elvis Jhoarsy Osorio

Santander. – Rio de Janeiro: UFRJ/COPPE,

2014.

ZADEH, L. A. Fuzzy Logic Systems: Origin,

Concepts and Trends. Hong Kong, 2004.