Detección de fallas entre espiras de motores de inducción mediante análisis termográfico por infrarrojos by HERNANDO JOSE TRUJILLO BERMUDEZ

1. Introducción

htrujillo16 — 2023-09-22 18:07:51 UTC

Los motores de inducción son los motores primarios más utilizados en las industrias. Estos están sujetos a diversas tensiones ambientales, térmicas y de carga que, en última instancia, reducen la eficiencia del motor y luego conducen a fallas. La falla entre vueltas es la segunda falla más comúnmente observada en los motores y se considera la más grave. Puede provocar el fallo de una fase completa e incluso provocar accidentes si no se detecta ni se trata.

2. Motores de inducción

htrujillo16 — 2023-09-23 14:20:35 UTC

Los motores de inducción se consideran caballos de batalla en las industrias, ya que son el motor primario más utilizado. Sin embargo, la falla del motor en aplicaciones críticas puede provocar una gran pérdida de producción y, en algunos casos, provocar accidentes mortales. Los fallos en los motores de inducción provocan una baja eficiencia, es decir, un mayor consumo de energía. Según un informe de encuesta, los porcentajes de falla de varios componentes en los motores de inducción son: cojinete (41%), devanado (37%), fallas del rotor (10%) y otros (12%).

3. Termografía infrarroja

htrujillo16 — 2023-09-23 14:40:20 UTC

La termografía infrarroja (IRT) es una técnica de monitoreo de condición en línea y sin contacto, que se ha utilizado ampliamente para la inspección de instalaciones eléctricas y transformadores. Sin embargo, la IRT ha quedado infrautilizada para la supervisión del estado y el diagnóstico de fallos de los motores.

4. Configuración experimental

htrujillo16 — 2023-09-23 14:52:17 UTC

Se utiliza un motor de inducción trifásico conectado en estrella de 5 hp, 440 V, 4 polos, con provisión para cortocircuito de 16,6% y 33,2% de vueltas. El motor funciona sin carga para evitar un rápido colapso del motor. Sus imágenes térmicas se capturan con la cámara FLIR-E60 en condiciones tanto transitorias como estables. Los valores de intensidad I ( x , y ), en la imagen en escala de grises, se encuentran entre 0 y 255 y es la medida de la temperatura de la superficie corporal. La escala térmica de las imágenes IRT capturadas debe modificarse antes de aplicar el procesamiento de imágenes. en Matlab. La escala de temperatura se ajusta de manera que la temperatura máxima ( T max ) = temperatura mínima ( T min ) + 30 °C, es decir, si el límite inferior de temperatura es 35 °C, entonces el límite superior se establece en 65 °C según el estándar NETA.

5. Configuración experimental

htrujillo16 — 2023-09-23 15:31:00 UTC

Sin embargo, para segregar el fondo y extraer el área de superficie del motor real o región de interés ( ROI ) de las imágenes IRT, se calcula un factor 'in' conocido como nivel máximo de intensidad de fondo . A un valor menor que i n se le ha asignado un valor de intensidad igual a 0, es decir, negro, como se muestra en la Figura. Esto aislará fácilmente el motor de su entorno; sin embargo, es necesario calcular el valor óptimo de in

6. Valor óptimo de in para análisis de estado estacionario

htrujillo16 — 2023-09-23 16:47:06 UTC

La imagen térmica capturada y el retorno de la inversión deseado se muestran en la figura. Para extraer el retorno de la inversión deseado de la imagen térmica después del preprocesamiento de la imagen, se han seguido los siguientes pasos:
Paso 1: calcular la media ( μ ) y la desviación estándar ( σ ) de la imagen I 1 ( x , y ).
Paso 2: calcular varios valores de ' μ + nσ ' donde n = 0, 1, 2, 3….
Paso 3: poner i n = μ + nσ para varios valores de n .
Paso 4: establecer I 1 ( x , y ) < in igual a 0 y I ( x , y ) ⩾ i n igual a I 1 ( x , y ).
Paso 5: ver si el error de ROI (%) es mínimo o aceptable.

7. Valor óptimo de in para análisis de estado estacionario

htrujillo16 — 2023-09-23 17:00:08 UTC

En nuestro caso , se encontró que el valor óptimo de n es 6, como se muestra en la figura, lo que produce un retorno de la inversión aceptable sin perder información sobre el perfil de temperatura de la superficie del motor. Por lo tanto, en la plantilla modificada se ha utilizado el valor de in igual a μ + 6 σ para el análisis del nivel de gravedad de la falla del motor.

8. Algoritmo para la segmentación de regiones calientes mediante pseudocoloración y estimación de la gravedad de las fallas

htrujillo16 — 2023-09-23 17:09:43 UTC

Paso 1: Tome la imagen térmica I(x,y) usando una plantilla gris, cuando el motor alcance su temperatura constante.
Paso 2: Modifique I (x,y) a I1(x,y) estableciendo su límite de temperatura superior en 30 °C + T min (temperatura ambiente).
Paso 3: Calcula el valor de i6.
Paso 4: Obtenga la imagen en pseudocolor (P) de I1(x,y), considerando in = i6 en la plantilla modificada.
Paso 5: convierta la imagen en pseudocolor (P) a una imagen en escala de grises (S).
Paso 6: Obtenga el histograma de S.
Paso 7: Calcule los valores de G, Y y W y el área de superficie del motor o ROI usando (3).
Paso 8: Calcule el índice de calor usando (2), que indica la gravedad de la falla entre vueltas.

9. Resultados

htrujillo16 — 2023-09-23 17:18:48 UTC

Cuando un motor se enciende, su temperatura comienza a aumentar. La corriente fluye a través de los devanados y genera calor en un período de tiempo muy corto. Sin embargo, la temperatura del estator es más baja que la temperatura del devanado debido al enfriamiento del marco del estator mediante convección forzada por el ventilador del motor.

10. Resultados

htrujillo16 — 2023-09-23 17:45:00 UTC

se muestran las imágenes en pseudocolor ( P ) del motor en condiciones de buen estado y de falla entre vueltas.