Fault diagnosis of reciprocating compressor valve with the method

integrating acoustic emission signal and simulated valve motion

Diagnóstico de fallas de la válvula de compresor alternativo con el

método que integra la señal de emisión acústica y el movimiento
simulado de la válvula
YuefeiWang a, ChuangXue a, XiaohanJia a, XueyuanPeng a,b,n
Resumen

Este artículo propone un método para diagnosticar fallas en válvulas de compresor reciprocantes
que usan la señal de emisión acústica acoplada con el movimiento simulado de la válvula. Las
condiciones de trabajo reales de una válvula pueden obtenerse analizando la señal de emisión
acústica en el dominio del ángulo del cigüeñal y el movimiento de la válvula puede predecirse
simulando el movimiento de la válvula. Las ubicaciones exactas de apertura y cierre de una
válvula normal, proporcionadas por el movimiento simulado de la válvula, se pueden usar como
referencias para el diagnóstico de fallas de la válvula. Las fallas de válvula típicas se
diagnostican para validar la viabilidad y precisión del método propuesto. Los resultados
experimentales indican que este método puede distinguir fácilmente la válvula normal, el aleteo
de la válvula y las condiciones de cierre retardado de la válvula. Las ubicaciones características
de la apertura y el cierre de las válvulas de succión y descarga pueden identificarse claramente
en la forma de onda de la señal de emisión acústica y el movimiento simulado de la válvula.

1. Introducción

Los compresores reciprocantes son ampliamente utilizados en las industrias de almacenamiento

de gas, transporte de gas y petroquímica. La eficiencia y confiabilidad de un compresor
reciprocante dependen en gran medida del rendimiento de sus válvulas de succión y descarga.
Las fallas de válvula se citan como la causa más común de apagado del compresor alternativo
no programado [1]. Además, las válvulas del compresor dañadas pueden causar daños
secundarios costosos a las otras partes activas del compresor. Por lo tanto, se requiere un
método efectivo y preciso para el diagnóstico de fallas de válvula para ayudar a aumentar la
confiabilidad y reducir el mantenimiento de los compresores alternativos. Hasta ahora, se han
propuesto una gran cantidad de métodos basados en señales de presión, vibración y emisión
acústica (AE) para ayudar a diagnosticar las diversas fallas en los compresores alternativos y
sus válvulas. Una vez que ocurren las fallas de la válvula, la presión cambiará en consecuencia.
Debido a su precisión al reflejar el estado de una válvula, se han implementado varios enfoques
analizando la señal de presión para diagnosticar fallas. Pichler et al. [2] y Wang et al. [3]
detectaron válvulas de compresor reciprocantes basadas en el diagrama PV. Clasificaron las
condiciones de la válvula utilizando máquinas de vectores de soporte y utilizaron las
características extraídas del diagrama PV como entradas. Manepatil et al. [4, 5] estudiaron el
modelado y la simulación del compresor alternativo con varias fallas de válvula para determinar
la influencia de las fallas en los parámetros de rendimiento, y se enfocaron en el diagnóstico de
fallas del compresor alternativo con señal de presión. Elhaj et al. [6,7] desarrolló un nuevo
método de simulación numérica para controlar la condición del compresor alternativo y sus
válvulas utilizando la velocidad angular instantánea del cigüeñal (IAS) y la forma de onda de
presión del cilindro. Li et al. [8] diagnosticaron fallas de válvula en un compresor de aire a alta
presión usando redes neuronales de alimentación directa basadas en señales de presión y
temperatura. Sin embargo, la curva de presión simulada del cilindro no es la forma más directa
de mostrar las condiciones de la válvula y la medición de la señal de presión es intrusiva y
difícil de implementar. El diagnóstico de fallas de las válvulas del compresor en función de la
vibración y las señales de AE se considera más eficiente porque se puede lograr de forma no
intrusiva. Yang et al. [9] utilizaron redes neuronales artificiales y máquinas de vectores de
soporte para clasificar las condiciones de los compresores alternativos en función de las
características extraídas de las señales de vibración y ruido por transformadas wavelet. Cui et al.
[10] aplicó el método SVM para diagnosticar fallas de válvula basadas en señales de vibración
usando diferentes características de entropía de información como entradas.

Qin et al. [11] also used the SVM method to diagnose valve faults, although they used the features extracted by basis pursuit and
wave matching as inputs.
2. Procedimiento experimental y enfoque de análisis

La Figura 1

3. Resultados optimizados
Para

4. Conclusiones
La

Referencias
[1] W. Bao, R. Zhou, J.-G. Yang, D.-R. Yu, N. Li, Anti-aliasing lifting scheme for mechanical vibration fault feature extraction, Mechanical
Systems and Signal Processing 23 (2009) 1458-1473.
[2] Y.-H. Lin, H.-S. Liu, C.-Y. Wu, Automated valve condition classification of a reciprocating compressor with seeded faults:
experimentation and validation of classification strategy, Smart Materials and Structures 18 (2009) 095020.
[3] Y.-H. Lin, H.-C. Wu, C.-Y. Wu, Automated condition classification of a reciprocating compressor using time–frequency analysis and an
artificial neural network, Smart Materials and Structures 15 (2006) 1576–1584.
[4] C.-D. Wang, Y.-Y. Zhang, Z.-Y. Zhong, Fault diagnosis for diesel valve trains based on time-frequency images, Mechanical Systems and
Signal Processing 22 (2008) 1981-1993.
[5] Q.-H. Wang, Y.-Y. Zhang, L. Cai, Y.-S. Zhu, Fault diagnosis for diesel valve trains based on non-negative matrix factorization and neural
network ensemble, Mechanical Systems and Signal Processing 23 (2009) 1683-1695.
[6] L. Cohen, Time-Frequency Analysis, Englewood Cliffs, Prentice-Hall, New Jersey (1994).
[7] L. Cohen, Time–frequency distributions—a review, Proceedings of the IEEE 77 (1989) 941–981.
[8] F. Hlawatsch, F. G. Boudreaux-Bartels, Linear and quadratic time–frequency signal representations, IEEE Signal Processing Magazine 9
(1992) 21–67.
[9] P. Flandrin, O. Rioul, Affine smoothing of the Wigner–Ville distribution, Proceeding IEEE ICASSP-90 (Albuquerque) 5 (1990) 2455–
2458.
[10] F. Auger, P. Flandrin, Generalization of the reassignment method to all bilinear time-frequency and timescale representations,
Proceedings of the IEEE ICASSP 4 (1994) 317–320.
[11] F. Auger, P. Flandrin, Improving the readability of time-frequency and timescale representations by the reassignment method, IEEE
Transactions Signal Processing 43 (1995) 1068–1089.
[12] E. Chassande-Mottin, F. Auger, P. Flandrin, Supervised time-frequency reassignment, IEEE International Symposium On Time-
Frequency and Time-Scale Analysis (June) (1996) 517–520.
[13] I. Djurovic, L. Stankovic, A reassignment based method for time-frequency representation, The 6th IEEE International Conference
(September) 3 (1999) 5–8.
[14] L. Guo, J. Chen, X.-L. Li, Rolling bearing fault classification based on envelope spectrum and support vector machine, Journal of
Vibration and Control 15 (2009) 1349-1363.
[15] D. F. Specht, Probabilistic neural networks and polynomial adaline as complementary techniques for classification, IEEE Transactions
Neural Networks 1 (1990) 111–121.
[16] J. H. Holland, Adaptation in Natural and Artificial Systems, The University of Michigan Press (1975).
[17] M. Mitchell, An Introduction to Genetic Algorithms, The MIT Press (1999).