Identificación de Fallas en bombas de vacío mediante sonido
Resumen
Las autoclaves son equipos fundamentales en los procesos de esterilización hospitalaria, y son tan importantes en un centro hospitalario que una falla en el equipo puede ocasionar la suspensión total de la actividad quirúrgica, ya que constituyen la principal herramienta en la prevención de la propagación de las infecciones a las que están expuestos los procedimientos médicos [1]. Un elemento vital en la operación de una autoclave es su bomba de vacío, pues de su desempeño depende el éxito del proceso de esterilización. En el presente artículo, se presenta un método para detectar automáticamente el estado de falla de la bomba de vacío de una autoclave a partir de las características de la señal sonora producida por el equipo durante su operación. Inicialmente, se capturaron las señales sonoras emitidas por la bomba tanto en condición normal como en condición de falla, se compararon los resultados obtenidos por diferentes métodos de análisis de las señales, y se determinó cuál de ellos resultó más adecuado para hacer un diagnóstico del estado de operación del equipo, los resultados obtenidos mostraron que, para identificar el tipo particular de falla analizado, el análisis en el dominio del tiempo resultó más adecuado que el análisis en el dominio de la frecuencia. Finalmente, se obtuvo un algoritmo que detecta la presencia o ausencia de agua en la bomba de vacío de la autoclave.
Descargas
Citas
Major Process Equipment Maintenance and Repair, Chapter 3. Ed. Gulf Publishing Company. Heinz P. Bloch, Fred K. Geitner. 1997.
Machinery failure analysis and troubleshooting, Chapter 5. Ed. Elsevier. Heinz P. Bloch, Fred K. Geitner. 2012.
Investigation of effect of pump rotational speed on performance and detection of cavitation within a centrifugal pump using vibration analysis, Ahmed Ramadhan Al-Obaidi. Elsevier, Heliyon 5 (2019) 1-19.
Experimental study on gas-liquid transient flow in liquid-ring vacuum pump and its hydraulic excitation. Renhui Zhang, Guangqiang Guo. Elsevier, Science Direct, Vacuum 171 (2020), 1-8.
Fault diagnosis of rotating machinery based on multiple probabilistic classifiers. Jian-Hua Zhong, Pak Kin Wong, Zhi-Xin Yang. Elsevier, Science Direct, Mechanical Systems and Signal Processing 108 (2018) 99–114.
Fault diagnosis of rotating machinery through visualisation of sound signals. Katsuhiko Shibata, Atsushi Takahashi and Takuya Shirai. Mechanical Systems and Signal Processing (2000) 14(2), 229-241.
Flow noise identification using acoustic emission (AE) energy decomposition for sand monitoring in flow pipeline. M.G. Droubia, R.L. Reubenb, J.I. Steel. Applied Acoustics 131 (2018) 5–15.
Machinery fault diagnosis using signal analysis. Zoltan German-Sallo, Gabriela Strnad. Procedia Manufacturing 32 (2019) 585–590.
A review on machinery diagnostics and prognostics implementing condition-based maintenance. Andrew K.S. Jardine, Daming Lin, Dragan Banjevic. Mechanical Systems and Signal Processing 20 (2006) 1483–1510.
Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications. Jay Lee, Fangji Wu, Wenyu Zhao, Masoud Ghaffari, Linxia Liao, David Siegel. Mechanical Systems and Signal Processing 42 (2014) 314–334.
Standard deviation based acoustic emission signal analysis for detecting valve internal leakage. Guo-Yang Yea, Ke-Jun Xua, Wen-Kai Wua. Sensors and Actuators A 283 (2018) 340–347.
Stick-Slip Squeal in a Dry Scroll Vacuum Pump. John Calhoun, James Moore, Ronald Forni. 23rd International Compressor Engineering Conference at Purdue, July 11-14, 2016, 1-8.
Vibration and noise in centrifugal pumps - sources and diagnosis methods. Ravindra Birajdar Rajashri Patil, Kedar Khanzode. 3rd International Conference on Integrity, Reliability and Failure, Porto/Portugal, 20-24 July 2009, Paper Ref: S1163_P0437, 1-12.
An Introduction to Predictive Maintenance, second edition, R. Keith Mobley. Google Books. Butterworth-Heinemann (2002).
Bearing Signature Analysis as a Medium for Fault Detection: A Review. M. S. Patil, Jose Mathew, P. K. Rajendra Kumar. Journal of Tribology, Transactions of the ASME, January 2008, Vol. 130 / 014001-1.
Vibration analysis of bearing for fault detection using time domain features and neural network. Manish yadav, Sulochana wadhwani. International Journal of Applied Research in Mechanical Engineering, Volume-1, Issue-1, 2011